PERAMALAN

(FORECASTING)
 KOMPETENSI POKOK BAHASAN
Setelah mengikuti pokok bahasan ini, mahasiswa
diharapkan mampu:
• Melakukan perencanaan produksi, dalam upaya
memenuhi kebutuhan konsumen.
• Memprediksi kebutuhan yang diperlukan dalam
proses produksi.
• Mengerti tahapan dalam peramalan.
• Menentukan metode peramalan yang tepat.
INTRODUCTION
• Pokok bahasan ini merupakan pokok bahasan
yang mengkaji perencanaan produksi melalui
penerapan metode peramalan.
• Teknik peramalan ini ditujukan untuk
menghasilkan perencanaan produksi yang
akurat dalam merespon permintaan pasar.
• Langkah pertama dalam perencanaan operasi
sistem produksi adalah menentukan
peramalan yang akurat terhadap permintaan
barang (produk) yang akan diproduksi.
 LINK VIDEO

Silahkan disimak video berikut:

https://www.youtube.com/watch?v=6MGwf9YDKgw
 DEFINISI
Peramalan adalah seni dan ilmu untuk memprediksi kejadian di masa
depan, dengan melibatkan pengambilan data masa lalu dan
menempatkannya ke masa yang akan datang dengan suatu bentuk model
matematis.
Peramalan diklasifikasikan berdasarkan Horizon Waktu Masa Depan,
sbb:
1. Peramalan Jangka Pendek, mencakup waktu hingga 1 tahun namun
pada umumnya kurang dari 3 bulan. Contoh: merencanakan
pembelian, jumlah tenaga kerja, penugasan kerja dan tingkat
produksi.
2. Peramalan Jangka Menengah, mencakup bulanan hingga 3 tahun.
Contoh: merencanakan penjualan, anggaran produksi dan kas,
menganalisa rencana operasi.
3. Peramalan Jangka Panjang, mencakup perencanaan 3 tahun atau
lebih. Contoh: produk baru, pengembangan fasilitas, lokasi, litbang.
 PERBEDAAN P.J. PANJANG DAN
MENENGAH DAN P.J. PENDEK
1. Peramalan jangka menengah dan jangka panjang berkaitan
dengan permasalahan yang lebih menyeluruh dan
mendukung keputusan manajemen yang berkaitan dengan
perencanaan produk, pabrik dan proses.
2. Peramalan jangka pendek biasanya menerapkan metodologi
yang berbeda dibandingkan peramalan jangka panjang.
 Contoh peramalan jangka pendek: rata-rata bergerak, penghalusan
eksponensial dan ekstrapolasi tren.
3. Peramalan jangka pendek cenderung lebih tepat
dibandingkan peramalan jangka panjang.
 SIKLUS HIDUP PRODUK DALAM
PENJUALAN JANGKA PANJANG
Tahapan Siklus Hidup Produk
1. Perkenalan,
2. Pertumbuhan,
3. Kematangan, dan
4. Penurunan.

Siklus hidup berguna untuk memproyeksikan tingkat penempatan

pekerja yang berbeda-beda, penentuan tingkat persediaan dan
kapasitas pabrik sepanjang produk melewati tahapan awal hingga
akhir.
 JENIS PERAMALAN
1. Peramalan Ekonomi, menjalankan siklus bisnis dengan
memprediksikan tingkat inflasi, ketersediaan uang, dana
yang dibutuhkan untuk membangun perumahan dan
indikator perencanaan lainnya.
2. Peramalan Teknologi, memperhatikan tingkat kemajuan
tekhnologi yang dapat meluncurkan produk baru yang
menarik, yang membutuhkan pabrik dan peralatan baru.
3. Peramalan Permintaan, proyeksi permintaan untuk produk
atau layanan suatu perusahaan. Peramalan ini disebut
peramalan penjualan yaitu mengendalikan produksi,
kapasitas, serta sistem penjadwalan dan menjadi input bagi
perencanaan keuangan, pemasaran dan sumber daya
manusia.
 KEPENTINGAN PERAMALAN
Peramalan merupakan satu-satunya prediksi atas permintaan
hingga permintaan yang sebenarnya diketahui.
Dampak Peramalan Produk dapat dilihat pada aktivitas berikut:
1. Sumber Daya Manusia,
2. Kapasitas, dan
3. Manajemen Rantai Pasokan (supply chain management).
 7 LANGKAH SISTEM PERAMALAN

