2. 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.
3. PERBEDAAN P.J. PANJANG DAN
MENENGAH MENURUT 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.
4. 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.
5. 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.
6. 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. 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.
8. 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.
9. 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.
10. METODE KUANTITATIF
1. Pendekatan Naif
2. Rata-rata Bergerak
3. Penghalusan Eksponensial
4. Proyeksi Tren
5. Regresi Linear
Model
Time Series
Model
Asosiatif
11. 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.
12. 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.
13. 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.
14. 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.
𝑅𝑎𝑡𝑎 − 𝑟𝑎𝑡𝑎 𝐵𝑒𝑟𝑔𝑒𝑟𝑎𝑘
=
𝑝𝑒𝑟𝑚𝑖𝑛𝑡𝑎𝑎𝑛 𝑛 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑠𝑒𝑏𝑒𝑙𝑢𝑚𝑛𝑦𝑎
𝑛
15. 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
16. PEMBOBOTAN
Pemilihan bobot merupakan hal yang tidak pasti karena
tidak ada rumus untuk menetapkannya.
𝑅𝑎𝑡𝑎 − 𝑟𝑎𝑡𝑎 𝑏𝑒𝑟𝑔𝑒𝑟𝑎𝑘 𝑑𝑒𝑛𝑔𝑎𝑛 𝑝𝑒𝑚𝑏𝑜𝑏𝑜𝑡𝑎𝑛
=
(𝑏𝑜𝑏𝑜𝑡 𝑝𝑎𝑑𝑎 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑛)(𝑝𝑒𝑟𝑚𝑖𝑛𝑡𝑎𝑎𝑛 𝑝𝑎𝑑𝑎 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑛)
𝑏𝑜𝑏𝑜𝑡
17. CONTOH
Periode Bobot yang diberikan
Bulan lalu 3
Dua bulan lalu 2
Tiga bulan lalu 1
Jumlah total bobot 6
𝑅𝑎𝑚𝑎𝑙𝑎𝑛 𝑢𝑛𝑡𝑢𝑘 𝑏𝑢𝑙𝑎𝑛 𝑖𝑛𝑖
=
3 ∗ 𝑝𝑒𝑛𝑗𝑢𝑎𝑙𝑎𝑛 𝑏𝑢𝑙𝑎𝑛 𝑙𝑎𝑙𝑢 + 2 ∗ 𝑑𝑢𝑎 𝑏𝑢𝑙𝑎𝑛 𝑙𝑎𝑙𝑢 + 1 ∗ 𝑡𝑖𝑔𝑎 𝑏𝑢𝑙𝑎𝑛 𝑙𝑎𝑙𝑢
6
18. 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
19. 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.
20. 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:
𝑃𝑒𝑟𝑎𝑚𝑎𝑙𝑎𝑛 𝑏𝑎𝑟𝑢
= 𝑝𝑒𝑟𝑎𝑚𝑎𝑙𝑎𝑛 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑙𝑎𝑙𝑢
+ 𝛼(𝑝𝑒𝑟𝑚𝑖𝑛𝑡𝑎𝑎𝑛 𝑎𝑘𝑡𝑢𝑎𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑙𝑎𝑙𝑢
21. 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
22. 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.
23. LATIHAN SOAL
Bulan Penjualan
Januari 20
Februari 21
Maret 15
April 14
Mei 13
Juni 16
Juli 17
Agustus 18
September 20
Oktober 20
November 21
Desember 23
Berikut adalah
data penjualan
bulanan
PT. TELCO.
24. 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
25. 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:
𝑃𝑒𝑟𝑎𝑚𝑎𝑙𝑎𝑛 𝑑𝑒𝑛𝑔𝑎𝑛 𝑇𝑟𝑒𝑛(𝐹𝐼𝑇𝑡)
= 𝑝𝑒𝑟𝑎𝑚𝑎𝑙𝑎𝑛 𝑝𝑒𝑛𝑔ℎ𝑎𝑙𝑢𝑠𝑎𝑛 𝑒𝑘𝑠𝑝𝑜𝑛𝑒𝑛𝑠𝑖𝑎𝑙 𝐹𝑡
+ 𝑇𝑟𝑒𝑛 𝑝𝑒𝑛𝑔ℎ𝑎𝑙𝑢𝑠𝑎𝑛 𝑒𝑘𝑠𝑝𝑜𝑛𝑒𝑛𝑠𝑖𝑎𝑙(𝑇𝑡)
Prosedur ini membutuhkan dua konstanta penghalusan,
untuk rata-rata dan β untuk tren.
26. PENGHITUNGAN RATA-RATA DAN
TREN UNTUK SETIAP PERIODE
𝐹𝑡
= 𝛼 𝑝𝑒𝑟𝑚𝑖𝑛𝑡𝑎𝑎𝑛 𝑎𝑘𝑡𝑢𝑎𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑡𝑒𝑟𝑎𝑘ℎ𝑖𝑟
+ 1 − 𝛼 (𝑝𝑒𝑟𝑎𝑚𝑎𝑙𝑎𝑛 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑡𝑒𝑟𝑎𝑘ℎ𝑖𝑟
27. 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)
28. 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
29. 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).
30. PENDEKATAN KUADRAT TERKECIL
Equation:
𝑦 = 𝑎 + 𝑏𝑥
Dimana,
𝑦 = 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)
31. CON’T
Kemiringan b ditemukan dengan:
𝑏 =
𝑥𝑦 − 𝑛 𝑥 𝑦
𝑥2 − 𝑛 𝑥 2
Dimana,
b: kemiringan garis regresi
∑: tanda penjumlahan total
x: nilai variable bebas yang diketahui
y: nilai variable terkait yang diketahui
𝑥: rata-rata nilai x
𝑦: rata-rata nilai y
n: jumlah data atau pengamatan
32. 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.
33. 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.
34. 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.
35. ANALISIS REGRESI
Equation:
𝑦 = 𝑎 + 𝑏𝑥
Dimana,
𝑦 = nilai variabel terikat
𝑎 = perpotongan sumbu y
𝑏 = kemiringan garis regresi
𝑥 = variabel bebas
38. 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:
𝑟 =
𝑛 𝑥𝑦 − 𝑥 𝑦
𝑛 𝑥2 − ( 𝑥)
2
𝑛 𝑦2 − ( 𝑦)
2
39. ANALISIS REGRESI BERGANDA
Regresi berganda adalah suatu metode peramalan sebab
akkibat dengan lebih dari satu variabel bebas.
Equation:
𝑦 = 𝑎 + 𝑏1𝑥1 + 𝑏2𝑥2
dimana,
𝑦 = variabel terikat, ex: penjualan
𝑎 = sebuah konstanta
𝑏1 𝑑𝑎𝑛 𝑏2 = koefisien dari 2 variable bebas
𝑥1 𝑑𝑎𝑛 𝑥2 = nilai 2 variabel bebas berturut-turut, ex:
upah dan tingkat suku bunga
40. 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:
𝑅𝑆𝐹𝐸 =
(𝑝𝑒𝑟𝑚𝑖𝑛𝑡𝑎𝑎𝑛 𝑎𝑘𝑡𝑢𝑎𝑙 𝑝𝑎𝑑𝑎 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑖
−𝑝𝑒𝑟𝑎𝑚𝑎𝑙𝑎𝑛 𝑝𝑒𝑟𝑚𝑖𝑛𝑡𝑎𝑎𝑛 𝑝𝑎𝑑𝑎 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑖)
