PERAMALAN PERMINTAAN

(Diajukan Sebagai Tugas Mata Kuliah Pengendalian Persediaan Semester VII Kelas
OR 2)

Disusun Oleh;

KELOMPOK 1 :

 HARI KURNIAWAN (0703172085)

 OKTAVIANA (0703171020)

OR – 2/ VII

Dosen Pengampu Mata Kuliah

Safri Ali, S.Pd.I, M.Si

PROGRAM STUDI MATEMATIKA

FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI SUMATERA UTARA
MEDAN
2020
 KATA PENGANTAR

Assalamu’alaikum Warrahmatullahi Wabarakatuh.

Alhamdulillah segala puji bagi Allah, atas berkat rahmat dan karuniaNya
penulis dapat menyelesaikan makalah yang berjudul "Peramalan Permintaan" tepat
pada waktunya. Tujuan penulisan makalah ini adalah untuk memenuhi tugas yang
diberikan oleh Bapak Safri Ali sebagai dosen di mata kuliah Pengendalian Persediaan
ini.
Dalam menyusun makalah ini, penulis benar-benar mendapat banyak
tantangan dan penghalang tetapi dengan bantuan berbagai pihak, penghalang tersebut
dapat berlalu. Untuk itu kami menyampaikan banyak terima kasih kepada semua
pihak yang telah berkontribusi dalam pembuatan makalah ini.
Terlepas dari semua itu, kami menyadari sepenuhnya bahwa masih ada
kekurangan baik dari segi susunan kalimat maupun tata bahasanya. Oleh karena itu
dengan tangan terbuka kami menerima segala saran dan kritik dari pembaca agar
kami dapat memperbaiki makalah ini.
Akhir kata kami berharap semoga makalah yang membahas tentang
Peramalan Permintaan ini dapat memberikan manfaat maupun inspirasi terhadap
pembaca.

Wassalamu’alaikum Warrahmatullahi Wabarakatuh

Medan, 15 November 2020

Pemakalah

i
 DAFTAR ISI

KATA PENGANTAR ................................................................................. i

DAFTAR ISI ............................................................................................... ii
BAB I PENDAHULUAN ............................................................................ 1
1.1. Latar Belakang ................................................................................. 1
1.2 .Rumusan Masalah ............................................................................ 1
1.3. Tujuan Penulisan .............................................................................. 1
BAB II PEMBAHASAN ............................................................................. 2
2.1.Peramalan Permintaan ....................................................................... 2
2.1.1 Pengertian peramalan. ............................................................... 2
2.2 Klasifikasi Peramalan ........................................................................ 3
2.3 Komponen Proses Peramalan ............................................................ 4
2.4 Pendekatan Peramalan ....................................................................... 4
2.4.1 Metode Peramalan Kualitatif. .................................................... 5
2.4.1 Metode Peramalan Kuantitatif. .................................................. 6
BAB III PENUTUP ..................................................................................... 22
3.1. Kesimpulan ...................................................................................... 22
3.2. Saran ................................................................................................ 22
DAFTAR PUSTAKA .................................................................................. 23

ii
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Salah satu kegiatan yang dianggap mampu untuk dijadikan dasar dalam
pembuatan strategi produksi perusaaan adalah peramalan. Dalam peramalan akan
diketahui besarnya fluktuasi dan tingginya risiko merupakan karakter yang melekat
pada sistem produksi dan distribusi produk. Peramalan dibutuhkan untuk menyusun
perencanaan dan desain sistem, serta sub sistem operasional, penjadwalan sistem dan
pengendalian sistem. Peramalan yang akurat dapat membantu mengurangi risiko dan
meningkatkan keuntungan yang akan diperoleh suatu perusahaan.
Peramalan yang baik akan mengukur efisiensi kegiatan-kegiatan dalam
menghasilkan produk maupun jasa. Adapun pembahasan yang akan di bahas dalam
makalah ini mengenai pengertian peramalan serta pendekatan peramalan.

1.2 Rumusan Masalah

a. Apa yang dimaksud dengan peramalan?
b. Apa saja yang termasuk pendekatan peramalan?
c. Apa saja yang termasuk bagian dari peramalan kualitatif?
d. Apa saja yang termasuk bagian dari peramalan kuantitatif?

1.3 Tujuan Penulisan

a. Untuk mengetahui apa yang dimaksud dengan peramalan
b. Untuk mengetahui apa saja yang termasuk pendekatan peramalan
c. Untuk mengetahui apa saja yang termasuk bagian dari peramalan kualitatif
d. Untuk mengetahui apa saja yang termasuk bagian dari peramalan kuantitatif