1. Menetapkan tujuan peramalan,

2. Memilih unsur apa yang akan diramal,
3. Menentukan horizon waktu peramalan,
4. Memilih tipe model peramalan,
5. Mengumpulkan data yang diperlukan untuk melakukan
peramalan,
6. Membuat peramalan,
7. Memvalidasi dan menerapkan hasil peramalan.
PENDEKATAN DALAM PERAMALAN

1. Peramalan Kuantitatif, yaitu peramalan yang menggunakan

satu atau lebih model matematis dengan data masa lalu dan
variabel sebab akibat untuk meramalkan permintaan.
2. Permalan Subjective atau Kualitatif, yaitu peramalan yang
menggabungkan faktor-faktor seperti intuisi pengambil
keputusan, emosi, pengalaman pribadi dan sistem nilai.
 TUJUAN METODE KUALITATIF
1. Keputusan dari pendapat juri eksekutif (jury of executive
opinion). Tekhnik peramalan yang meminta pendapat
segolongan kecil manajer tingkat tinggi dan menghasilkan
estimasi permintaan kelompok.
2. Metode Delphi (delphi method). Tekhnik peramalan yang
menggunakan dimana para pakar melakukan peramalan.
3. Gabungan dari Tenaga Penjualan (sales force composite).
Tekhnik peramalan berdasarkan prediksi tenaga penjualan
akan penjualan yang diharapkan.
4. Survei pasar konsumen (consumer market survey). Metode
peramalan yang meminta input dari konsumen mengenai
rencana pembelian mereka di masa depan.
 METODE KUANTITATIF

1. Pendekatan Naif
2. Rata-rata Bergerak Model
3. Penghalusan Eksponensial Time Series
4. Proyeksi Tren
5. Regresi Linear Model
Asosiatif
 METODE KUANTITATIF

1. Model Time-Series, yaitu tekhnik peramalan yang

menggunakan sekumpulan data masa lalu untuk melakukan
peramalan.
2. Model Asosiatif (Hubungan Sebab Akibat), yaitu
menggabungkan variabel atau faktor yang mungkin
mempengaruhi kuantitas yang sedang diramalkan.
 DEKOMPOSISI TIME SERIES
1. Tren, merupakan pergerakan data sedikit demi sedikit
meningkat atau menurun. Contoh hal-hal yang dapat
mempengaruhi: perubahan pendapatan, populasi, penyebaran
umur, atau pandangan budaya.
2. Musim, merupakan pola data yang berulang pada kurun
waktu tertentu. Contoh: restoran akan lebih sibuk pada hari
libur.
3. Siklus, merupakan pola dalam data yang terjadi setiap
beberapa tahun.
4. Variasi Acak, merupakan satu titik khusus dalam data, yang
disebabkan oleh peluang dan situasi yang tidak biasa.
 DEKOMPOSISI TIME SERIES

1. Pola horisontal (H) terjadi bilamana data berfluktuasi

disekitar nilai rata-rata yg konstan. Suatu produk yg
penjualannya tdk meningkat atau menurun selama waktu
tertentu termasuk jenis ini. Pola khas dari data horizontal atau
stasioner seperti ini dapat dilihat dalam Gambar 1.1.
2. Pola musiman (S) terjadi bilamana suatu deret dipengaruhi
oleh faktor musiman (misalnya kuartal tahun tertentu, bulanan,
atau hari-hari pada minggu tertentu). Penjualan dari produk
seperti minuman ringan, es krim, dan bahan bakar pemanas
ruang semuanya menunjukkan jenis pola ini. Untuk pola
musiman kuartalan dapat dilihat Gambar 1.2.
 DEKOMPOSISI TIME SERIES

3. Pola siklis (C) terjadi bilamana datanya dipengaruhi oleh

fluktuasi ekonomi jangka panjang seperti yang
berhubungan dengan siklus bisnis. Contoh: Penjualan
produk seperti mobil, baja, dan peralatan utama lainnya.
Jenis pola ini dapat dilihat pada Gambar 1.3.
4. Pola trend (T) terjadi bilamana terdapat kenaikan atau
penurunan sekuler jangka panjang dalam data. Contoh:
Penjualan banyak perusahaan, GNP dan berbagai indikator
bisnis atau ekonomi lainnya. Jenis pola ini dapat dilihat
pada Gambar 1.4.
 KARAKTERISTIK TREND

Komponen Amplitudo Penyebab

Seasonal 12 bulan Liburan, musim,

perioda finansial
Cyclical 3-5 tahun Ekonomi nasional,
perubahan politik
Bisnis 1-5 tahun Pemasaran, kompetisi,
performance
Product life 1-5 tahun, Substitusi produk
cycle makin pendek
 PENDEKATAN NAIF

Merupakan tekhnik peramalan yang mengasumsikan permintaan

di periode mendatang sama dengan permintaan terkini.
Model ini adalah model peramalan objective yang paling efektif
dan efisien dari segi biaya.

