Dokumen tersebut membahas mengenai peramalan (forecasting) yang meliputi pengertian, tujuan, jenis, metode, dan teknik peramalan. Beberapa metode peramalan yang dijelaskan antara lain pendekatan naif, pergerakan rata-rata, penghalusan eksponensial, regresi linier, dan kombinasi tren dan rata-rata. Dokumen ini juga membahas cara mengukur akurasi peramalan menggunakan MAD, MSE, dan MAPE.

3. Apakah peramalan itu?1
Pentinganya Strategi terhadap Peramalan2
Tujuh Langkah dalam Sistem Peramalan3
Pendekatan Peramalan4
Peramalan Berdasarkan pada Runtun Waktu5
Metode Peramalan Asosiatif: Analisis Regresi
dan Korelasi
6
Memonitor dan Mengendalikan Peramalan7
Pentinganya Strategi terhadap Peramalan8

5. Peramalan (Forecasting) adalah seni dan ilmu
pengetahuan dalam memprediksi peristiwa pada
masa mendatang. Peramalan akan melibatkan
mengambil data historis (seperti penjualan tahun
lalu) dan memproyeksikan mereka ke masa yang
akan datang dengan model matematika.

6. 01 02 03
Peramalan
Jangka Pendek
Peramalan Jangka
Menengah
Peramalan
Kisaran Panjang

7. Peramalan
Ekonomi
Peramalan
Teknologi
Peramalan
Permintaan
01 0302

8. Peramalan yang baik sangat penting dalam
seluruh aspek bisnis. Peramalan hanya
merupakan estimasi atas permintaan hingga
permintaan aktual menjadi diketahui. Dampak
dari peramalan perintaan produk pada 3
aktivitas:
1. Manajemen rantai pasokan
2. Sumber daya manusia
3. Kapasitas

9. Menentukan
penggunaan dari
peramalan
Menentukan
horizon waktu dari
peramalan
Memilih model
peramalan
01 04
Mengumpulkan data
yang diperlukan
untuk membuat
peramalan
Membuat
peramalan
Memvalidasi dan
mengimplementasikan
hasilnya
02
070605
03
Memilih barang
yang akan
diramalkan

10. Peramalan
kualitatif
Peramalan
kuantitatif

11. Opini dari
dewan eksekutif
01
Metode Delphi
02
Gabungan
karyawan bagian
penjualan
03
Survei Pasar
04

12. 1. Pendekatan Awam (Naïve Approach)
2. Pergerakan rata-rata (Moving Averages)
3. Penghalusan Eksponensial (Exponential
smoothing)
4. Proyeksi Kecenderungan (Trend Projection)
5. Analisis Regresi dan korelasi (Linear regression)
Runtun waktu
(Time series
model)
Metode asosiatif
Terdapat 5 metode peramalan pendekatan kuantitatif
yang terbagi kedalam 2 kategori, yaitu:

14. Lamanya
Periode
Lamanya “Musim” Jumlah Pola Dalam
“Musim”
Minggu Hari 7
Bulan Minggu 4-4 1/2
Bulan Hari 28-31
Tahun Kuartalan 4
Tahun Bulan 12
Tahun Minggu 52
Runtun waktu memiliki 4 komponen sebagai berikut:
1. Kecenderungan
2. Musiman
3. Siklus
4. Variasi secara acak

15. Sebuah teknik peramalan yang mengasumsikan
bahwa permintaan pada periode selanjutnya adalah
sama untuk permintaan pada periode yang terkini
Data Penjualan Gula selama 2
tahun (kuartalan)
Peramalan permintaan
menggunakan pendekatan awam
Ilustrasi
Naïve Approach = xt
+xt
−
1
+xt
−
2
𝑛

16. Sebuah metode permalan yang
menggunakan rata-rata dari periode
yang terkini n terhadap data untuk
meramal periode selanjutnya
Metode pergerakan dibagi menjadi 2 yaitu:
1. Pergerakan rata-rata sederhana (Single moving average)
2. Pergerakan rata-rata tertimbang (weighted moving average)