1
 BAB II
PEMBAHASAN

2.1 Peramalan Permintaan

2.1.1. Pengertian Peramalan (Forecasting)
Dalam dunia usaha khususnya yang berhubungan dengan produksi sangat
penting untuk memperkirakan hal-hal yang akan terjadi dimasa depan sebagai dasar
untuk pengambilan keputusan.
Menurut Arman Hakim Nasution dan Yudha Prasetyawan dalam buku nya
yang berjudul perencanaan dan pengendalian produksi. Peramalan adalah proses
untuk memperkirakan beberapa kebutuhan dimasa datang yang meliputi kebutuhan
dalam ukuran kuantitas, kualitas, waktu, dan lokasi yang dibutuhkan dalam rangka
memenuhi permintaan barang maupun jasa.
Render dan Heizer (2007) mendefinisikan peramalan adalah seni dan ilmu
memprediksi peristiwa-peristiwa masa depan. Hal ini serupa dengan pendapat
Subagyo (2000) Forecasting adalah memperkirakan sesuatu yang akan terjadi.
Menurut Taylor (2004) Peramalan yaitu sebuah prediksi mengenai apa yang
akan terjadi di masa depan. Sebuah perusahaan yang menghasilkan barang hasil
produksi memerlukan bahan baku. Dalam memenuhi kebutuhan bahan baku
diperlukan peramalan. Dari pengertian para ahli diatas, maka dapat ditarik suatu
kesimpulan bahwa Peramalan adalah seni dan ilmu memprediksi peristiwa-peristiwa
masa depan dengan melakukan studi terhadap data historis untuk menemukan
hubungan, kecenderungan dan pola yang sistematis.
Pada hakikatnya peramalan merupakan bagian awal dari proses pengambilan
keputusan. Sebelum melakukan peramalan harus diketahui terlebih dahulu persoalan
dalam pengambilan keputusan. Dalam pengertian yang lebih khusus, peramalan
adalah pemikiran terhadap suatu besaran, misalnya permintaan terhadap satu atau
beberapa produk pada periode yang akan datang. Dalam praktiknya, peramalan
merupakan suatu perkiraan (guess) dengan menggunakan teknik-teknik tertentu.

2
 Dalam kegiatan produksi, peramalan dilakukan untuk menentukan jumlah
permintaan terhadap suatu produk yang dilakukan pada awal proses perencanaan dan
pengendalian produksi. Dalam peramalan ditetapkan jenis produk yang diperlukan
(what), jumlahnya (how many), dan waktu dibutuhkannya (when). Peramalan pada
umumnya digunakan untuk memprediksi sesuatu yang kemungkinan besar akan
terjadi, misalnya kondisi permintaan, banyaknya curah hujan, kondisi ekonomi, dan
lain-lain.

2.2 Klasifikasi Peramalan

Dengan melakukan peramalan yang baik akan menjadi informatif dalam
membuat keputusan. Peramalan biasanya diklasifikasikan berdasarkan horizon waktu
masa depan yang dicakupnya. Menurut Taylor dalam hubungannya dengan horizon
waktu peramalan terbagi atas beberapa kategori, yaitu:
a. Peramalan jangka pendek, yaitu peramalan yang dilakukan untuk
penyusunan hasil ramalan yang jangka waktunya satu tahun atau kurang. Peramalan
ini berfungsi untuk menentukan kuantitas dan waktu dari kapasitas produksi.
Peramalan ini digunakan untuk mengambil keputusan dalam hal perlu tidaknya
lembur, penjadwalan kerja, dan lain-lain keputusan kontrol jangka pendek;
b. Peramalan jangka menengah, yaitu peramalan yang dilakukan untuk
penyusunan hasil ramalan yang jangka waktunya satu hingga lima tahun ke depan.
Peramalan ini berfungsi untuk merencanakan kuantitas dan waktu dari kapasitas
produksi. Peramalan ini lebih mengkhususkan dibandingkan dengan peramalan
jangka panjang yang digunakan untuk menentukan aliran kas, perencanaan produksi,
dan penentuan anggaran;
c. Peramalan jangka panjang, yaitu peramalan yang dilakukan untuk
penyusunan hasil ramalan yang jangka waktunya lebih dari lima tahun yang akan
datang. Peramalan ini berfungsi untuk merencanakan kuantitas dan waktu dari
fasilitas produksi. Peramalan jangka panjang digunakan untuk pengambilan
keputusan mengenai perencanaan produk dan pasar, pengeluaran biaya perusahaan,

3
studi kelayakan pabrik, anggaran, purchase order, perencanaan tenaga kerja serta
perencanaan kapasitas kerja.

2..3 Komponen Proses Peramalan

Peramalan permintaan merupakan tingkat permintaan produk yang diharapkan
terealisasi untuk jangka waktu tertentu dan pada masa yang akan datang. Peramalan
yang baik adalah peramalan yang dilakukan dengan mengikuti langkah-langkah atau
prosedur penyusunan yang baik. Untuk menjamin efektivitas dan efisiensi dari sistem
peramalan permintaan, terdapat beberapa langkah-langkah kegiata yang harus
dilakukan, seperti yang dikemukakan oleh Berry Render dan Jay Heizer langkah
tersebut meliputi:
1. Menentukan penggunaan peramalan itu, apakah tujuan yang akan dicapai?
2. Melihat hal-hal yang akan diramalkan.
3. Menentukan horizon waktu dari peramalan.
4. Memilih model peramalan
5. Mengumpulkan data yang dibutuhkan untuk membuat ramalan
6. Menentukan model peramalan yang tepat
7. Membuat ramalan
8. Menerapkan hasilnya.

2.4 Pendekatan Peramalan

Terdapat dua pendekatan peramalan dalam mengatasi semua model keputusan.
Pendekatan tersebut yang umum dipakai dalam melakukan peramalan yaitu
Peramalan Kualitatif dan peramalan kuantitatif. Peramalan kualitatif yaitu suatu
pendekatan/teknik peramalan yang menggunakan factor-faktor penting seperti intuisi,
pengalaman pribadi dan system nilai pengambilan keputusan. Sedang Peramalan
Kuantitatif adalah suatu pendekatan peramalan yang menggunakan berbagai model
matematis serta menggunakan data historis. Hasil peramalan yang dibuat bergantung
pada metode yang digunakan, menggunakan metode yang berbeda akan diperoleh
hasil peramalan yang berbeda.

