Peramalan merupakan proses memperkirakan kejadian di masa depan dengan memanfaatkan data historis. Terdapat berbagai teknik peramalan, baik kualitatif berupa pendapat ahli maupun kuantitatif seperti pergerakan rata-rata dan penghalusan eksponensial. Peramalan digunakan untuk pengambilan keputusan bisnis terkait produksi, pemasaran, dan perencanaan sumber daya.

1. Manajemen Operasional
Peramalan
Wiji Safitri, SMB., MM.
Program Studi Manajemen
Fakultas Ekonomi Bisnis dan Ilmu Sosial
Universitas Pelita Bangsa

2. Forecasting (Ramalan)
Adalah seni dan ilmu yang memperkirakan kejadian di masa depan.
Hal ini dapat dilakukan dengan pengambilan data historis dan
memproyeksikannya (Memproyeksikan berarti memberi perkiraan
(perhitungan) mengenai keadaan pada masa mendatang dengan
menggunakan data yang ada (sekarang) ke masa mendatang dengan
suatu bentuk model matematis tertentu. Ramalan juga bisa berupa
prediksi intuisi yang bersifat subjektif.
Tidak semua perusahaan dapat melakukan peramalan, karna peramalan
ini tidak selalu memberikan hasil yang sempurna, mengeluarkan
banyak waktu dan biaya untuk diawasi.
Wiji Safitri, SMB., MM.

3. Dari Ahli
• Menurut Nasution dan Prasetyawan (2008:29), peramalan adalah proses untuk
memperkirakan beberapa kebutuhan di masa datang yang meliputi kebutuhan
dalam ukuran kuantitas, kualitas, waktu dan lokasi yang dibutuhkan dalam rangka
memenuhi permintaan barang ataupun jasa.
• Menurut Supranto (2000), ramalan merupakan dugaan atau perkiraan mengenai
terjadinya suatu kejadian atau peristiwa di waktu yang akan datang. Ramalan bisa
bersifat kualitatif, artinya tidak berbentuk angka dan bisa bersifat kuantitatif,
artinya berbentuk angka, dinyatakan dalam bilangan.
• Menurut Heizer dan Render (2009:162), peramalan (forecasting) adalah seni
dan ilmu untuk memperkirakan kejadian di masa depan. Hal ini dapat dilakukan
dengan melibatkan pengambilan data historis dan memproyeksikannya ke masa
mendatang dengan suatu bentuk model matematis. Selain itu, bisa juga
merupakan prediksi intuisi yang bersifat subjektif. Atau dapat juga dilakukan
dengan menggunakan kombinasi model matematis yang disesuaikan dengan
pertimbangan yang baik dari seorang manajer.
• Menurut Murahartawaty (2009:41), peramalan adalah penggunaan data masa
lalu dari sebuah variabel atau kumpulan variabel untuk mengestimasi nilainya di
masa yang akan datang. Jika kita dapat memprediksi apa yang terjadi di masa
depan maka kita dapat mengubah kebiasaan kita saat ini menjadi lebih baik dan
akan jauh lebih berbeda di masa yang akan datang. Hal ini disebabkan kinerja di
masa lalu akan terus berulang setidaknya dalam masa mendatang yang relatif
dekat.
Wiji Safitri, SMB., MM.

4. MERAMALKAN HORIZON WAKTU (time frame)Peramalan biasanya dibagi berdasarkan horizon waktu (jangka waktu
yang dipegang oleh suatu perusahaan / investor) masa depan yang
dilingkupinya, horizon waktu dibagi menjadi beberapa katagori,
diantaranya :
• Peramalan jangka pendek , peramalan ini biasanya berjangka waktu
hingga 1 tahun, namun umumnya kurang dari 3 bulan .
• Peramalan jangka menengah (intermediate) , biasanya memiliki
jangka waktu dalam hitungan bulan hingga tiga tahun.
• Peramalan jangka Panjang, umumnya untuk perencanaan tiga tahun
atau lebih.
Wiji Safitri, SMB., MM.