17. 𝑹𝒂𝒕𝒂 − 𝒓𝒂𝒕𝒂 𝒃𝒆𝒓𝒈𝒆𝒓𝒂𝒌 =
σ 𝒑𝒆𝒓𝒎𝒊𝒏𝒕𝒂𝒂𝒏 𝒏 𝒑𝒆𝒓𝒊𝒐𝒅𝒆 𝒔𝒆𝒃𝒆𝒍𝒖𝒎𝒏𝒚𝒂
𝒏

18. Weighted Moving Average diberikan
bobot yang berbeda untuk setiap data historis
The results of this weighted-average
forecast are as follows:

19. Actual Demand vs. Moving Average and WeightedMoving-Average
Methods forDonna’s Garden Supply

20. PERAMALAN RUNTUN WAKTU
Menurut Trihendradi (2005), analisis exponential
smoothing merupakan salah satu analisis deret waktu,
dan merupakan metode peramalan dengan memberi
nilai pembobot pada serangkaian pengamatan
sebelumnya untuk memprediksi nilai masa depan.
Rumus penghalusan eksponensial :
= Peramalan periode sebelumnya + 𝛼 (Permintaan actual
periode sebelumnya – Peramalan Periode sebelumnya)
atau
Ft = Peramalan Permintaan sekarang | α = Penghalusan (atau bobot) konstan (0 ≤ = α < = 1)
Ft-1 = Peramalan Permintaan yang lalu | At-1 = Permintaan Nyata

21. 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 α = 0,20, maka diler ingin meramalkan permintaan
pada bulan Maret.
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 (dibulatkan)

22. PERAMALAN RUNTUN WAKTU
Kesalahan peramalan adalah perbedaan antara nilai
sebenarnya dengan nilai peramalan.
Tingkat akurasi peramalan dapat diukur melalui
Kesalahan peramalan atau deviasi didefinisikan sebagai berikut.
Kesalahan Peramalan = Permintaan Aktual – Nilai
Peramalan =
Mean Absolute Deviasion (MAD)
Mean Squared Error (MSE)
Mean Absolute Percentage Error (MAPE).

23. Nilai ini dihitung dengan mengambil jumlah kesalahan peramalan
(nilai absolutnya) dan membaginya dengan jumlah periode data (n)
MAD = Σ|Aktual−Peramalan|
𝑛
Contoh :
Selama 8 kuartal yang lalu, Perusahaan X
membongkar muat sejumlah besar biji-bijian dari
kapal. Manajer operasi pelabu-han ingin menguji
penggunaan penghalus-an eksponensial utk
melihat seberapa baik teknik ini bekerja dlm
memprediksi tonase biji-bijian yg dibongkar/muat.
Ia menebak peramalan bongkar/muat biji-bijian
pada kuartal pertama adalah 175 ton. Dua nilai yg
diuji α= 0,1 dan α=0,5.

24. Diket : Peramalan kuartal pertama= 175 ton | α = 0,10 dan α=0,50
Kuartal
Tonase
Aktual yang
Dibongkar
Peramalan yg dibulatkan dgn α =0,1
Peramalan yg dibulatkan
dgn α =0,5
1 180 175 175
2 168 175+0,1(180-175)=175,50 177,50 = 175+0,5(180-175)
3 159 175,50+0,1(168-175,50)=174,75 172,75
4 175 174,75+0,1(159-174,75)=173,18 165,88
5 190 173,18+0,1(175-173,18)=173,36 170,44
6 205 173,36+0,1(190-173,36)=175,02 180,22
7 180 175,02+0,1(205-175,02)=178,02 192,61
8 182 178,02+0,1(180-178,02)=178,22 186,30
9 ? 178,22+0,1(182-178,22)=178,59 184,15

25. Kuartal
Tonase
Aktual yang
Dibongkar
Peramalan
α= 0,1
Deviasi
Absolut
α=0,1
Peramalan
α= 0,5
Deviasi
Absolut
α=0,5
1 180 175 5,00 175 5,00
2 168 175,50 7,50 177,50 9,50
3 159 174,75 15,75 172,75 13,75
4 175 173,18 1,82 165,88 9,12
5 190 173,36 16,64 170,44 19,56
6 205 175,02 29,98 180,22 24,78
7 180 178,02 1,98 192,61 12,61
8 182 178,22 3,78 186,30 4,30
Jumlah Deviasi Absolut 82,45 98,62
MAD 10,31 12,33