4
 2.4.1 Metode Peramalan Kualitatif
Peramalan ini didasari oleh pendapat atau opini dikenal sebagai judgemental
forecast. Peramalan ini digunakan jika harus membuat keputusan dengan peramalan
yang cepat, sehingga tidak memiliki cukup waktu dalam mengumpulkan dan
menganalisis data. Peramalan ini didasarkan atas keyakinan dengan berbagai sumber
seperti survei konsumen, pendapat staf, pendapat para manajer, pendapat para
eksekutif, serta orang-orang ahli. Terdapat lima teknik pendekatan yang biasa
digunaan dalam peramalan dengan pendekatan kualitatif yaitu:

a. Juru dari Opini eksekutif, yaitu suatu teknik peramalan yang mengambil opini dari
sebagian manajer tertinggi, seringkali dikombinasikan dengan model-model statistik
yang menghasilkan ramalan penjualan perusahaan.
b. Gabungan armada penjualan, dalam metode ini setiap wiraniaga mengestimasi
jumlah penjualan di wilayahnya, ramalan ini kemudian dikaji ulang untuk
meyakinkan kerealistisannya, kemudian dikombinasi pada tingkat Propinsi dan
Nasional untuk mencari ramalan secara menyeluruh.
c. Metode Delphi, metode ini digunakan untuk melakukan peramalan melalui panel
orang-orang ahli atau manajer-manajer. Variabel moderator menyimpulkan hasilnya
dan memformulasikan menjadi suatu kuesioner baru yang diisi kembali oleh
kelompok tersebut, demikian seterusnya. Hal ini merupakan suatu proses
pembelajaran (learning process) dari kelompok tanpa adanya tekanan atau intimidasi
individu. Metode ini pertama kali dikembangkan oleh Rand Corporation pada tahun
1950-an. Adapun tahap-tahap yang harus dilakukan, yaitu sebagai berikut.
1. Menentukan beberapa pakar sebagai partisipan. Dalam menentukan para
pakar tersebut, sebaiknya bervariasi dari latar belakang disiplin ilmu yang
berbeda.
2. Melalui kuesioner (atau e-mail), diperoleh peramalan dari seluruh partisipan.
3. Menyimpulkan hasilnya, kemudian mendistribusikan kembali pada seluruh
partisipan dengan pertanyaan yang baru.
4. Menyimpulkan kembali hasil revisi peramalan dan kondisinya,

5
 kemudian dikembangkan dengan pertanyaan yang baru.
d. Survey Pasar Konsumen, yaitu, suatu teknik peramalan dilakukan dengan cara
memperbesar masukan dari pelanggan atau calon pelanggan tampa melihat rencana
pembelian masa depannya. Metode ini dapat membantu , tidak hanya dalam
menyiapkan ramalan pembelian masa depan, tetapi juga dalam memperbaiki desain
produk baru.
e. Pendekatan naif, cara sederhana untuk peramalan ini adalah dengan
mengasumsikan bahwa pernmintaan dalam periode berikutnya adalah sama dengan
permintaan pada periode sebelumnya. Dengan kata lain, jika penjualan produk
katakanlah Motor Honda adalah 1.000 unit pada bulan Pebruari 2002. Maka kita
dapat meramalkan penjualan pada bulan Pebruari tahun 2003 juga sebesar 1.000 unit.

2.4.2 Metode Peramalan Kuantitatif

Pada dasarnya metode peramalan kuantitatif dapat dibedakan atas dua bagian, yaitu
sebagai berikut.
a. Metode peramalan yang didasarkan atas penggunaan analisis pola hubungan antara
variabel yang akan diperkirakan dengan variabel waktu, yang merupakan deret waktu
atau time series.
b. Metode peramalan yang didasarkan atas dasar penggunaan analisis pola hubungan
antara variabel yang akan diperkirakan dengan variabel lain yang memengaruhinya,
bukan waktu yang disebut metode korelasi atau sebab akibat (causal method).

a. Metode Time Series (Runtun Waktu)

Metode Time Series didasarkan pada tahapan data yang sudah tertentu
(Misalnya, Bulanan, Triwulan, Kuartalan, Tahunan dan sebagainya. Misalnya dengan
melihat hasil penjualan Triwulan Sepeda Motor Susuki, Laporan persediaan triwulan
dari Pabrik Terigu, Pengiman Gulan Pasir dan sebagainya.
Pada prinsipnya, analisis data time series menurut Hasan (2002) adalah
analisis yang menerangkan dan mengukur berbagai perubahan atau perkembangan
data selama satu periode. Di samping itu, analisis time series dapat dilakukan untuk

6
memperoleh pola data time series dengan menggunakan data masa lalu yang akan
digunakan dalam meramalkan nilai pada masa yang akan datang. Metode ini
mengasumsikan beberapa pola atau kombinasi pola selalu berulang sepanjang waktu,
dan pola dasarnya dapat diidentifikasi semata-mata atas dasar data historis dari serial
itu.
Metode proyeksi Time Series, pada dasarnya terdiri dari tiga metode yaitu
Metode proyeksi trend, Metode rata-rata bergerak, dan Metode Penghalusan
eksponensial (exponential Smoting). Untuk ketiga model ini akan diuraikan:

1. Metode Proyeksi Trend

Tren (Trend) merupakan pergerakan data sedikit dem sedikit meningkat atau
menurun. Perubahan pendapatan, populasi, penyebaran umur, atau pandangan budaya
dapat mempengaruhi pergerakan tren. Metode proyeksi Trend terdiri dari dua cara
dalam melakukan peramalan yaitu titik tengah sebagai tahun dasar dan tahun pertama
sebagai tahun dasar. Cara peramalan kedua model ini akan diuraikan dalam
pembahasan. Untuk itu perhatikan data perusahaan pada Tabel di bawah ini:

Tabel 2.1. Data penjualan PT. X selama 5 tahun terakhir

Tahun
Kwartal 2012 2013 2014 2015 2016
I 190 280 270 300 320
II 370 420 360 430 440
III 300 310 280 290 320
IV 220 180 190 200 220
Jumlah 1080 1.190 1.100 1.220 1.300

Berdasarkan data pada tabel di atas, dapat digambarkan dalam bentuk grafik seperti
terlihat pada gambar di bawah ini:

7
Gambar 2.1 menunjukkan adanya garis trend, dimana garis tersebut memiliki
komponen tetap dan komponen variabel. Dan bila garis tersebut dinyatakan dalam
bentuk persamaan garis, maka rumusnya adalah:
𝒀 = 𝒂 + 𝒃𝑿
Dimana:
Y =Besarnya penjualan yang dinyatakan dalam sumbu verikal pada grafik.
X =Tahun perencanaan penjualan yang dinyartakan dalam sumbu horisontal.
a = Komponen yang tetap dari penjualan setiap tahun
b = Tingkat perkembangan penjualan tiap tahun.

Apabila kita dapat memperoleh angka-angka yang menunjukkan besarnya nilai a dan
b tersebut, maka kita dapat mengetahui berapa ramalan perkembangan penjualan
untuk tahun-tahun selanjutnya.

a. Metode Tahun pertama sebagai tahun dasar

Apabila kita menggunakan data penjualan selama 5 tahun terakhir seperti
pada Tabel 2.1. Maka tahun dasar yang digunakan adalah tahun 2012. Dengan tahun

8
dasar 2012 kita akan berusaha meramalkan penjualan pada tahun depan yaitu pada
tahun 2017 dan seterusnya.
Dalam analisis ini tahun dasar kita beri kode tahun ke 0. Oleh karena tahun
2012 dipakai sebagia tahun dasar, maka kita akan memperkirakan besarnya volume
penjualan (𝑌) tahun 2017 sebagai tahun ke lima atau X = 5 Dengan persamaan garis
𝑌 = 𝑎 + 𝑏𝑋, maka kita akan mengetahui besarnya Y pada tahun ke X , apabila kita
mengetahui nilai a dan b. Dalam model ini nilai a dan b dapat dihitung dengan rumus
:
(∑ 𝑌)(∑ 𝑥 2 ) − (∑ 𝑋 )(∑ 𝑋𝑌) 𝑛(∑ 𝑋𝑌) − (∑ 𝑋)(∑ 𝑌)
𝑎= 𝑏 =
𝑛(∑ 𝑥 2 ) − (∑ 𝑋)2 𝑛(∑ 𝑋 2 ) − (∑ 𝑋)2
Dimana:
n = Jumlah tahun dari data hitoris yang ada
X = Angka tahun (kode)
Y = Jumlah penjualan

Untuk menggunakan rumus tersebut, maka kita perlu menyusun tabel perhitungan
yang dapat membantu menerapkan rumus tersebut seperti pada Tabel di bawah ini:
Tabel 2.2 Tabel Pembantu Perhitungan Nilai a dan b
Tahun Kode Tahun 𝒀 𝑿𝟐 𝑿𝒀
2012 0 1.080 0 0
2013 1 1.190 1 1.190
2014 2 1.100 4 2.200
2015 3 1.220 9 3.660
2016 4 1.300 16 5.200
Jumlah 10 5.890 30 12.250

Setelah tabel pembantu dibuat, maka perhitungan nilai a dan b dihitung:

(5.890). (30) − (10). (12.250) 54200
𝑎= 𝑎= = 1084
(5). (30) − (10)2 50

9
 (5)(12.250) − (5.890)(10) 2.350
𝑏= 𝑏= = 47
(5)(30) − (10)2 50
Dengan diketahuinya nilai a dan b, maka dapat dihitung ramalan penjualan pada
tahun 2017 atau tahun ke 5 tahun ke 6 dan seterusnya:
𝑌2017 = 𝑎 + 𝑏𝑋 𝑌2018 = 𝑎 + 𝑏𝑋
𝑌2017 = 1.084 + 47(5) 𝑌2018 = 1.084 + 47(6)
𝑌2017 = 1.319 𝑡𝑜𝑛 𝑌2018 = 1.366 𝑡𝑜𝑛