5. JENIS-JENIS PERAMALAN
• Peramalan ekonomi, peramalan ini menjelaskan siklus bisnis dengan memprediksi
tingkat inflasi, ketersediaan uang, dana yang dibutuhkan untuk membangun perumahan,
dan indikator perencanaan lainnya.
• Peramalan teknologi, yang memperhatikan tingkat kemajuan teknologi dan dapat
meluncurkan produk baru yang menarik serta yang membutuhkan pabrik dan peralatan
baru.
• Peramalan permintaan adalah proyeksi permintaan untuk produk atau layanan suatu
perusahaan. Peramalan ini disebut peramalan penjualan yang mengendalikan produksi,
kapasitas, serta sistem penjadawalan dan menjadi input bagi perencanaan keuangan,
pemasaran dan sumber daya manusia.
Wiji Safitri, SMB., MM.

6. KEPENTINGAN STRATEGI PERAMALAN
Peramalan yang baik sangatlah penting salam semua aspek
bisnis, peramalan merupakan satu-satunya prediksi
mengenai permintaan hingga permintaan yang sebenarnya
diketahui. Peramalan permintaan mengendalikan keputusan
dibanyak bidang dan berpengaruh pada bidang:
• Sumber daya manusia
• Kapasitas
• Manajemen rantai pemasokan
Wiji Safitri, SMB., MM.

7. Tujuan dan Fungsi Peramalan (Forecasting)
Fungsi peramalan atau forecasting terlihat pada saat pengambilan keputusan. Keputusan yang baik
adalah keputusan yang didasarkan atas pertimbangan apa yang akan terjadi pada waktu keputusan
itu dilaksanakan. Apabila kurang tepat ramalan yang kita susun, maka masalah peramalan juga
merupakan masalah yang selalu kita hadapi (Ginting, 2007).
Menurut Heizer dan Render (2009:47), peramalan atau forecasting memiliki tujuan sebagai berikut:
1. Untuk mengkaji kebijakan perusahaan yang berlaku saat ini dan dan di masa lalu serta melihat
sejauh mana pengaruh di masa datang.
2. Peramalan diperlukan karena adanya time lag atau delay antara saat suatu kebijakan perusahaan
ditetapkan dengan saat implementasi.
3. Peramalan merupakan dasar penyusutan bisnis pada suatu perusahaan sehingga dapat
meningkatkan efektivitas suatu rencana bisnis.
Wiji Safitri, SMB., MM.

8. METODE-METODE PERAMALAN
1. Top-Down Forecasting
Metode top-down sering dimulai dengan penggunaan hasil-hasil peramalan
berbagai kondisi bisnis umum yang dibuat oleh para ekonom dalam lembaga-
lembaga pemerintah dan dalam perusahaan-perusahaan.
Dalam metode Top-down forecasting dikelompokan menjadi dua metode yaitu
:
1. Metode Ekstrinsik yaitu peramalan yang biasanya digunakan untuk
peramalan kelompok-kelompok produk, seperti sepatu, atau ban. Ramalan
ini biasanya dikembangkan oleh staf pemasaran organisasi.
2. Metode Statistikal yaitu metode yang paling umum digunakan untuk
mencari hubungan-hubungan dengan analisis regresi dan kolerasi.
2. Bottom-up Forecasting
Metode bottom-up mulai dengan perkiraan permintaan produk akhir individual. Berapa banyak
setiap produk akhir akan dijual perusahaan tahun depan ? atau, berapa jam pelayanan yang
akan diminta ? dalam metode ini para peramal menerima estimasi-estimasi dari orang-orang
penjualan, para dealer (distributor), dan para langganan. Analis juga perlu mengamati pola-pola
penjulan diwaktu yang lalu. Akhirnya, analis menambahkan ramalan-ramalan produk lainnya
dan memperoleh hasil peramalan total, yang disebut ramalan agregat.
Wiji Safitri, SMB., MM.