26. Rata-rata perbedaan kuadrat antara
nilai peramalan dan pengamatan.
MSD = Σ|Kesalahan Peramalan|
𝑛
2
Kuartal
Tonase actual
yang dibongkar
Peramalan α=01
(Kesalahan
Peramalan)2
1 180 175 52 = 25
2 168 175,50 (-7,5)2=56,25
3 159 174,75 (-15,75)2 =248,06
4 175 173,18 (1,82) 7,5)2=3,31
5 190 173,36 (16,64)2=276,89
6 205 175,02 (29,98)2=898,80
7 180 178,02 (1,98)2=3,92
8 182 178,22 (3,78)2=14,29
Jumlah Kesalahan
dikuadratkan =
1.526,52
MSE=
Σ|Kesalahan Peramalan|
𝑛
2
190,815

27. MAPE menyatakan persentase kesalahan hasil peramalan terhadap
permintaan aktual selama periode tertentu yang akan memberikan informasi
persentase kesalahan terlalu tinggi atau terlalu rendah, dengan kata lain
MAPE merupakan rata-rata kesalahan mutlak selama periode tertentu yang
kemudian dikalikan 100% agar mendapatkan hasil secara prosentase. Secara
sistematis MAPE dirumuskan sebagai berikut:
MAPE = ෍
𝑖−𝐼
𝑛
100 𝐴𝑘𝑡𝑢𝑎𝑙𝑖 − 𝑃𝑒𝑟𝑎𝑚𝑎𝑙𝑎𝑛 /𝐴𝑘𝑡𝑢𝑎𝑙𝑖
𝑛

28. Kuartal
Tonase Aktual yang
Dibongkar
Peramalan α=01
Kesalahan Persentase
Absolut
100(|Kesahalahan
Peramalan|/Aktual)
1 180 175
(100) (5*/180) = 0,0278 =
2,78%
2 168 175,50 0,0446 = 4,46%
3 159 174,75 0,0990 = 9,90%
4 175 173,18 0,0105 = 1,05%
5 190 173,36 0,0876 = 8,76%
6 205 175,02 0,1462 = 14.62%
7 180 178,02 0,0110 = 1,10%
8 182 178,22 0,0208 = 2,08%
*5 = Aktual-Peramalan = 180-175
Jumlah kesalahan = 0,4475 = 44,75%
MAPE=(Jumlah Kesalahan)/n = 44,75% / 8 0,0559 = 5,59%

29. FITt = Rata-rata peramalan penghalusan eksponensial (Ft) +
Kecenderungan Penghalusan eksponensial (TT)
LANGKAH 1 : Menghitung Ft, rata-rata peramalan yang dihaluskan secara
eksponesial untuk periode t, menggunakan persamaan Ft = α (At-1) + (1-α) ( Ft-1
+ Tt-1)
LANGKAH 2 : Menghitung kecenderungan yang diratakan, Tt, menggunakan
persamaan Tt = β (Ft – Ft-1) + (1 - β) Tt-1
LANGKAH 3 : Menghitung peramalan termasuk kecenderungan, FITt, dengan
menggunakan formula FITt= Ft + Tt
tiga langkah untuk menghitung peramalan yang
disesuaikan dengan kecenderungan adalah:

30. Dengan penghalusan eksponensial dgn tren, estimasi rata-rata dan tren dihalus kan.
Prosedur ini membutuhkan dua konstanta penghalusan, α untuk rata-rata dan β
untuk tren.
Ft = α (permintaan aktual terakhir) + (1-α)(Peramalan periode terakhir –
Estimasi tren periode terakhir)
Ft = α(At-1) + (1-α)(Ft-1 + Tt-1) ……………………… (1)
Tt = β(peramalan periode ini – peramalan periode terakhir) + (1-β)(Estimasi
tren periode terakhir)
Tt = β(Ft – Ft-1) + (1-β)Tt-1 ......................................... (2)
FITt= Ft + Tt
Dimana :
Ft = peramalan dengan eksponensial yg dihaluskan dari
data berseri pada periode t.
Tt = tren eksponensial yg dihaluskan pada periode t.
At = permintaan aktual pada periode t.
α = konstanta penghalusan untuk rata-rata (0≤α≥1)
β = konstanta penghalusan untuk tren (0≤β≥1)

31. Contoh : Sebuah perusahaan manufaktur besar di Portland ingin
meramalkan permintaan untuk sebuah peralatan pengendali polusi.
Suatu tinjauan ulang atas penjualan yang lalu, seperti yang
ditunjukkan di bawah ini, mengindikasikan bahwa terdapat
kecenderungan yang meningkat
Nilai α=0,2 dan β=0,4. Diasumsikan peramalan
awal untuk bulan pertama (F1) adalah 11 unit dan tren pada periode tsb
(T1) = 2 unit.
Bulan (t)
Perminta
an Aktual
(At)
Bulan (t)
Perminta
an Aktual
(At)
1 12 6 21
2 17 7 31
3 20 8 28
4 19 9 36
5 24 10 ?

32. Penyelesaian :
Langkah-1 : Ramalkan bulan
kedua :
Ft = αAt +(1-α)(Ft +Tt)
F2 = (0,2)(12)+(1-0,2)(11+2) = 12,8
unit.
Langkah-2 : Hitung tren pada
periode 2 :
T2 = β(F2-F1)+(1-β)T1
= (0,4)(1,8)+(0,6)(0,2) = 1,92
Langkah-3 : Hitung FITt :
FIT2 = F2 + T2
= 12,8 + 1,92 = 14,72 unit
Bulan
Permintaan
Aktual
Ft Tt FITt
1 12 11 2 13,00
2 17 12,80 1,92 14,72
3 20 15,18 2,10 17,28
4 19 17,82 2,32 20,14
5 24 19,91 2,23 22,14
6 21 22,51 2,38 24,89
7 31 24,11 2,07 26,18
8 28 27,14 2,45 29,59
9 36 29,28 2,32 31,60
10 ? 32,48 2,68 35,16

33. Sebuah metode peramalan runtun
waktu mencocokan sebuah garis
kecenderungan untuk urutan poin
data historis dan kemudian
memproyeksikan garis ke dalam
peramalan pada masa
mendatang

34. Dimana :
ො𝑦 = nilai variabel terikat
𝑎 = perpotongan sumbu y
𝑏 = kemiringan garis regresi
𝑥 = variabel bebas
ො𝑦 = 𝑎 + 𝑏𝑥 𝑏 =
σ 𝑥𝑦−𝑛𝑥𝑦
σ 𝑥2 −𝑛𝑥2 𝑎 = 𝑦 − 𝑏𝑥

37. Oleh karena itu, persamaan kecenderungan
kuadrat kecil adalah ො𝑦 = 56,70 +10,54 𝑥
Untuk memproyeksikan permintaan pada
tahun berikutnya, 𝑥= 8
ො𝑦 = 56,70 +10,54 8
ො𝑦 = 56,70 + 84,32 = 141,02 atau 141 megawatt

38. Daya listrik dan garis kecenderungan yang dihitung

39. Variasi musiman adalah fluktuasi yang muncul secara reguler setiap tahun yang
biasanya disebabkan oleh iklim dan kebiasaan (mempunyai pola tetap dari waktu
ke waktu). Contoh yang menunjukan variasi musiman seperti penjualan pakaian
akan meningkat pada saat hari raya, penjualan buku dan tas sekolah akan
meningkat pada saat awal sekolah.

