Anda di halaman 1dari 21

Peramalan

Tak melakukan apa-apa merupakan kekuatan setiap orang.


(Samuel Johnson)

5.1

Pengertian Peramalan

Peramalan (forecasting) merupakan bagian vital bagi setiap organisasi bisnis


dan untuk setiap pengambilan keputusan manajemen yang sangat signifikan.
Peramalan menjadi dasar bagi perencanaan jangka panjang perusahaan. Dalam area
fungsional keuangan, peramalan memberikan dasar dalam menentukan anggaran
dan pengendalian biaya. Pada bagian pemasaran, peramalan penjualan dibutuhkan
untuk merencanakan produk baru, kompensasi tenaga penjual, dan beberapa
keputusan penting lainnya. Selanjutnya, pada bagian produksi dan operasi
menggunakan data-data peramalan untuk perencanaan kapasitas, fasilitas, produksi,
penjadwalan, dan pengendalian persedian (inventory control). Untuk menetapkan
kebijakan ekonomi seperti tingkat pertumbuhan ekonomi, tingkat pengangguran,
tingkat inflasi, dan lain sebagainya dapat pula dilakukan dengan metode peramalan.
Peramalan adalah penggunaan data masa lalu dari sebuah variabel atau
kumpulan variabel untuk mengestimasi nilainya di masa yang akan datang. Asumsi
dasar dalam penerapan teknik-teknik peramalan adalah:If we can predict what the
future will be like we can modify our behaviour now to be in a better position, than
we otherwise would have been, when the future arrives. Artinya, 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.

5.2

Metode Peramalan

Salah satu cara untuk mengklasifikasikan permasalahan pada peramalan


adalah mempertimbangkan skala waktu peramalannya yaitu seberapa jauh rentang
waktu data yang ada untuk diramalkan. Terdapat tiga kategori waktu yaitu jangka
pendek (minggu bulan), menengah (bulan tahun), dan jangka panjang (tahun
dekade). Tabel berikut ini menunjukkan tipe-tipe keputusan berdasarkan jangka
waktu peramalannya.

Tabel 5.1 Rentang Waktu dalam Peramalan


Rentang Waktu
Jangka Pendek
( 3 6 bulan)
Jangka Menengah
( 2 tahun)
Jangka Panjang
(Lebih dari 2 tahun)

Tipe Keputusan
Operasional
Taktis
Strategis

Contoh
Perencanaan Produksi,
Distribusi
Penyewaan Lokasi dan
Peralatan
Penelitian dan
Pengembangan untuk
akuisisi dan merger
Atau pembuatan produk baru

Selain rentang waktu yang ada dalam proses peramalan, terdapat juga teknik
atau metode yang digunakan dalam peramalan. Metode peramalan dapat
diklasifikasikan dalam dua kategori, yaitu:
1. Metode Kualitatif
Metode ini digunakan dimana tidak ada model matematik, biasanya
dikarenakan data yang ada tidak cukup representatif untuk meramalkan masa
yang akan datang (long term forecasting). Peramalan kualitatif menggunakan
pertimbangan pendapat-pendapat para pakar yang ahli atau experd di bidangnya.
Adapun kelebihan dari metode ini adalah biaya yang dikeluarkan sangat murah
(tanpa data) dan cepat diperoleh. Sementara kekurangannya yaitu bersifat
subyektif sehingga seringkali dikatakan kurang ilmiah.
Salah satu pendekatan peramalan dalam metode ini adalah Teknik Delphi,
dimana menggabungkan dan merata-ratakan pendapat para pakar dalam suatu
forum yang dibentuk untuk memberikan estimasi suatu hasil permasalahan di
masa yang akan datang. Misalnya: berapa estimasi pelanggan yang dapat
diperoleh dengan realisasi teknologi 3G.
2. Metode Kuantitatif
Penggunaan metode ini didasari ketersediaan data mentah disertai
serangkaian kaidah matematis untuk meramalkan hasil di masa depan. Terdapat
beberapa macam model peramalan yang tergolong metode kualitiatif, yaitu:
a) Model-model Regresi
Perluasan dari metode Regresi Linier dimalan meramalkan suatu variabel
yang memiliki hubungan secra linier dengan variabel bebas yang diketahui
atau diandalkan.
b) Model Ekonometrik
Menggunakan serangkaian persamaan-persamaan regresi dimana terdapat
variabel-variabel tidak bebas yang menstimulasi segmen-segmen ekonomi
seperti harga dan lainnya.

c) Model Time Series Analysis (Deret Waktu)


Memasang suatu garis trend yang representatif dengan data-data masa lalu
(historis) berdasarkan kecenderungan datanya dan memproyeksikan data
tersebut ke masa yang akan datang.