9. LANGKAH DASAR SISTEM PERAMALAN
1. Penentuan tujuan. Langkah pertama terdiri atas penentuan macam estimasi yang
diinginkan. Sebaliknya, tujuan tergantung pada kebutuhan-kebutuhan informasi para
manajer. Analis membicarakan dengan para pembuat keputusan untuk mengetahui apa
kebutuhan-kebutuhan mereka.
2. Pengembangan model. Setelah tujuan ditetapkan, langkah berikutnya adalah
mengembangkan suatu model, yang merupakan penyajian secara lebih sederhana sistem
yang dipelajari. Dalam peramalan, model adalah suatu kerangka analitik yang bila
dimasukkan data masukan, menghasilkan estimasi penjualan diwaktu mendatang (atau
variabel apa saja yang diramal).
3. Pengujian model. Sebelum diterapkan, model biasanya diuji untuk menentukan tingkat
akurasi, validitas dan reliabilitas yang diharapkan. Nilai suatu model ditentukan oeh derajat
ketepatan hasil peramalan dengan kenyataan (actual).
4. Penerapan model
5. Revisi dan evaluasi
Wiji Safitri, SMB., MM.

10. TEKNIK PERAMALAN METODE KUALITATIF
Teknik kualitatif adalah subyektif atau “judgmental” atau berdasarkan pada estimasi-
estimasi atau pendapat-pendapat. Berbagai sumber pendapat bagi peramalan kondisi
bisnis adalah sebagai berikut :
1.Para eksekutif. Para eksekutif sering mempunyai kemampuan untuk memberikan
masukan-masukan forecasting yang berguna, terutama dari para manajer yang
mempunyai pengalaman cukup lama dalam industri atau dalam perusahaan sejenis.
2. Orang-orang penjualan. Sumber baik lainnya adalah tenaga-tenaga penjualan
(sales force). Para anggota kelompok ini secara tetap berhubungan dengan para
langganan, sehingga akan mampu untuk memperkirakan rencana-rencana
pembelian, sikap dan kebutuhan mereka.
3.Para langganan. Langganan (customers) yang membeli keluaran (produk atau
jasa) perusahaan kadang-kadang bersedia dan berkeinginan untuk mengungkapkan
rencana-rencana pembelian mereka.
4.Lain-lain. Dalam banyak contoh, para spesialis (ahli) dalam berbagai bidang
memberikan pendapat-pendapat yang sangat bernilai.
Wiji Safitri, SMB., MM.

11. Teknik Peramalan Kualitatif
1. Metode Delphi. Merupakan teknik yang mempergunakan suatu prosedur yang
sistematik untuk mendapatkan suatu konsensus pendapat-pendapat dari suatu
kelompok ahli.
2. Riset pasar, adalah peralatan peramalan yang berguna, terutama bila ada kekurangan
data historik atau data tidak reliabel.
3. Analogi historik, peramalan dilakukan dengan menggunakan pengalaman-
pengalaman historik dari suatu produk yang sejenis. Peramalan produk baru dapat
dikaitkan dengan tahap-tahap dalam siklus kehidupan produk yang sejenis.
4. Konsensus panel, gagasan yang didiskusikan oleh kelompok akan menghasilkan
ramalan-ramalan yang lebih baik daripada dilakukan oleh seseorang. Diskusi
dilakukan dalam pertemuan pertukaran gagasan secara terbuka.
Wiji Safitri, SMB., MM.

12. Peramalan kuantitatif
Pendekatan Awam
Permintaan dalam periode selanjutnya aka setara dengan
permintaan dalam periode yang paling baru.
Pergerakan Rata-rata (moving average) menggunakan sejumlah
nilai data actual historis untuk menghasilkan peramalan.
Menggunakan rata – rata dari periode yang terkini n terhadap
data untuk meramal periode selanjtnya
Wiji Safitri, SMB., MM.

13. Contoh
Bulan Penjualan Aktual
Gudang
Pergerakan rata rata 3
bulan
Januari 10
Februari 12
Maret 13
April 16
Mei 19
Juni 23
Juli 26
Agustus 30
September 28
Oktober 18
November 16
Desember 14
Penjualan Gudang penyimpanan seperti pada table di atas. Pergerakan 3 bulanan
seperti pada table kolom kanan.
Bagaimana proyeksi permintaan untuk Gudang dalam Januari mendatang?
Wiji Safitri, SMB., MM.

14. Pergerakan rata –rata bobot
Dapat digunakan untuk menempatkan lebih penekanan pada nilai
saat ini. Peramalan akan lebih responsive pada perubahan karena
periode yang lebih baru akan lebih banyak tertimbang.
Wiji Safitri, SMB., MM.