46. PENGGUNAAN ANALISIS REGRESI UNTUK PERAMALAN
STANDAR KESALAHAN DARI ESTIMASI
KOEFISIEN KORELSI UNTUK GARIS REGRESI
ANALISIS REGRESI MULTIPEL
01
02
03
04

47. Analisis regresi, yaitu model matematis garis lurus
yang menjelaskan hubungan fungsional antara
variabel bebas dan variabel terikat.
Dimana :
Y = Nilai variabel yang telah dihitung untuk kemudian diprediksikan (disebut
sebagai variabel dependen/terikat)
a = Perpotongan sumbu Y
b = Kemiringan dari garis regresi
x = Variabel independen (tidak terikat)

48. Case:
Perusahaan Konstruksi Nodel, West Bloomfield
• Perusahaan Konstruksi Nodel
merenovasi sejumlah rumah tua di
West Bloomfield, Michigan.
• Sejalan dengan waktu, perusahaan
mendapati bahwa biaya pekerjaan
renovasinya tergantung pada tingkat
penghasilan penduduk yaitu upah
lokal di West Bloomfield.
• Tabel berikut ini menunjukkan
penjualan Nodel dan upah lokal
selama masa 6 tahun
Years Sales Wages
2002 2 1
2003 3 3
2004 2,5 4
2005 2 2
2006 2 1
2007 3,5 7
Jika kantor perdagangan lokal
memperkirakan upah wilayah
West Bloomfield tahun 2008
adalah 6, Tentukan perkiraan
penjualan Nodel tahun 2008?

49. Years Sales (Y) Wages (X) X² XY
2002 2 1 1 2
2003 3 3 9 9
2004 2,5 4 16 10
2005 2 2 4 4
2006 2 1 1 2
2007 3,5 7 49 24,5
Y=15 X=18  X²=80 XY=51,5
Y=2,5


−
−
22
(
.
xnx
yxnxy
bxay +=
xbya −=
b =
=
3=X
51,5 − 6 3 (2,5)
80−(6)(32)
= 0,25
= 2,5 – (0,25)(3) = 1,75
MAKA PERSAMAANNYA
= ŷ = 1,75 + 0,25x
Penjualan = 1,75 + 0,25 (penggajian)
Jika system penggajiannya menjadi senilai $6
miliar pada tahun berikutnya, maka
Penjualan (dalam jutaan $) = 1,75 + 0,25 (6)
= 1,75 + 1,5 = 3,25
Atau penjualan = $3.250.000

50. 1 2 3 4 5 6 7
1
2
3
4
Garis Regresi
Y= 1,75 + 0,25 X
a= 1,75
WAGES
SALES
3,25

51. Untuk menghitung keakuratan regresi yang diperkirakan,
harus dihitung Kesalahan Standar Estimasi (Standard
error of the estimate). Perhitungan ini disebut Deviasi
Standar Regresi (Standard Deviation of the Regression)
2
2
.
−
−−
=
 
n
xybyay
S xy

52. Diketahui:
∑y2 = 39,5 σxy = 51,5 a = 1,75
σy = 15,0 n = 6 b = 0,25 σ = 68,27%
Berapa standar kesalahan terkait garis regresi pada contoh 12?
Jawab:
2
2
.
−
−−
=
 
n
xybyay
S xy
Maka kesalahan standar estimasi adalah $360.000 dalam
Penjualan (Sales)
RUMUS --
𝟑𝟗,𝟓−𝟏,𝟕𝟓 𝟏𝟓,𝟎 −𝟎,𝟐𝟓(𝟓𝟏,𝟓)
𝟔−𝟐
𝟎, 𝟎𝟗𝟑𝟕𝟓 = 𝟎, 𝟑𝟎𝟔 = $𝟑𝟔𝟎. 𝟎𝟎𝟎

53. Sebuah ukuran dari kuatnya hubungan antara 2 variable.
r=
∑xy − ∑x∑y
[n∑x2 − (∑x)2] [n∑y2 − (∑y)2]

54. Suatu teknik statistik untuk menentukan kekuatan hubungan
diantara variable-variable

55. Case: Nodel
901,0=r
Years Sales
(Y)
Wages
(X)
X² XY Y²
2002 2 1 1 2 4
2003 3 3 9 9 9
2004 2,5 4 16 10 6,25
2005 2 2 4 4 4
2006 2 1 1 2 4
2007 3,5 7 49 24,5 12,25
Y=15 X=18  X²=80 XY=51,5 Y²=
39,5
Y=2,5
Sistem penggajian dan
penjualan