5.3

Prosedur Peramalan

Dalam melakukan peramalan terdiri dari beberapa tahapan khususnya jika


menggunakan metode kuantitatif. Tahapan tersebut adalah:
1. Definisikan Tujuan Peramalan
Misalnya peramalan dapat digunakan selama masa pra-produksi untuk
mengukur tingkat dari suatu permintaan.
2. Buatlah diagram pencar (Plot Data)
Misalnya memplot demand versus waktu, dimana demand sebagai ordinat
(Y) dan waktu sebagai axis (X).
3. Memilih model peramalan yang tepat
Melihat dari kecenderungan data pada diagram pencar, maka dapat dipilih
beberapa model peramalan yang diperkirakan dapat mewakili pola tersebut.
4. Lakukan Peramalan
5. Hitung kesalahan ramalan (forecast error)
Keakuratan suatu model peramalan bergantung pada seberapa dekat nilai
hasil peramalan terhadap nilai data yang sebenarnya. Perbedaan atau selisih
antara nilai aktual dan nilai ramalan disebut sebagai kesalahan ramalan
(forecast error) atau deviasi yang dinyatakan dalam:
et = Y(t) Y(t)
Dimana : Y(t) = Nilai data aktual pada periode t
Y(t) = Nilai hasil peramalan pada periode t
t
= Periode peramalan
Maka diperoleh Jumlah Kuadrat Kesalahan Peramalan yang disingkat
SSE (Sum of Squared Errors) dan Estimasi Standar Error (SEE
Standard Error Estimated)
SSE = e(t)2 = [Y(t)-Y(t)]2

SEE

[Y (t ) Y ' (t )]
i 1

n2

6. Pilih Metode Peramalan dengan kesalahan yang terkecil.


Apabila nilai kesalahan tersebut tidak berbeda secara signifikan pada tingkat
ketelitian tertentu (Uji statistik F), maka pilihlah secara sembarang metodemetode tersebut.
7. Lakukan Verifikasi
Untuk mengevaluasi apakah pola data menggunakan metode peramalan
tersebut sesuai dengan pola data sebenarnya.

5.4

Model Time Series Analysis

Berikut ini akan dijabarkan cara melakukan peramalan dengan menggunakan


model Time Series Analysis yang terdiri dari beberapa model. Adapun asumsi dasar
dalam menggunakan model deret waktu ini adalah pola data ramalan akan sama
dengan pola data sebelumnya. Model yang termasuk kategori model deret waktu
yaitu: (1) Model Konstan, (2) Model Siklis, (3) Model Analisis Regresi, (4) Model
Moving Average, (5) Model Exponential Smoothing.

5.4.1 Model Konstan (Constant Forecasting)


Persamaan garis yang menggambarkan pola konstan adalah:
Y(t) = a

dimana a = konstanta

Untuk mendapatkan nilai (a) maka dapat didekati melalui turunan kuadrat
terkecilnya (least square) terhadap (a) sebagai berikut:
n

E [Y (t ) a ]2
i 1

dE
0
da

diperoleh

2 [Y (t ) a ] 0
i 1

i 1

i 1

i 1

Y (t ) a 0 ; maka Y (t ) na 0

Y (t )

Sehingga: i 1

; dimana n = jumlah periode peramalan

Jadi, apabila pola data berbentuk konstan, maka peramalannya dapat didekati
dengan harga rata-rata dari data tersebut.
Ilustrasi 1
Diberikan data permintaan pabrik konveksi PT Garmen Mandiri dari bulan
Januari sampai Juni tahun 2006. Tentukan jumlah permintaan untuk lima bulan
selanjutnya dengan menggunakan model konstan!
Bulan
(t)
Jan
Feb
Mar
Apr
Mei
Jun

Permintaan dalam unit


(Y)
46
56
54
43
57
56

Jawaban
Menghitung Konstanta a :
a=

(46 56 54 43 57 56)
52
6

Jadi permintaan untuk bulan Juli sampai dengan November 2006 dapat didekati
dengan harga rata-ratanya (a) yaitu 52 unit.