b. Titik Tengah sebagai tahun dasar

Dalam model ini yang digunakan sebagai tahun dasar adalah titik tengah
dalam hal ini tahun 2014. Untuk itu tahun 2014 diberi kode 0, sedang tahun
sebelumnya dengan kode negatif dan tahun sesudahnya dengan angka positip.
Sekarang kita akan meramalkan besarnya volume penjualan untuk tahun ke 3 yaitu
tahun 2017 dan seterusnya dengan tahun dasar tahun 2014. Untuk mengetahui nilai a
dan b dalam persamaan garis𝑌 = 𝑎 + 𝑏𝑋 dalam model ini digunakan rumus:
∑𝑌 ∑ 𝑋𝑌
𝑎= 𝑏=
𝑛 ∑ 𝑋2
Penerapan rumus tersebut kedalam contoh pada data penjualan 5 tahun terakhir
seperti terilhat pada Tabel 2.1, perlu disusun tabel pembantu seperti terlihat pada
Tabel di bawah ini:
Tahun Kode Tahun 𝒀 𝑿𝟐 𝑿𝒀
2012 -2 1.080 4 2.160
2013 -1 1.190 1 -1.190
2014 0 1.100 0 0
2015 1 1.220 1 1.220
2016 2 1.300 4 2.600
Jumlah 0 5.890 10 470

Setelah tabel pembantu dibuat, dapat dilakukan perhitungan nilai a dan b:

10
 5890 470
𝑎= 𝑏= = 47
5 10
Dengan diketahuinya nilai a dan b, maka ramalan penjualan untuk tahun 2017, tahun
2018 dan tahun lanjutnya dapat dihitung:
𝑌2017 = 𝑎 + 𝑏𝑋 𝑌2018 = 𝑎 + 𝑏𝑋
𝑌2017 = 1.084 + 47(5) 𝑌2018 = 1.084 + 47(6)
𝑌2017 = 1.319 𝑡𝑜𝑛 𝑌2018 = 1.366 𝑡𝑜𝑛

2. Metode Rata-rata Bergerak (Moving Avarage)

Metode rata-rata bergerak melakukan perhitungan rata-rata secara bergerak ke
depan untuk memperkirakan penjualan pada periode yang akan datang. Setelah
penjualan tersebut diperhitungkan, maka kita perlu memperhatikan indeks
musimannya. Angka indeks musiman ini diperoleh dengan membagi penjualan rill
dengan perkiraan penjualan hasil perhitungan rata-rata. Agar lebih tepat angka indeks
tersebut dalam penerapannya perlu diperhitungkan lagi dengan mencari rata-rata dari
angka indeks atas masing-masing triwulan. Dengan menerapkan angka indeks
musiman beserta perhitungan rata-rata bergerak, maka diperoleh angka perkiraan atas
penjualan yang akan datang.
Untuk memahami penerapan metode rata-rata bergerak, maka kita pakai
contoh dari penjualan yang telah ada, dan kita memperhitungkan dengan moving
overage 4 periode triwulan. Perhitungan rata-rata bergerak dapat dilihat pada Tabel di
bawah ini:
Tabel 2.4 Perhitungan rata-rata bergerak dari indeks musiman
Moving Titik Tengah Angka
Tahun Triwulan Volume Avarage 4 Moving Indeks
Penjualan Periode Avarage Musiman
(1) (2) (3) (4) (5) (6)
T1 190
T2 370
2012 T3 300 270 281 1,07

11
 T4 220 292 298 0,74
T1 280 305 306 0,91
T2 420 307 302 1,39
2013 T3 310 297 296 1,04
T4 180 295 287 0,63
T1 270 280 276 0,98
T2 360 273 274 1,32
2014 T3 280 275 279 1,00
T4 190 283 286 0,66
T1 300 300 301 1,00
T2 430 303 304 1,42
2015 T3 290 305 307 0,94
T4 200 310 311 0,64
T1 320 312 316 1,01
T2 440 320 322 1,37
2016 T3 320 325
T4 220

Catatan cara perhitungan

a. Kolom (4) dipeoleh dengan empat periode rata-rata bergerak yaitu beris
pertama 270 diperoleh dari: Baris berikutnya terlihat pada angka 292
diperoleh dari rata-rata:

190 + 370 + 300 + 220 370 + 300 + 220 + 280

𝐾1 = = 270 𝐾2 = = 292
4 4
Baris-beris berikutnya diperoleh dengan pehitungan yang sama. Kolom 5 diperoleh
dengan cara mencari rata-rata dari kolom 4 , untuk mencari titik tengah dari dua
angka perkiraan pada kolom 4. Misalnya baris 1 dan 2 kolom 5 terdapat angka 281
dan 298 yang diperoleh dari:

12
 270 + 292 292 + 305
𝐾1 = = 281 𝐾2 = = 298
2 2
(Dibulatkan ke bawah) baris selanjutnya dicari dengan cara yang sama.
b. Angka indeks musiman padakolom 6 diperoleh dari pembagian angka rill
pada kolom 3 dibagi dengan angka peramalan pada kolom 5 Hasil tersebut
menghasilkan angka dalam kolom 6. Misalnya baris pertama pada kolom 6
terlihat angka 1,07 dan baris kedua pada kolom 6 terlihat angka 0,74. Angka
tersebut diperoleh dari:
300 220
𝐾1 = = 1,07 𝐾2 = = 0,74
281 298
Baris berikutnya dihitung dengan cara yang sama pula.
c. Setelah diperoleh angka-angka indeks musiman, pada kolom 6, langkah
selanjutnya adalah mengadakan perhitungan rata-rata indeks musiman
masing-masing triwulan, kemudian rata-rata indeks triwulan yang diperoleh,
dilakukan penyesuaian sebelum angka indeks tersebut dipergunakan untuk
menghitung ramalan penjualan tahunan atau triwulan yang akan datang.
Proses perhitungan indeks musiman beserta penyesuaian terhadap angka
indeks dapat dilihat pada Tabel 2.5