Contoh: Hasil penjualan produk X dalam bulan ini mencapai 100

unit, maka peramalan untuk bulan berikutnya juga sebanyak 100
unit.
 RATA-RATA BERGERAK
Merupakan metode peramalan yang menggunakan rata-rata dari
sejumlah (n) data terkini untuk meramalkan periode mendatang.
Rata-rata bergerak berguna jika kita dapat mengasumsikan bahwa
permintaan pasar akan stabil sepanjang masa yang kita ramalkan
 CONTOH
Bulan Penjualan Aktual Rata-rata Bergerak 3 bulanan
Januari 10
Februari 12
Maret 13
April 16 (10+12+13)/3 = 11,67
Mei 19 (12+13+16)/3 = 13,67
Juni 23 (13+16+19)/3 = 16
Juli 26 (16+19+23)/3 = 19,33
Agustus 30 (19+23+26)/3 = 22,67
September 28 (23+26+30)/3 = 26,33
Oktober 18 (26+30+28)/3 = 28
November 16 (30+28+18)/3 = 25,33
Desember 14 (28+18+16)/3 = 20,67
 PEMBOBOTAN

Pemilihan bobot merupakan hal yang tidak pasti karena tidak ada
rumus untuk menetapkannya.
 CONTOH
Periode Bobot yang diberikan
Bulan lalu 3
Dua bulan lalu 2
Tiga bulan lalu 1
Jumlah total bobot 6

3∗𝑝𝑒𝑛𝑗𝑢𝑎𝑙𝑎𝑛𝑏𝑢𝑙𝑎𝑛𝑙𝑎𝑙𝑢+2∗𝑑𝑢𝑎𝑏𝑢𝑙𝑎𝑛𝑙𝑎𝑙𝑢+1∗𝑡𝑖𝑔𝑎𝑏𝑢𝑙𝑎𝑛𝑙𝑎𝑙𝑢
𝑅𝑎𝑚𝑎𝑙𝑎𝑛𝑢𝑛𝑡𝑢𝑘𝑏𝑢𝑙𝑎𝑛𝑖𝑛𝑖=
6
 HASIL PERAMALAN
Bulan Penjualan Rata-rata bergerak dengan
pembobotan 3 bulan
Januari 10
Februari 12
Maret 13
April 16 [(3*13)+(2*12)+(10)]/6 = 12,17
Mei 19 [(3*16)+(2*13)+(12)]/6 = 14,33
Juni 23 [(3*19)+(2*16)+(13)]/6 = 17
Juli 26 [(3*23)+(2*19)+(16)]/6 = 20,5
Agustus 30 [(3*26)+(2*23)+(19)]/6 = 23,83
September 28 [(3*30)+(2*26)+(23)]/6 = 27,5
Oktober 18 [(3*28)+(2*30)+(26)]/6 = 28,33
November 16 [(3*18)+(2*28)+(30)]/6 = 23,33
Desember 14 [(3*16)+(2*18)+(28)]/6 = 18,67
 MASALAH DALAM
RATA-RATA BERGERAK
1. Bertambahnya jumlah n (jumlah periode yang dirata-rata)
kurang sensitif terhadap perubahan nyata pada data.
2. Rata-rata bergerak tidak dapat menggambarkan tren dengan
baik. Nilai rata-rata akan selalu berada dalam tingkat yang
sebelumnya dan tidak akan memprediksikan perubahan ke
tingkat yang lebih tinggi atau lebih rendah, yang merupakan
nilai aktual sesungguhnya.
3. Rata-rata bergerak memerlukan data masa lalu yang
ekstensif.
 PENGHALUSAN EKSPONENSIAL

Merupakan suatu tekhnik peramalan rata-rata bergerak dengan

pembobotan dimana data diberi bobot oleh sebuah fungsi
eksponensial. Metode ini menggunakan sangat sedikit
pencatatan data masa lalu.
Equation:

Dimana  adalah sebuah bobot atau konstanta penghalusan yang

memiliki nilai antara 0 - 1
 EQUATION DALAM BENTUK LAIN

Ft = Ft-1 + (At-1 - Ft-1)

Dimana:
Ft = peramalan baru
Ft-1 = peramalan sebelumnya
 = konstanta penghalus (pembobot) (0 ≤  ≤1)
At-1 = permintaan aktual periode lalu
 CONTOH