15. Contoh
Penerapan bobot Periode
3 Bulan terakhir
2 Dua bulan yang lalu
1 Tiga bulan yang lalu
6 Jumlah bobot
Bagaimana proyeksi permintaan untuk Gudang dalam Januari mendatang dengan
pergerakan rata – rata bobot?
Wiji Safitri, SMB., MM.

16. Penghalusan Eksponensial
Penghalusan Eksponensial (exponential smoothing) adalah
metode peramalan pergerakan rata – rata bobot lainnya. Ini
melibatkan sangat sedikit catatan yang mempertahankan
data masa sebelumnya dan mudah untuk digunakan secara
wajar.
Wiji Safitri, SMB., MM.

17. Formula Penghalusan Eksponesial:
Peramalan baru = Peramalan periode sebelumnya + α (Perintaan actual periode
sebelumnya – Peramalan periode sebelumnya)
Dimana α adalah bobot atau penghalusan konstan (smoothing constant), dilipih oleh
peramal yang memiliki nilai lebih tinggi daripada atau setara dengan 0 dan kurang dari atau
setara dengan 1. persamaan di atas dapat ditulis juga dengan:
F1 = Ft-1 + α (At-1 – Ft-1)
Dimana:
F1 = peramalan yang baru
F1-1 = peramalan periode sebelumnya
α= penghalusan (bobot) kosntan ( 0 ≤ = α < = 1)
At-1= permintaan actual periode sebelumnya
Wiji Safitri, SMB., MM.

18. Peramalan penghalusan eksponensial
➢Konsepnya tidak rumit.
➢Estimasi permintaan yang terakhir adalah setara dengan peramalan
sebelumnya yang disesuaikan dengan pecahan perbedaan diantara
permintaan actual periode sebelumnya dengan peramalan periode
sebelumnya
Wiji Safitri, SMB., MM.

19. Contoh Peramalan penghalusan eksponensial
Pada Januari, diller mobil memperdiksi permintaan Februari untuk 142 Ford
Mustang. Permintaan actual pada Februari adalah 153 mobil. Dengan
menggunakan penghalusan konstan yang dipilih oleh manajemen, dengan α
= 0,20, maka diler ingin meramalkan permintaan pada Maret dengan
menggunakan model penghalusan eksponensial.
Pendekatan = model penghalusan eksponensial dalam persamaan
sebelumnhya.
Jawab:
Peramalan yang baru (untuk permintaan bulan Maret)= F1 = Ft-1 + α (At-1 –
Ft-1) = 142 + 0,2 (153 – 142) = 142 + 2,2 = 144
Wiji Safitri, SMB., MM.

20. Peramalan penghalusan eksponensial
Penghalusan konstan α umumnya dalam kisaran 0,05 hingga 0,50 untuk
aplikasi bisnis. Ini dapat diubah untuk memberikan bobot pada data
baru (Ketika α tinggi) atau lebih banyak bobot pada data sebelumnya
(Ketika α rendah).
Wiji Safitri, SMB., MM.
Penghalusan
konstan
Periode yang
terkini (α)
Periode terkini
kedua α (1 – α)
Periode yang
terkini ketiga α
(1 – α) 2
Periode yang
terkini keempat
α (1 – α) 3
Periode yang
terkini kelima α
(1 – α) 4
α=0,1 0,1 0,09 0,081 0,073 0,06
α=0,5 0,5 0,25 0,125 0,063 0,031

21. Memilih penghalusan Konstan
• Pada hakikatnya penghalusan eksponesial telah berhasil diterapkan dalam
semua tipe bisnis.
• Namun, nilai yang tepat bagi perusahaan untuk penghalusan konstan, α
dapat membuat perbedaan diantara permalan yang akurat dan peramalan
yanh tidak akurat.
• Nilai yang paling tinggi α dipilih Ketika rata – rata yang mendasari akan
diubah.
• Nilai yang rendah atas α digunakan Ketika rata – rata yang mendasarinya
secara wajar stabil.
• Dalam mengambil nilai untuk penghalusan konstan, tujuannya adalah
untuk memperoleh peramalan yang sangat akurat
Wiji Safitri, SMB., MM.