5.4.2 Model Siklis (Musiman)


Untuk pola data yang bersifat siklis atau musiman, persamaan garis yang
mewakili dapat didekati dengan fungsi trigonometri, yaitu:
Y ' (t ) a u cos

2
2
t v sin
t .............................................(1)
n
n

Dimana n adalah jumlah periode peramalan


Jumlah Kuadrat Kesalahan Terkecil didefinisikan sebagai:

E [Y (t ) a u cos
i 1

2
2 2
t v sin
t )]
N
N

Bentuk diskriminannya adalah sebagai berikut:


k'

k cos
k sin

1 cos
n
2
N
2
N

2
N
0

t sin

2
N
0
0

t
0

Maka:
n
k' 0

0
n
2

2
0 1 k cos
t
N
n
2
k sin N t
2

0
n
2
0

k
2
2
0 cos
t k cos
t
N
N
n
2
k sin N t
2
0

n
0
0

k
2
2
0 sin
t k cos
t
N
N
n
2
k sin N t
2
0

Ilustrasi 2
Diketahui data permintaan produksi chip pada tahun 2005 sebagai berikut:
Bulan
(t)
Jan
Feb
Mar
Apr
Mei
Jun
Jul
Aug
Spt
Oct
Nov
Des

Permintaan dalam unit


(Y)
73
83
92
107
114
129
91
108
116
79
92
93

a. Tentukan demand di tahun berikutnya dengan metode peramalan pola data siklis
b. Hitunglah standard error estimate-nya!
Jawaban:
t

k=

h=

hk

sin

cos

kcos(t/6

ksin(t/6

Jan
Feb
Mar
Apr
May
Jun
Jul
Aug
Sept

130
60
18
-18
-16
0
-7
20
54

(2t/12
)
0.500
0.866
1.000
0.866
0.500
0.000
-0.500
-0.866
-1.000

(2t/12
)
0.866
0.500
0.000
-0.500
-0.866
-1.000
-0.866
-0.500
0.000

-22.52
-7.50
0.00
-4.50
-13.86
-31.00
6.06
-5.00
0.00

-13.00
-12.99
-6.00
7.79
8.00
0.00
3.50
-8.66
-18.00

4
5

-76
-30

-0.866
-0.500

0.500
0.866

-9.50
-5.20

16.45
3.00

d -98

t-6

72
83
92
107
114
129
91
108
116

-26
-15
-6
9
16
31
-7
10
18

-5
-4
-3
-2
-1
0
1
2
3

79
92

-19
-6

1
2
3
4
5
6
7
8
9
1
0
11
1
2
7
8

93

-5

-30

0.000

1.000

-5.00

0.00

1176

105

0.000

0.000

-98.01

-19.90

k'

cos

12

98.01
19.90

0
0

6
0

Oct
Nov
Dec
Total

t
6

sin

6
0

0
6

Maka:
12
k' 0
0

0
6
0

0
0
0 1 98.01
6
19.90

0
6
0

0
0
t
0 cos
98.01
6
6
19.90

12
0
0

0
0
t
0 sin
98.01
6
6
19.90

t
t
(7056.72) sin 1432.80 0
6
6
t
t
k ' 16.33 cos
3.32 sin
6
6

k ' ( 432) cos

sehingga persamaan garisnya :

Y ' (t ) d k '

Y ' (t ) 98 16.33 cos

Month
January
February

Demand
(Y)
1 72
2 83

t
t
3.32 sin
6
6

Forecast
(Y)
82.20
86.96

Error
(e)
-10.20
-3.96

(Y - Y')^2
104.00
15.68

12
0
0

0
6 0
0

March
April
May
June
July
August
Septembe
r
October
November
December
Totals

3
4
5
6
7
8

92
107
114
129
91
108

94.68
103.29
110.48
114.33
113.80
109.04

-2.68
3.71
3.52
14.67
-22.80
-1.04

7.18
13.76
12.38
215.21
519.92
1.08

9
10
11
12
78

116
79
92
93
1176

101.32
92.71
85.52
81.67
1176

14.68
-13.71
6.48
11.33
0

215.50
187.97
42.01
128.37
1463.07

Standar Error Estimatenya (SEE) :


N

SEE

[Y (t ) Y ' (t )]
i 1

n2

1463.07
12.09
10

5.4.3 Model Regresi Linier (Linier Forecasting)


Persamaan garis yang mendekati bentuk data linier adalah:
Y(t) = a + b(t)
Konstanta a dan b ditentukan dari data mentah berdasarkan Kriteria Kuadrat
Terkecil (least square criterion). Perhitungannya sebagai berikut:
Anggaplah data mentah diwakili dengan (Yi,ti), dimana Yi adalah permintaan aktual
di saat ti, dimana i = 1,2, .....,n. Definisikan:
n

E [Y (t ) a b(t )]2
i 1

Turunkan persamaan tersebut terhadap a dan b:


n
dE
0 yaitu 2 [Y (t ) a bt ] 0 diperoleh
da
i 1

i 1

i 1

Y (t ) na b t 0 ...........