Diketahui sebuah perusahaan telah meramalkan penjualan di

bulan Februari sebanyak 142 unit. Namun, permintaan aktualnya
sebesar 153 unit. Konstanta yang dipilih oleh pihak manajemen
yaitu sebesar 0,20.
Ditanya: Bagaimanakah peramalan bulan Maret menggunakan
model penghalusan eksponensial?
Jawab:
Peramalan baru = 142 + 0,2 (153 – 142)
= 142 + 2,2
= 144,2
Jadi peramalan permintaan untuk bulan Maret yaitu sebesar 144
unit.
 LATIHAN SOAL

Bulan Penjualan
Berikut adalah data Januari 20
penjualan bulanan Februari 21

PT. TELCO. Maret 15

April 14
Mei 13
Juni 16
Juli 17
Agustus 18
September 20
Oktober 20
November 21
Desember 23
 PERTANYAAN

Dari data penjualan tersebut, maka ramalkan penjualan bulan

Januari tahun berikutnya menggunakan metode berikut:
1. Metode Naif.
2. Rata-Rata Bergerak 3 bulanan.
3. Rata-rata bergerak berbobot 6 bulanan menggunakan 0,1 -
0,1 - 0,1 - 0,2 - 0,2 – 0,3 dengan bobot terberat untuk bulan
lalu yang paling dekat.
4. Penghalusan eksponensial menggunakan  = 0,3 dan
peramalan bulan Desember = 18
PENYELESAIAN
 METODE NAIF

Bulan Penjualan Ramalan

penjualan
Januari 20 -
Februari 21 20
Maret 15 21
April 14 15
Mei 13 14
Juni 16 13
Juli 17 16
Agustus 18 17
September 20 18
Oktober 20 20
November 21 20
Desember 23 21
RATA-RATA BERGERAK 3 BULAN

Bulan Penjualan Ramalan penjualan

Januari 20
Februari 21
Maret 15
April 14 (20 +21 + 15)/3 = 18,6
Mei 13 (21+15+14)/3 = 16,6
Juni 16 (15+14+13)/3 = 14
Juli 17 (14+13+16)/3 = 14,3
Agustus 18 (13+16+17)/3 = 15,3
September 20 (16+17+18)/3 = 17
Oktober 20 (17+18+20)/3 = 18,3
November 21 (18+20+20)/3 = 19,3
Desember 23 (20+20+21)/3 = 20,3
 METODE RATA-RATA BERGERAK (PEMBOBOTAN)

Bulan Penjualan Forecasting (6 bulanan)-Weighted Moving Average

Jan 20

Feb 21

Mar 15

April 14

Mei 13

Juni 16

Juli 17 (0,3x16)+(0,2x13)+ (0,2 x14)+(0,1x15)+(0,1x21)+(0,1x20)/1 = 15,8=16

Agst 18 (0,3x17)+(0,2x16)+(0,2x13)+(0,1x14)+(0,1x15)+(0,1x21)/1=15,9=16

Sept 20 (0,3x18+(0,2x17)+ dst =16,2

Okt 20 (0,3x20)+(0,2x18) + dst=17,3

Nov 21 (0,3x20)+(0,2x20) + dst=18,2

Des 23 (0,3x21)+(0,2x20)+dst=19,4
Jan (0,3x23)+(0,2x21)+dst =….
METODE EXPONENTIAL SMOOTING

• Exponential smooting:
Ft Jan=Ft-1+alpha (At-1 – Ft-1)
= 18 + 0,3 (23-18)
=19,5
 PENGHALUSAN EKSPONENSIAL
DENGAN PENYESUAIAN TREN
Peramalan dengan Tren (FITt), idenya adalah menghitung rata-
rata data penghalusan eksponensial dan kemudian menyesuaikan
untuk kelambatan (lag) positif atau negatif pada tren.
Rumusnya:

Prosedur ini membutuhkan dua konstanta penghalusan,  untuk

rata-rata dan β untuk tren.
 PENGHITUNGAN RATA-RATA DAN
TREN UNTUK SETIAP PERIODE

Atau
Ft =  (At-1) + (1 - )(Ft-1+Tt-1) (1)

Atau

Tt = β (Ft-Ft-1) + (1 - β)Tt-1 (2)

 KETERANGAN

Ft = peramalan dengan eksponensial yang

dihaluskan dari data berseri pada periode t
Tt = tren dengan eksponensial yang dihaluskan pada
periode t
At = permintaan aktual pada periode t
 = konstanta penghalusan untuk rata-rata
(0 ≤  ≤1)
Β = konstanta penghalusan untuk tren (0 ≤ β ≤ 1)
 LANGKAH PERAMALAN DENGAN
PENYESUAIAN TREN
1. Menghitung Ft peramalan eksponensial yang dihaluskan
untuk periode t, menggunakan persamaan (1)
2. Menghitung tren yang dihaluskan, Tt, menggunakan
persamaan (2)
3. Menghitung peramalan dengan tren, FITt, dengan formula
FITt = Ft + Tt
 PROYEKSI TREN

Tekhnik ini mencocokkan garis tren pada serangkaian data masa

lalu dan kemudian memproyeksikan garis pada masa datang
untuk peramalan jangka menengah atau jangka panjang.