22. Mengukur Kesalahan Peramalan
Keseluruhan keakuratan model peramalan pergerakan rata – rata,
penghalusan ekponensial, atau yang lain dapat ditentukan dengan
membandingkan nilai yang diramalkan dengan nilai actual yang
diamati. Jika Ft menunjukkan peramalan dalam periode t, dan At
menandakan permintaan actual dalam periode t , kesalahan peramalan
(deviasi) didefinisikan sbb:
Kesalahan Peramalan = Perminttan Aktual – Nilai peramalan
= At – Ft
Wiji Safitri, SMB., MM.

23. Mengukur Kesalahan Peramalan
Tiga ukuran yang paling terkenal dalam menghitung kesalahan
peramalan:
a. Deviasi rata – rata absolut (mean absolute deviation – MAD)
b. Kesalahan rata – rata yang dikuadratkan (mean square error – MSE)
c. Kesalahan persentase rata – rata yang absolut (mean absolute
percent error – MAPE).
Wiji Safitri, SMB., MM.

24. DEVIASI RATA – RATA Absolut (MAD)
Deviasi rata – rata absolut (mean absolute deviation MAD) adalah
ukuran pertama atas keseluruhan dalam kesalahan peramalan untuk
model.
Nilai dihitung dengan mengambil jumlah nilai absolut kesalahan
peramalan individual (deviasi) dan membaginya dengan jumlah periode
data (n):
𝑀𝐴𝐷 =
Ʃ |𝑎𝑘𝑡𝑢𝑎𝑙 − 𝑃𝑒𝑟𝑎𝑚𝑎𝑙𝑎𝑛|
𝑛
Wiji Safitri, SMB., MM.

25. DEVIASI RATA – RATA Absolut (MAD)
Contoh dan Latihan
PRACTISES
Wiji Safitri, SMB., MM.

26. Kesalahan rata- rata yang dikuadratkan
➢Kesalahan rata – rata yang dikuadratkan (Mean Square Error) adalah cara kedua
untuk mengukur keseluruhan dalam kesalahan peramalan.
➢MSE adalah rata –rata perbedaan yang dikuadratkan diantara nilai yang
diramalkan dengan yang diamati. Rumusnya:
Wiji Safitri, SMB., MM.
𝑀𝑆𝐸 =
Ʃ |𝑘𝑒𝑠𝑎𝑙𝑎ℎ𝑎𝑛 𝑝𝑒𝑟𝑎𝑚𝑎𝑙𝑎𝑛|2
𝑛

27. Kesalahan rata- rata yang dikuadratkan
➢Kelemahan menggunakan MSE adalah bahwa ia cenderung menonjolkan deviasi
yang besar sehubungan dengan istilah digandakan.
➢Misalnya kesalahan peramalan untuk periode 1 adalah dua kali sama besarnya
dengan kesalahan untuk periode 2, kesalahan yang digandakan dalam periode 1
adalah 4 kalinya sama besarnya dengan kesalahan untuk periode 2
➢Oleh karena itu, menggunakan MSE sebagai ukuran atas kesalahan peramalan
yang umumnya menfindikasikan bahwa kita lebih menyukai memiliki beberapa
deviasi yuang lebih kecil daripada hanya 1 deviasi, tetapi lebih besar
Wiji Safitri, SMB., MM.

28. Kesalahan rata- rata yang dikuadratkan
Contoh dan Latihan
PRACTISES
Wiji Safitri, SMB., MM.

29. Persentase Kesalahan rata – rata yang Absolut
❖Permasalahan dengan MAD atau MSE adalah bahwa nilai mereka bergantung
pada besarnya barang yang diramalkan.
❖Jika barang dikur dalam ribuan, nilai MAD dan MSE dapat menjadi sangar besar
❖Untuk mengatasi permasalahan ini, kita dapat menggunakan kesalahan
persentase rata – rata yang absolut (mean absolute percent error – MAPE)
❖Ini dihitung sebagai perbedaan rata- rata yang absolut antara nilai yang
diramalkan dengan aktualnya, dicerminkan sebagai persentase nilai actual. Hal
ini, kita memiliki nilai yang diramalkan dan actual untuk periode n, MAPE dihitung
dengan rumus:
Wiji Safitri, SMB., MM.