Tabel 2.5 Perhitungan Indeks Musiman dan Penyesuaian

Tahun Triwulan I Triwulan Triwulan Triwulan
II III IV
2012 - - 1,07 0,74
2013 0,91 1,39 1,04 0,83
2014 0,98 1,32 1,00 0,66
2015 1,00 1,42 0,94 0,64
2016 1,01 1,37 - -
Jumlah 3,90 5,50 4,05 2,67
- Rata-rata 0,975 1,375 1,0125 0,6675
indeks
musiman

13
 - Indeks 0,97 1,37 1,012 0,66
musiman
yang
disesuaikan

Rata-rata indeks musiman diperoleh dengan membagi totol indeks musiman pada
masing-masing triwulan dibagi banyaknya data angka musiman masing-masing triwulan.
Misalnya rata-rata indeks musiman untuk triwulan I adalah:
3,90
𝑇𝑟𝑖𝑤𝑢𝑙𝑎𝑛 𝐼 = = 0,975
4
Rata-rata indeks musiman pada Triwulan selanjutnya dihitung dengan cara
yang sama pula.
Proses penyesuaian angka indeks musiman tersebut, perlu dilakukan karena
jumlah total indeks musiman rata-rata tidak sama dengan 1,00. Sedang seharusnya
jumlah angka indeks rata-rata berjumlah 1,00. Pada perhitungan Indeks musiman
tersebut menunjukkan angka 0,975 yaitu diperoleh dari:
Seharusnya angka tersebut menunjukkan 1,00 atau 100%. Oleh karena itu
perlu dilakukan penyesuaian sebelum angka indeks tersebut dipergunakan dalam
proses peramalan. Dari angka rata-rata indeks musiman sebesar 1,0075 berarti harus
dilakukan penyesuaian terhadap masing-masing indeks musiman itu dengan
0,975 + 1,375 + 1,0125 + 0,6675
𝐼𝑛𝑑𝑒𝑘𝑠 𝑀𝑢𝑠𝑖𝑚𝑎𝑛 = = 1,0075
4
mengurangai sebesar 0,75% atau 0,0075.
Angka Indeks musiman yang telah disesuaikan pada Tabel 10, dimana pada
triwulan I, penyesuaian dilakukan dengan mengurangi indeks sebesar 0,975 dengan
75%. Sehingga diper-oleh angka Indeks sebesar 0,97. Penyesuaian selanjutnya
dilakukan dengan cara yang sama.
d. Langkah terakhir dalam proses peramalan dengan metode moving overage
adalah memperhitungkan ramalan penjualan untuk tahun dengan yaitu tahun
2017. Dalam kasus ini ramalan penjualan tahun 2017 dihitung:
Triwulan I ∶ 0,97 𝑥 316 = 306,52
Triwulan II ∶ 1,37 𝑥 322 = 411,14

14
 Triwulan III ∶ 1,01 𝑥 307 = 310,07
Triwulan IV ∶ 0,66 𝑥 311 = 205,26
𝑇𝑜𝑡𝑎𝑙 1.232,99
Jadi ramalan penjualan tahun 2017 adalah 1.232,99 ton. Angka 316, 322, 307
dan 311 diperoleh berdasarkan nilai triwulan terakhir pada baris terakhir pada
kolom 5 Tabel 2.5.

3. Metode Penghalusan Eksponensial (Eksponential Smothing)

Metode peramalan ekponensial memberikan bobot kepada permintaan periode
sebelumnya berkurang secara eksponenesial apabila data tersebut semakin tua
usianya. Oleh karena itu data permintaan yang baru menerima bobot dari pada
permintaan yang lebih tua.
Metode peramalan eksponensial menarik untuk aplikasi produksi dan opersi
yang menyangkut peramalan sejumlah besar item. Dan metode peramalan
eksponensial sangat sesuai untuk kondisi berikut: Cakupan waktu peramalan relatif
pendek, misalnya permintaan harian, mingguan, atau bulanan perlu diramalkan,

Rumus Dasar yang digunakan dalam ramalan eksponensial adalah :

Ramalan Baru = Ramalan Masa lalu + ∝ (Permintaan actual permintaan
actual periode lalu – Ramalan periode lalu)

Persamaan tersebut secara matematis ditulis:

F1 = Ft−1 +∝ (At−1 − Ft−1 )
Dimana:
F1 = Ramalan baru
Ft−1 = Ramalan sebelumnya
∝ = Konstanta
At−1 = Permintaan actual periode sebelumnya.