(1)
n
dE
0 yaitu 2 t[Y (t ) a bt ] 0 diperoleh
db
i 1

(2)

i 1

i 1

i 1

tY (t ) a t b t 2 0 ....

Dengan mengeliminasi persamaan (1) dan (2) diperoleh nilai a dan b:


n

n tY (t ) Y (t ) t
i 1

i 1

i 1

n t 2

i 1

i 1

i 1

i 1

Y (t ) b t
n

Confidence Interval dan Prediction Interval


Berdasarkan sebaran t dengan (n 2) derajat bebas, maka pada persamaan
linier [Y(t) = a + b(t)] dapat dibuat Selang Kepercayaan (confidence intervals)
dengan (1-)100% bagi nilai tengah dari Y dan Selang Taksiran (prediction
intervals) untuk setiap nilai Y, yaitu:

n
Confidence Interval = Y(t) t/2 SEE

(t o t ) 2
( t ) 2
2
t n

Prediction Interval untuk setiap nilai Y yaitu (1-)100% bila t = to.

Prediction Interval = Y(t) t/2SEE

(t o t ) 2
( t ) 2
2
t n

Ilustrasi 3
Diketahui data pada tahun 2005 pada tabel berikut ini.
Bulan
(t)
Jan

Permintaan dalam unit


(Y)
199

Feb
Mar
Apr
Mei
Jun
Jul
Aug
Spt
Oct
Nov
Des

202
199
208
212
194
214
220
219
234
219
233

a. Tentukan demand tahun 2007


b. Hitunglah SSE (Sum of Squared Errors) dan SEE-nya (Standard Error
Estimated)
c. Tentukan Confidence Interval dan Prediction Interval dengan t = 18 serta
derajat = 0,01
Jawaban
Month Bulan Ke- Demand t^2
t*Y(t)
Jan
1
199
1
199
Feb
2
202
4
404
Mar
3
199
9
597
Apr
4
208
16
832
May
5
212
25
1060
Jun
6
194
36
1164
Jul
7
214
49
1498
Aug
8
220
64
1760
Sep
9
219
81
1971
Oct
10
234
100
2340
Nov
11
219
121
2409
Des
12
233
144
2796
t = Y(t) = t^2 =
t*Y(t) =
78
2553
650
17030
b

12(17030) (78)(2553)
3,05
12(650) (78) 2

( 2553) (3,05)(78)
192,95
12

a. Diperoleh Persamaannya : Y(t) = 193 + 3(t) sehingga permintaan pada tahun


2007 adalah sebagai berikut:
Bulan (t)

Permintaan dalam unit (Y)

Jan
Feb
Mar
Apr
Mei
Jun
Jul
Aug
Spt
Oct
Nov
Des

(25)
(26)
(27)
(28)
(29)
(30)
(31)
(32)
(33)
(34)
(35)
(36)

268
271
274
277
280
283
286
289
292
295
298
301

b. Untuk menghitung SSE dan Standard Error Estimatenya (SEE) terlebih dahulu
dihitung demand aktual dengan menggunakan persamaan (Y(t)) yang telah
diketahui.
Month Bulan Ke- Demand
Jan
1
199
Feb
2
202
Mar
3
199
Apr
4
208
May
5
212
Jun
6
194
Jul
7
214
Aug
8
220
Sep
9
219
Oct
10
234
Nov
11
219
Dec
12
233
Total
78
2553

Ramalan
196
199
202
205
208
211
214
217
220
223
226
230
2553

[Y(t)-Y'(t)]^2
9
9
9
9
16
289
0
9
1
121
49
9
530

Maka diperoleh Jumlah Kuadrat Kesalahan


(SSE) = e(t)2 = [Y(t)-Y(t)]2 = 530
Dan Estimasi Standard Errornya (SEE):
t

[Y (t ) Y ' (t )]