30. Persentase Kesalahan rata – rata yang Absolut
❖RUMUS MAPE:
Wiji Safitri, SMB., MM.
𝑀𝐴𝑃𝐸 =
σ𝑖=1
𝑛
100
𝑎𝑘𝑡𝑢𝑎𝑙𝑖 − 𝐴𝑘𝑡𝑢𝑎𝑙 𝑖
𝐴𝑘𝑡𝑢𝑎𝑙𝑖
𝑛

31. Kesalahan rata – rata yang Absolut
Contoh dan Latihan
PRACTISES
Wiji Safitri, SMB., MM.

32. Metode Peramalan Asosiatif
• Mempertimbangkan beberapa variable yang terkait dengan
kuantitas yang diprediksikan.
• Metode yang lebih kuat dari pada metode runtun waktu
yang hanya dengan mengunakan nilai historis.
• Metode peramalah asosiatif kuantitatif yang sangat banyak
dipakai: analisisi regresi linear (linear regression analysis)
Wiji Safitri, SMB., MM.

33. Analisis Regresi dan Korelasi
Analisis regresi dan korelasi mungkin merupakan prosedur
statistikal yang paling banyak digunakan dalam praktek peramalan.
Analisis regresi adalah metode statistik yang digunakan untuk
menentukan hubungan antar paling tidak dua variabel satu atau
lebih variabel bebas (independent variabel) dan satu variabel
bergantung (dependent variabel). Tujuannya adalah untuk
meramalkan atau memperkirakan nilai variabel bebas tertentu.
Basis prediksi ini secara umum adalah data historik.
Wiji Safitri, SMB., MM.

34. Analisis Regresi untuk Peramalan
Variabel dependent yang akan diramalkan adalah
ŷ, untuk variabel independent adalah x. Dengan
rumus:
Ŷ = a + bx
Dimana:
Ŷ = nilai dari variabel dependen
a = perpotongan sumbu y
b = kemiringan garis regresi
X = variabel independent
Analisis Regresi Multiple
Ŷ = a + b1x1 + b2x2
Y = variabel dependen
a = a konstan, perpotongna y
X1 dan x2 = nilai dari 2 variabel
indpenden
b1 dan b2 = koefisien untuk 2 variabel
independen
Wiji Safitri, SMB., MM.

35. Rumus Terkait
Standar Kesalahan dari Estimasi (standard error of the estimate), Syx
Untuk mengukur keakuratan estimasi regresi..
Perhitungan ini dinamakan dengan standar deviasi dari regresi. Hal ini mengukur
kesalahan dari variable dependen, y terhadap garis regresi, bukan terhadap rata – rata.
Dimana:
Y = nilai y tiap – tiap poin data
Yc = nilai variable dependent yang hitung dari persamaan regresi
n = jumlah poin data
Wiji Safitri, SMB., MM.

36. Rumus Terkait
Koefisien terhadap Korelasi (Coefficient of Correlation)
Untuk mengevaluasi hubungan diantara 2 variable .
Ukuran ini mencerminkan derajat atau kekuatan hubungan linear (catatan: korelasi tidak selalu
berarti hubungan sebab – akibat).
Lambang r
Koefisien korelasi bernilai diantara +1 dan -1
Wiji Safitri, SMB., MM.

37. Korelasi
Wiji Safitri, SMB., MM.

38. Rumus Terkait
KOEFISIEN DETERMINASI
Koefisien Determinasi (coefficient of Determination)
Kuadrat dari koefisien korelasi disimbolkan dengan 𝑟2.
Selalu menjadi angka positifdi dalam kisaran 0 ≤ = 𝑟2 ≤ = 1.
Koefisien determinasi: persentase variasi di dalam variable dependen
(y) yang dijelaskan oleh persamaan regresi.
Wiji Safitri, SMB., MM.