15
 Konsep ini tidak rumit, estimasi permintaan terakhir adalah sama dengan
estimasi permintaan sebelumnya yang disesuaikan dengan sedikt dari perbedaan
antara permintaan actual dari periode lalu dan estimasi sebelumnya.
Kontanta Penghalusan ∝ nilainya umumnya antara 0,05 sampai 0,50 untuk
aplikasi. Konstanta penghalusan dapat diubah untuk memberikan timbangan yang k
lebih besar pada data baru (bila ∝ tinggi) atau pada data masa lalu (bila ∝ rendah).
Yang pasti periode masa lalu menurun dengan cepat apabila ∝ meningkat. Bila ∝
mencapai nilai ekstrim 1,0, maka dalam persamaan di atas (𝐹𝑡 = 1,0 At−1 ). Semua
nilai yang lebih lama dihilangkan, dan ramalan menjadi identik dengan model naïf
yang telah dibahas. Yaitu ramalan untuk period berikutnya sama saja dengan periode
ini.
Contoh: Pada bulan Januari, agen penjualan yang berspesialisasi pada suatu produk
memprediksi permintaan untuk Bulan januari tahun 2002 yaitu sebesar 142 unit.
Permintaan bulan Januari actual adalah 153 unit. Dengan menggunakan konstanta
penghalusan ∝ 0,20, maka kita dapat meramalkan permintaan bulan maret dengan
menggunakan model penghalusan eksponensial. Dengan memasukkan ke dalam
rumus: ∝
Ramalan Baru = 142 + 0,20 (153 – 142) = 144,2 Unit.
Jadi, Ramalan perimtaan untuk Bulan Januari 2002 adalah sebesar 144,2 unit.

b. Metode Causal (Assosiative)

Metode Kausal mengasumsikan faktor yang diperkirakan menunjukkan
adanya hubungan sebab akibat dengan satu atau beberapa variabel bebas
(independen). Dengan demikian metode peramalan kausal mempertimbangkan
beberapa variable yang dikaitkan pada variable yang sedang diprediksi. Contoh
Jumlah pendapatan berhubungan dengan faktor jumlah penjualan, harga jual, dan
tingkat promosi.
Banyak factor dapat dipertimbangkan dlam analisis kausal. Misalnya
Penjualan Sepada Motor mungkin dikaitkan dengan anggaran biaya iklan, harga,
harga pesaing dan strategi promosi atau bahkan tingkat pendapatan dan

16
pengangguran. Dalam hal ini, Penjualan disebut dengan variable tidak bebas
(dependen variable), dan variable lain disebut variable bebas (Independent Variable).
Tugas manajer adalah menggambarkan hubungan statistik terbaik antara penjualan
dengan variable-variabel bebas. Model peramalan kausal yang paling umum
digunakan adalah Analisis Regresi Linear.

Menggunaan Analisis Regresi Linear untuk Meramal

Model matematikan yang sma yang kita gunakan untuk memproyeksi dalam
analisis trend dapat digunakan untuk melakukan analisis regresi linear. Variabel-
variabel tidak bebas yang akan diramal tetap Y. Namun sekarang variable bebas X
bukan lagi waktu.
𝑌 = 𝑎 + 𝑏𝑋
Dimana:
Y = Nilai variable tidak bebas, yaitu varaiebl penjualan
a = Perpotongan sumbu Y
b = Kelandaian garis regresi
X = Variabel Bebas

Contoh Kasus
Sebuah perusahaan otomotif di kota Makassar, baru-baru ini telah
menemukan bahwa vaolume penjualan mobil di Sulawesi Selatan dipengaruhi oleh
tingkat pendapatan penduduk. Tabel 3-9, mencantumkan volume penjualan mobil
dengan tigkat gaji pegawai negeri:

No Volume Penjumlahan Gaji pegawai negeri rata-rata

1 2000 1 juta
2 3000 3 juta
3 2500 4 juta
4 2000 2 juta

17
 5 2000 1 juta
6 3500 7 juta

Manajemen perusahaan ingin mengembangkan hubungan matematis yang

akan membantu meramal penjualan. Oleh karena itu pertama mereka harus
menentukan apakah ada hubungan gari slurus antara volume penjualan dengan
tingkat pendapatan masyarakat.
Untuk itu kita dapat menemukan persamaan matematis dengan menggunakan
pendekatan regresi kuadrat erkecil seperti pada Tabel di bawah ini.Pendekatan regresi
Penjualan Mobil dengan Pendapatan Masyarakat.
Penjumlahan (Y) Pendapatan 𝑋2 XY
Masyarakat
(X)
2 1 1 2
3 3 9 9
2,5 4 16 10
2 2 4 4
2 1 1 2
3,5 7 49 24,5
ƩY = 15 ƩX = 18 Ʃ𝑋 2 = 80 ƩXY = 51,5

𝑆𝑥 18
𝑋= = =3
6 6
𝑆𝑦 15
𝑌= = = 2,5
6 6
∑ 𝑥𝑦 − ̅̅̅̅𝑦
𝑛 𝑥 ̅ 51,5 − (6)(3)(2,5)
𝑏= = 0,25
∑ 𝑥 2 − 𝑛𝑥̅ 2 80 − (6)(3)2
𝑎 = 𝑦̅ − 𝑏𝑥̅ = 2,5 − (0,25)(3) = 1,75

Jadi estimasi persamaan regresi adalah:

18
Y = 1,75 + 0,25x
Jadi dengan menegeri perusahaan memprediksi bahwa tahun depan Pendapatan
masyarakat misalnya 6 juta, maka penjualan untuk mobil dapat diestimasi dengan
menggunakan persamaan regresi di atas. Penjualan (dalam ribuan unit) = 1,75 + 0,25
(6) = 1,75 + 1,50 = 3,25 atau 3.250 unit.