530
7,28
t2
12 2
c. Dari Persamaan : Y(t) = 193 + 3(t), maka untuk satu harga t = 18 diperoleh
Y=247 dengan Standar Error Estimatenya (SEE)= 7.28 dan t/2 = t 0,005 = 3,169
untuk (n 2 = 12 2 =10) derajat bebas.
SEE

i 1

n
Confidence Interval = Y(t) t/2 SEE

(t o t ) 2
( t ) 2
2
t n

1
(18 6,5) 2

12
(78) 2
650
12
= 247 (3,169)(7,28)
= 247 23,16

1
Prediction Interval = Y(t) t/2SEE

(t o t ) 2
( t ) 2
2
t n

= 247 (3,169)(7,28)

1 (18 6,5) 2

12
78 2
650
12

= 247 46,32

5.4.4 Model Rata-rata Bergerak (Moving Average)


Metode rata-rata bergerak banyak digunakan untuk menentukan trend dari
suatu deret waktu. Dengan menggunakan metode rata-rata bergerak ini, deret berkala
dari data asli diubah menjadi deret rata-rata bergerak yang lebih mulus. Metode ini
digunakan untuk data yang perubahannya tidak cepat, dan tidak mempunyai
karakteristik musiman atau seasonal. Model rata-rata bergerak mengestimasi
permintaan periode berikutnya sebagai rata-rata data permintaan aktual dari n
periode terakhir. Terdapat tiga macam model rata-rata bergerak, yaitu:
5.4.4.1 Simple Moving Average

Simple Moving Average (SMAt)=

Yt Yt 1 Yt 2 .... Yt n 1
n

Ilustrasi 4
Diberikan data harga penutupan akhir minggu surat-surat berharga perusahaan
Mandala yang bergerak dalam bidang maskapai penerbangan.

t
Y

1
46

2
56

3
54

4
43

5
57

6
56

7
67

8
62

9
50

10
56

11
47

12
56

Maka Moving Average 3 mingguan (SMA3) terhadap harga penutupan akhir minggu
saham diperoleh dari perhitungan berikut:
Minggu
(t)
1
2
3
4
5
6
7
8
9
10
11
12

Permintaan
(Y)
46
56
54
43
57
56
67
62
50
56
47
56

Contoh perhitungan:

Simple Moving Average


3 Mingguan (MA3)
52
51
51,33
52
60
61,17
59,17
56
51
53

SMAMinggu 3

46 56 54
52
3

SMAmin ggu 4

56 54 43
51
3

Berdasarkan data di atas, maka ramalan untuk minggu-minggu mendatang (13)


Y ' (12 t )

56 47 56
53unit dengan t = 1,2,3
3

5.4.4.2 Centered Moving Average


Perbedaan utama antara Simple Moving Average dan Centered Moving
Average terletak pada pemilihan observasi yang digunakan. Simple Moving Average
menggunakan data yang sedang diobservasi tambah data sebelum observasi.
Misalnya, menggunakan 5 periode moving average, maka untuk SMA menggunakan
data periode ke-5 dan 4 data periode sebelumnya.
Sebaliknya untuk CMA, Center berarti rataan antara data sekarang dengan
menggunakan data sebelumnya dan data sesudahnya. Misalnya untuk 3 periode
moving average, maka SMA menggunakan data periode 3 ditambah data
sebelumnya dan data sesudahnya. Didefinisikan sebagai berikut:

CMA t

Yt (( L 1 / 2 ) ........Yt ........ Yt (( L 1) / 2
L

Dimana Yt adalah nilai tengah dari interval L data observasi. (L-1)/2 observasi
merupakan data sebelum dan sesudahnya. Misalnya CMA 5 periode, maka Yt = Y5
maka intervalnya dimulai dari Y3 sampai Y7
Ilustrasi 5
Bulan
(t)
Januari
Pebruari
Maret
April

Permintaan
(Y)
46
56
54
43

(CMA5)

(CMA8)

51.2
53.2

Mei

57

55.4

Juni

56

57

Juli

67

58.4

55.13
55.63
55.63
54.75

Agustus

62

58.2
56.38

September
Oktober
November
Desember

50
56
47
56

Contoh perhitungan:
CMAMei

56.4
54.2

54 43 57 56 67
55,4
5

5.4.4.3 Weighted Moving Average


Formula untuk Weighted Moving Average (WMAt):
Ft w1 At 1 w2 At 2 ....... wn At n dan

w
i 1

Ilustrasi 6
Diketahui data penjualan suatu departement store 4 bulan periode. Kemudian
ingin meramalkan penjualan bulan ke-5 dengan moving average dimana
menggunakan bobot 40% actual sales untuk bulan saat ini (4), 30% untuk 2 bulan

sebelumnya, 20% untuk 3 bulan sebelumnya, dan 10% untuk 4 bulan sebelumnya.
Data penjualannya sebagai berikut:
Month1
100

Month2
90

Month3
105

Month4
95

Month5
?