Untuk proyeksi tren kita menerapkan Metode Kuadrat Terkecil

(Least Square Method).
PENDEKATAN KUADRAT TERKECIL

Equation:

Dimana,
= nilai terhitung variable yang akan diprediksi
(variabel terikat)
a= persilangan sumbu y
b= kemiringan garis regresi (atau tingkat perubahan pada
y untuk perubahan yang terjadi di x)
x= variabel bebas (dalam kasus ini adalah waktu)
 CON’T

Kemiringan b ditemukan dengan:

Dimana,
b: kemiringan garis regresi
∑: tanda penjumlahan total
x: nilai variable bebas yang diketahui
y: nilai variable terkait yang diketahui
: rata-rata nilai x
: rata-rata nilai y
n: jumlah data atau pengamatan
 CATATAN PENGGUNAAN
METODE KUADRAT TERKECIL
1. Selalu petakan data karena data kuadrat terkecil
mengasumsikan adanya hubungan linear.
2. Jangan memprediksikan periode waktu terlalu jauh di depan
mata data yang diberikan, misal 3 s/d 4 periode ke depan.
3. Deviasi disekitar garis kuadrat terkecil diasumsikan acak.
 VARIASI MUSIMAN PADA DATA

Variasi musiman, yaitu pergerakan reguler meningkat atau

menurun dalam satu kurun waktu tertentu terkait dengan
kejadian yang berulang. Contoh: cuaca, liburan, dll.

Menggunakan peramalan time series.

 METODE PERAMALAN ASOSIATIF

1. Analisis regresi, yaitu model matematis garis lurus yang

menjelaskan hubungan fungsional antara variabel bebas dan
variabel terikat.

2. Korelasi, yaitu suatu ukuran yang menunjukkan kekuatan

hubungan antara dua variabel.
 ANALISIS REGRESI

Equation:

Dimana,
nilai variabel terikat
perpotongan sumbu y
kemiringan garis regresi
variabel bebas
 EXAMPLE

Penjualan (y) Upah (x)

2 1
3 3
2.5 4
2 2
2 1
3.5 7
Total 15 18
 CON’T

Penjualan (y) Upah (x) X^2 xy

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
Total 15 18 80 51.5
 KOEFISIEN KORELASI UNTUK
GARIS REGRESI
Koefisien korelasi (r) adalah suatu bilangan antara +1 dan -1.
Untuk menghitung r, kita menggunakan data yang sama yang
dibutuhkan untuk menghitung a dan b untuk garis regresi.
Persamaannya adalah:
 ANALISIS REGRESI BERGANDA

Regresi berganda adalah suatu metode peramalan sebab akkibat

dengan lebih dari satu variabel bebas.
Equation:

dimana,
variabel terikat, ex: penjualan
sebuah konstanta
= koefisien dari 2 variable bebas
= nilai 2 variabel bebas berturut-turut, ex: upah dan
tingkat suku bunga
 PENGAWASAN DAN
PENGENDALIAN PERAMALAN
Sinyal penelusuran adalah ukuran seberapa baik peramalan
memprediksi nilai aktual.
Sinyal penelusuran positif menandakan permintaan lebih besar
daripada peramalan.
Sinyal penelusuran negatif menunjukkan bahwa permintaan
lebih sedikit daripada peramalan.

Sinyal penelusuran yang bagus yaitu yang memiliki running

sum of the forecast errors (RSFE) rendah.
RSFE didapat dari:
LATIHAN SOAL
 SOAL 1

Data penjualan perusahaan “X” 6 tahun yang lalu sebagai

berikut:

Tahun Penjualan
1 542
2 580
3 612
4 750
5 720
6 710

Ditanyakan : berapa perkiraan penjualan pada thun ke 7, gunakan

metode least square
 SOAL 2

Berikut ini data mengenai pengalaman kerja dan penjualan

• X=pengalaman kerja (tahun)
• Y=omzet penjualan (ribuan)

X 2 3 2 5 6 1 4 1
Y 5 8 8 7 11 3 10 4
• Tentukan nilai a dan b!
• Buatkan persamaan regresinya!