56. Persentasi variasi di dalam variabel dependen
yang dijelaskan oleh persamaan regresi.
Dicari dengan mengkuadratkan koefisien korelasi:
r2 = 0,9012
r2 = 0,81
r2 = 81 %

57. Regresi berganda (multiple regression) : regresi yg memiliki lebih dari
satu variabel bebas .
Case: Nodel Construction ingin memasukkan rata-rata tingkat bunga
tahunan dalam modelnya untuk meramalkan penjualan renovasi,
maka persamaan yang tepat.
ŷ = variabel dependen, penjualan
a = konstan, perpotongan y
𝑥1 dan 𝑥2 = nilai dari 2 variabel independen, area sistem penggajian
dan tingkat bunga, masing-masing
𝑏1 dan 𝑏2 = koefisien untuk 2 variabel independen

58. Case: Nodel Construction ingin memasukkan rata-rata tingkat bunga tahunan
dalam modelnya untuk meramalkan penjualan renovasi, maka persamaan yang
tepat.
Jika system penggajian West Boomfield akan menjadi senilai $6 miliar dan tingkat
bunga menjadi sebesar 0.12 (12%) maka penjualan akan menjadi
Koefisien relasi baru = 0,96 artinya dimasukkan ke dalam variable X2, tingkat
bunga

59. Sinyal penelusuran yaitu pengukuran seberapa baiknya peramalan
dalam memprediksikan nilai aktualnya:
Sinyal Penelusuran =
Kesalahan Kumulatif
MAD
Sinyal Penelusuran =
σ(Permintaan aktual periode i −peramalan permintaan periode i )
MAD
Dimana MAD (rata-rata deviasi absolut):
MAD =
σ[Aktual−Peramalan]
n

60. Cases: Menghitung Sinyal Penelusuran
Berapa sinyal penelusuran dari peramalan pada akhir kuartal 6?
Jawab:
MAD =
σ 𝑲𝒆𝒔𝒂𝒍𝒂𝒉𝒂𝒏 𝒑𝒆𝒓𝒂𝒎𝒂𝒍𝒂𝒏
𝒏
=
𝟖𝟓
𝟔
= 𝟏𝟒, 𝟐
Sinyal Penelusuran =
𝑲𝒆𝒔𝒂𝒍𝒂𝒉𝒂𝒏 𝑲𝒖𝒎𝒖𝒍𝒂𝒕𝒊𝒇
𝑴𝑨𝑫
=
𝟑𝟓
𝟏𝟒,𝟐
= 𝟐, 𝟓 𝑴𝑨𝑫

61. Penghalusan adaptif
Pendekatan untuk peramalan penghalusan
eksponensial di mana secara otomatis di ubah
untuk menjaga seminimal mungkin kesalahan
yang terjadi.
Peramalan Fokus
Peramalan yang mencoba varietas terhadap
model komputer dan memilih salah satu yang
terbaik untuk aplikasi khusus.
Didasarkan pada 2 prinsip:
1. Model peramalan yang canggih tidak selalu lebih baik daripada
sederhana
2. Tidak terdapat teknik tunggal untuk seluruh produk atau jasa

62. Tempat potong rambut pria mengharapkan puncak bisnisnya pada
hari jumat dan sabtu. karenanya hampri semua tempat potong rambut
tutup pada hari minggu dan senin, dan terdapat banyak permintaan
pada hari jumat dan sabtu.
Teknik utama pada sektor eceran adalah
melihat permintaan dan membuat catatan
jangka pendek yang teliti.
DEFINISI
Contoh

63. Toko Ritel Khusus Restoran Cepat Saji
Toko ritel khusus menyimpan catatan
penjualan historis untuk menelusuri
pola dan korelasi permintaan.
Restoran cepat saji memiliki variasi
permintaan yang cepat dan memerlukan
peramalan yang terperinci.

64. APAKAH ADA PERTANYAAN?