Peramalan weighted moving average dengan N = 4 adalah:


F4 0.4(95) 0.3(105) 0.2(90) 0.1(100) 97.50
Maka ramalan bulan ke (5 + t) dengan t =1,2,3 adalah:

F5 0.4(95) 0.3(105) 0.2(90) 0.1(100) 97.50

5.4.5 Pelicinan Exponential (Exponential Smoothing)


Dalam model rata-rata bergerak (Moving Average) dapat dilihat bahwa untuk
semua data obesrvasi memiliki bobot yang sama yang membentuk rata-ratanya.
Padahal, data observasi terbaru seharusnya memiliki bobot yang lebih besar
dibandingkan dengan data observasi di masa yang lalu. Hal ini dipandang sebagai
kelemahan model peramalan Moving Average. Untuk itu, digunakanlah metode
Exponential Smoothing agar kelemahan tersebut dapat diatasi didasarkan pada
alasan sebagai berikut:
Metode exponential smoothing mempertimbangkan bobot data-data
sebelumnya dengan estimasi untuk Y(t+1) dengan periode (t+1) dihitung sebagai:

Y ' (t 1) Y1 (1 )Y(t 1) (1 ) 2 Y(t 2) ......


Dimana disebut konstanta pelicinan dalam interval 0 < < 1. Rumus ini
memperlihatkan bahwa data yang lalu memiliki bobot lebih kecil dibandingkan
dengan data yang terbaru. Rumus tersebut dapat disederhanakan sebagai berikut:

Y'(t 1) Y1 (1 )Y'(t)
Dengan nilai Y(1) untuk inisial ramalan didekati dengan nilai rata-ratanya ( Y )
Atau

Y '(t ) Y '(t 1) (Y( t 1) Y '(t 1) )


Perlu diperhatikan bahwa penetapan nilai konstanta memiliki andil yang penting
dalam menghasilkan hasil ramalan yang andal. Model Exponential Smoothing
digunakan untuk peramalan jangka pendek.

Ilustrasi 7
Tabulasi data berikut ini merupakan actual sales dalam unit untuk 6 bulan dan
peramalan dimulai dari bulan januari.
Month
Actual Sales

Jan
100

Feb
94

Marc
108

Apr
80

May
68

June
94

a. Hitunglah estimasi nilai ramalannya menggunakan simple exponensial


smoothing dengan = 0.2 jika inisial estimasi periode Januari = 80.
b. Hitunglah Mean Absolute Deviation (MAD)
Jawaban:
Bulan
January
February
March
April
May
June
July
Total

Actual
Forecast
Sales
(1)
100
80
94
84
106
86
80
90
68
88
94
84
86
542
598

Forecast(II)

Error

80
84
86
90
88
84
86
598

a. Estimasi nilai ramalan periode kedua (February) adalah:

Y'(t 1) Y1 (1 )Y'(t)

....................................(1) atau

Y '( t ) Y '( t 1) (Y( t 1) Y '( t 1) ) ....................(2)

Y ' 2 0.2(100) 0.8(80) 84 atau


Y ' 2 80 0.2(100 80) 84

b. Mean Absolute Deviation (MAD)


n

MAD

Y (t ) Y ' (t )
t 1

(Y-Y')^2

20
10
20
-10
-20
10
90

400
100
400
100
400
100
0
1500

MAD

90
15 ;
6

dimana 1 MAD = 0.8 standard deviation diperoleh standar deviation = 12

Soal Latihan
1. Tebel di bawah ini menunjukkan hasil penjualan televisi oleh 20 kelompok sales
(N) PT SUKSES SELALU. Tiap kelompok sales tersebut terdapat beberapa
orang (x) yang bertugas menawarkan televisi. Hasil data penjualan televisi (y)
diberikan kepada perusahaan setelah semua data-data dari tiap-tiap kelompok
dikumpulkan.
No.

