Peramalan Permintaan
Peramalan Permintaan
Peramalan Permintaan
(Diajukan Sebagai Tugas Mata Kuliah Pengendalian Persediaan Semester VII Kelas
OR 2)
Disusun Oleh;
KELOMPOK 1 :
OR – 2/ VII
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.
Pemakalah
i
DAFTAR ISI
ii
BAB I
PENDAHULUAN
1
BAB II
PEMBAHASAN
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.
3
studi kelayakan pabrik, anggaran, purchase order, perencanaan tenaga kerja serta
perencanaan kapasitas kerja.
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.
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:
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.
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
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
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
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
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
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.
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.
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.
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:
17
5 2000 1 juta
6 3500 7 juta
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
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.
∑(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
= √0,09375 = 0,306
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.
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.
Wijaya, Andy., dkk. 2020. Manajemen Operasi Produksi. Medan: Yayasan Kita
menulis.
23