Standar Error Estimation

Ramalan penjulan Mobil sebesar 3.250 unit dalam disebut estimasi titik Y.
Estimasi titik yang sesungguhnya adalah rata-rata hitung (Mean), atau nilai yang
diharapkan, dari distribusi nilai penjualan yang mungkin. Oleh karena itu untuk
mengukur keakuratan estimasi regresi, maka kita perlu menghitung kesalahan standar
estimasi (Standard Error of Estiomation), Syx. Kesalahanstandar ini disebut deviasi
standar regresi (Standard derivation of the regression). Rumus berikut digunakan
untuk menghitung deviasi standar dari rata-rata hitung aritmetik:

∑(𝑦 − 𝑦𝑐 )2
𝑆𝑦, 𝑥 = √
𝑛−2

Dimana
Y = nilai Y untuk setiap titik data
𝑦𝑐 = nilai yang di hitung dari variabel titik bebas, dari persamaan regresi
n = jumlah titik data
Selanjutnya persamaan berikut kelibatan lebih kompleks, tetapi sebenarnya
merukan versi persamaan diatas yang lebih sederhana. Selain memberikan jawaban
yang sama, rumus berikut dapat dugunakan untuk membuat interval prediksi di
sekitar estimasi titik.

∑ 𝑌 2 − 𝑎 ∑ 𝑦 − 𝑏 ∑ 𝑥𝑦
𝑆𝑦, 𝑥 = √
𝑛−2

19
Contoh: Sekarang kitaa kan hitung standar error estimasi untuk data penjualan
mobil. Satu-satunya angka yang tidak ada untuk memecahkan 𝑆𝑥𝑦 adalah ∑ 𝑌 2 .
Kemudian diketahui ∑ 𝑌 2 = 39,5 Maka:

∑ 𝑌 2 − 𝑎 ∑ 𝑦 − 𝑏 ∑ 𝑥𝑦
𝑆𝑦, 𝑥 = √
𝑛−2

39,5 − 1,75(15,0) − 0,25(51,5)

𝑆𝑦, 𝑥 = √
6−2

= √0,09375 = 0,306

Kesalahan standar estimasi adalah 30,6 unit.

Contoh Lanjutan: Dalam contoh di atas, terlihat adanya hubungan antara penjualan
Mobil dengan tingkat pendapatan masyarakat. Untuk menghitung koefisien korelasi
bagi data yang ada, hanya perlu menambahkan satu kolom perhtitungan yaitu 𝑌 2 dan
digunakan untuk menghitung r.

Penjualan (Y) (X) 𝑿𝟐 XY 𝒀𝟐

2 1 1 2 4
3 3 9 9 9
2,5 4 16 10 6,25
2 2 4 4 4
2 1 1 2 4
3,5 7 49 24,5 12,25
ƩY = 15 ƩX = 18 Ʃ𝑋 2 = 80 ƩXY = 51,5 Ʃ𝑌 2 = 39,5

𝑛 ∑ 𝑥𝑦 − ∑ 𝑥 ∑ 𝑦
𝑟=√
√[𝑛 ∑ 𝑋 2 − (∑ 𝑋)2 ] − [𝑛 ∑ 𝑦 2 − (∑ 𝑦)2 ]

20
 (6)(51,5) − (18)(15)
𝑟=√
[(6)(80) − (18)2 ] [(6)(39,5) − (15)2 ]

309 − 270 39 39
= = = = 0,901
√(156)(12) √1872 43,26

Nilai r sebesar 0,901 muncul menjadi korelasi yang signifikan dan membantu untuk
menjelaskan kedekatan hubungan antara kedua varaibel.

21
 BAB III
PENUTUP

3.1 Kesimpulan
a. Peramalan adalah seni dan ilmu memprediksi peristiwa-peristiwa masa
depan dengan melakukan studi terhadap data historis untuk menemukan
hubungan, kecenderungan dan pola yang sistematis.
b. Pendekatan Peramalan dibagi menjadi dua yaitu metode Peramalan
Kualitatif dan Kuantitatif.
c. Peramalan kualitatif yaitu suatu pendekatan/teknik peramalan yang
menggunakan factor-faktor penting seperti intuisi, pengalaman pribadi dan
system nilai pengambilan keputusan. Peramalan Kualitatif dibagi menjadi
lima yaitu Juru Opini Ekseutif, Gabungan Armada Penjualan, Metode
Delphi, Survey Pasar Konsumen, dan pendekatan naif.
d. Peramalan Kuantitatif adalah suatu pendekatan peramalan yang
menggunakan berbagai model matematis serta menggunakan data historis.
Peramalan Kuantitatif dibagi menjadi dua yaitu metode Time Series dan
Metode Kausal.

3.2 Saran

Penulis sangat mengharapkan segala kritik dan saran yang membangun guna
kebaikan makalah untuk kedepanya. Untuk menambah referensi bacaan, penulis
menyarankan buku-buku tentang Peramalan yang bersesuaian dengan pembahasan
materi penulis.

22
 DAFTAR PUSTAKA

Akhmad. 2018. Manajemen Operasi Teori dan Aplikasi dalam Dunia Bisnis. Bogor:
Azkiya Publishing.

Rusdiana, A. 2014. Manajemen Operasi. Bandung: Pustaka Setia.

Wijaya, Andy., dkk. 2020. Manajemen Operasi Produksi. Medan: Yayasan Kita
menulis.

23