1
2

10

3
4
5
6
7
8
9
10

20
30
40
50
60
70
80
90
10
0

Y
5
7

No
.
11
12

10

13

12

14

17

15

19

16

22

17

25

18

28

19

31

20

X
110
12
0
14
0
15
0
16
0
16
0
16
0
17
0
17
0
17
0

Y
36
40
51
55
62
65
58
70
74
63

Buatlah:
a. Persamaan regresinya
b. Standar Error Estimatenya
c. Confidence Interval dan Prediction Intervald engan tingkat kepercayaan 95%
dan anggota kelompok sales 35 orang.
2. Zeus Computer Chips.Inc. memproduksi sekitar 186-286 tipe chip. Sejak tiga
tahun yang lalu perusahaan tersebut mengalami penurunan permintaan. Di
bawah ini diberikan data masa lalu permintaannya:

Year
2001

2002

Season
Spring
Summer
Fall
Winter
Spring
Summer
Fall
Winter

Demand
205
140
375
575
275
275
685
965

Year
2003

2004

Season
Spring
Summer
Fall
Winter
Spring
Summer
Fall
Winter

Demand
325
650
275
700
545
425
785
995

A. Hitunglah demand Zeus Computer chips. Inc tahun 2005 dengan


menggunakan metode peramalan sebagai berikut:
1) Simple Moving Average 4 tahun
2) Weighted Moving Average dengan n=5.
3) Eksponensial Smoothing dengan =0.3
B. 1) Hitunglah demand Winter 2005 dengan menggunakan metode regresi
linier beserta standar deviasinya.
2) Carilah Confidence Interval untuk Summer tahun 2005 dengan tingkat
kepercayaan 95%
2. Sunrise Baking Company memasarkan produk donat ke toko-toko kue, data di
bawah ini menunjukkan demand donut dalam satuan lusin untuk periode 4
minggu yang lalu. Donut diproduksi sehari sebelum penjualan, misalnya
produksi di hari Minggu untuk penjualan di hari Senin, produksi hari Senin
untuk penjualan hari Selasa, dan seterusnya. Toko kue tutup hari Sabtu, maka
produksi Jumat harus memenuhi demand pada hari Sabtu dan Minggu.

Senin
Selasa
Rabu
Kamis
Jumat
Sabtu
Minggu

4 minggu
2.200
2.000
2.300
1.800
1.900
2.800

Past Data
3 minggu
2 minggu
2.400
2.300
2.100
2.200
2.400
2.300
1.900
1.800
1.800
2.100
2.700
3.000

1 minggu
2.400
2.200
2.500
2.000
2.000
2.900

Buatlah peramalan pada minggu ke lima (minggu sekarang) dengan catatan


sebagai berikut:
a) Menggunakan 4 minggu simple moving average
b) Menggunakan weighted moving average dengan 0.40, 0.30, 0.20 dan
0.10 untuk data 4 minggu sebelumnya

c) Sunrise Baking Company juga merencanakan pembelian bahan-bahan


untuk produksi roti. Jika demand produk roti diramalkan 22.000 buah
pada minggu lalu dan hanya 21.000 buah yang menjadi demand
aktualnya, apa yang harus dilakukan Sunrise untuk meramalkan
penjualan minggu ini dengan menggunakan eksponential smoothing
dengan = 0.1!
d) Dengan hasil peramalan pada point (c), demand aktual minggu ini
ternyata diperoleh 22.500. bagaimana untuk peramalan yang baru untuk
minggu selanjutnya!
3. Sebuah perusahaan Krupuk Suka Krupuk memasarkan produknya ke warungwarung makanan dan toko-toko. Data di bawah ini adalah data penjualan krupuk
persatuan biji untuk periode 4 minggu yang lalu (Bulan Januari). Krupuk
diproduksi sehari sebelum penjualan yaitu hari Minggu, Selasa, dan Kamis
sedangkan penjualan dilakukan setiap hari Senin, Rabu, dan Jumat untuk setiap
minggunya.