39. Pengawasan dan Pengendalian Peramalan
Salah satu cara untuk memastikan peramalan berjalan dengan baik
dengan sinyal penelusuran.
Sinyal penelusuran (tracking signal): pengukuran mengenai seberapa
baiknya peramalah dalam memprediksikan nilai aktualnya. Sinyal
penelusuran akan dihirung sebagai kumulatif kesalahan dibagi dengan
rata –rata deviasi yang absolut (MAD)
MSE=
𝛴(𝑘𝑒𝑠𝑎𝑙𝑎ℎ𝑎𝑛 𝑝𝑒𝑟𝑎𝑚𝑎𝑙𝑎𝑛) 2
𝑛
MSE: Kesalahan rata-rata yang
dikuadratkan
Wiji Safitri, SMB., MM.

40. Contoh
Wakil presiden Operasional Nodel telah mempersiapkan table berikut dimana memperlihatkan pendapatan
perusahaan dan jumlah uang yang diperoleh oleh penerima upah dalam West Bloomfield selama 6 tahun
silam.
Wakil direktur ingin mengetahui apakah ada hubungan garis lurus (linear) diantara sistem penggajian dalam
area dengan penjualan.
Hitung
1. Persamaan Regresi. Jika penggajian diprediksi menjadi $6 miliar pada tahun berikutnya, berapa perkiraan
penjualan?
2. Standar kesalahan dari estimasi
3. Bagaimana kedekatan hubungan antara 2 variable tersebut?
Penjualan Nodel
(dalam juta $)
Sistem penggajian
(dalam Miliar $)
Penjualan Nodel
(dalam juta $)
Sistem penggajian
(dalam Miliar $)
2 1 2 2
3 3 2 1
2.5 4 3.5 7
Wiji Safitri, SMB., MM.

41. Lanjutan
0
0,5
1
1,5
2
2,5
3
3,5
4
0 1 2 3 4 5 6 7 8
Sistem penggajian dalam area (dalam miliar $)
PenjualanNodel(dalamjutaan$)
Wiji Safitri, SMB., MM.

42. Lanjutan
Penjualan, y Penggajian, x 𝒙2 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
෍ 𝑦 = 15 ෍ 𝑥 = 18 ෍ 𝒙2
= 80 ෍ 𝑥𝑦 = 51.5
ҧ𝑥 =
𝛴𝑥
6
=
18
6
= 3
ത𝑦 =
σ 𝑦
6
=
15
6
= 2.5
Wiji Safitri, SMB., MM.

43. Contoh MAD
Nilai peramalan Nilai Aktual
410 406
419 423
428 423
435 440
Hitunglah MAD dan MSE
Wiji Safitri, SMB., MM.

44. Latihan
Tahun 1 2 3 4 5 6 7 8 9 10 11
Permintaa
n
7 9 5 9 13 8 12 13 9 11 7
1. Mulai dalam tahun ke- 4 dan menuju tahun ke 12 ramalkan
permintaan menggunakan pergerakan rata- rata 3 tahun.
2. Mulai dalam tahun ke-4 dan bergerak ke tahun 12 ramalkan
permintaan dengan menggunakan pergerakan rata – rata 3 tahun
dengan bobot 0,1; 0,3; 0,6. menggunakan 0,6 untuk tahun terbaru
Wiji Safitri, SMB., MM.

45. Latihan
Bulan Penjualan
1 20
2 21
3 15
4 14
5 13
6 16
7 17
8 18
9 20
10 20
11 21
12 32
Ramalkan penjualan di Januari tahun
berikutnya dengan :
1. Pergerakan rata –rata 3 bulan
2. Rata – rata tertimbang 6 bulan
dengan menggunakan bobot 0,1;
0,1; 0,1; 0,2; 0,2; dan 0,3. dengan
bobot terberat yang diterapkan pada
bulan yang terbaru
Wiji Safitri, SMB., MM.

46. Latihan Regresi dan Korelasi
Berikut adalah data penjualan kopi dan harga dari sebuah Café.
Berapa banyak kopi yang terjual jika harga per kap $2.80?
Bagaimana korelasi atau kedekatan diantara 2 variable?
Berapa standar kesalahan atas estimasi yang telah dilakukan?
Berapa Koefisien Determinasi?
Harga Jumlah yang terjual
$ 2.7 760
$3.5 510
$ 2 980
$ 4.2 250
$3.10 320
$4.05 480
Wiji Safitri, SMB., MM.

47. Terima Kasih