Senin
Selasa
Rabu
Kamis
Jumat
Sabtu
Minggu
Total

4 minggu
100.000
98.000
115.000
313.000

Past Data
3 minggu
2 minggu
110.000
110.000
99.000
100.000
112.000
120.000
321.000
330.000

1 minggu
115.000
95.000
119.000
333.500

Buatlah peramalan pada minggu ke lima (minggu sekarang) dengan catatan


sebagai berikut:
a) Menggunakan 4 minggu simple moving average
b) Menggunakan weighted moving average dengan 0.60, 0.40, 0.30, 0.10
untuk data 4 minggu sebelumnya
c) Perusahaan Krupuk Suka Krupuk selain membuat krupuk juga berencana
membuat rempeyek untuk dijual. Penjualan diperkirakan mencapai
20.000 biji pada minggu yang lalu karena baru diperkenankan dan hanya
18.000 yang laku. Apa yang harus dilakukan perusahaan untuk
meramalkan penjualan pada minggu ini dengan menggunakan
eksponential smoothing dengan = 0.015
d) Prediksi jumlah produksi minggu pertama bulan berikutnya dengan linier
forecasting dan hitunglah standar error estomate-nya, confidence
interval, prediction interval dengan t = 7 dan tingkat kepercayaan 95%.
4. Diketahui data permintaan untuk produk shampo Toserba Podomoro adalah
sebagai berikut:

Month
Jan
Feb
Mar
Apr
Mei
Jun
Jul
Agt

Demand
20
22
25
21
24
28
35
40

a) Ramalkan demand untuk bulan september dengan menggunakan


weighted moving average dengan 0.60, 0.30, 0.10
b) Ramalkan demand untuk bulan september dengan menggunakan metode
Simple Moving Average dimana N=3
c) Ramalkan bulan September dengan menggunakan Simple Exponential
Smoothing dengan = 0.3 dan di bulan Agustus diramalkan = 35
d) Gunakan metode regresi linier untuk menentuakan persamaan
berdasarkan demand yang ada
e) Dari point (d), hitunglah ramalan untuk bulan Desember.
5. Diketahui data permintaan untuk produk lukisan sebagai berikut:
Month
Jan
Feb
Mar
Apr
Mei
Jun

Demand
11
12
15
12
16
15

a) Menggunakan weighted moving average dengan 0.40, 0.30, 0.20, 0.10


untuk bulan July
b) Menggunakan 3 bulan Simple Moving Average untuk bulan July
c) Ramalkan bulan July dengan menggunakan Simple Exponential
Smoothing dengan = 0.2 dan di bulan Agustus diramalkan = 13
d) Gunakan metode regresi linier untuk menentuakan persamaan
berdasarkan demand yang ada
e) Tentukan confidence interval dan prediction interval dengan t = 16
dengan tingkat kepercayaan 99%!
6. Diketahui data permintaan untuk kaos dari PT Beruc
Month
Jan
Feb
Mar

Demand
220
200
250

Apr
230
Mei
240
Jun
220
a) Ramalkan demand minggu ke-7 dengan menggunakan 3 bulan simple
moving average
b) Ramalkan demand untuk minggu ke-7 dengan menggunakan weighted
moving average dengan 0.6, 0.5, 0.4, 0.3
c) Ramalkan demand untuk mingguk ke-7 dengan menggunakan
exponential smoothing dengan = 0,2 dan pada minggu ke-6
diramalkan 210.
7. Suatu perusahaan Antah Berantah memasarkan hasil produksinya berupa sapu
ijuk. Data di bawah ini merupakan data produksi sapu ijuk dalam 5 tahun
terakhir.
Bulan
Jan
Feb
Mar
Apr
Mei
Jun
Jul
Agt
Sep
Okt
Nov
Des

2000
120
280
100
130
210
170
200
150
130
120
230
320

Data Tahun Lalu (Lusin)


2001
2002
2003
140
110
120
200
190
180
120
140
170
140
140
120
220
190
170
190
160
200
190
200
230
190
200
210
170
160
150
150
160
130
190
200
200
280
300
250

2004
170
220
210
180
200
210
200
220
180
180
210
210

a) 5 tahun simple moving average


b) Weighted Moving Average dengan 0.50, 0.40, 0.30, 0.20, 0.10 untuk data
5 tahun sebelumnya
c) Perusahaan tersebut berencana membeli bahan-bahan untuk produksi.
Jika demand produk diramalkan 2500 pada tahun 2004 dan hanya 2300
yang menjadi demand aktualnya. Apa yang harus dilakukan perusahaan
untuk meramalkan tahun 2005 dengan menggunakan Exponential
Smoothing dengan = 0.10?
d) Dengan hasil peramalan pada point (c), demand aktual tahun 2005
ternyata diperoleh 2650. bagaimana untuk peramalan yang baru untuk
tahun 2006?