Anda di halaman 1dari 26

HIBAH BERSAING PERGURUAN TINGGI

Tahun Anggaran
2010/2011

MODUL PERAMALAN PENJUALAN

Penelitian Ini Dibiayai oleh Direktorat Jenderal


Pendidikan Tinggi, Kementerian Pendidikan Nasional
sesuai dengan Surat Perjanjian Pelaksanaan Kegiatan
Penelitian Hibah Bersaing DIPA Nomor: 0622/02304.2.01/15/2011
Tanggal : 29 Desember 2010

Ketua
Peneliti :
Drs. Bambang Soepeno,
MMKOM NIP.
195906171989101001

POLITEKNIK NEGERI
MALANG 2011

SATUAN ACARA PENGAJARAN (SAP)


Mata Kuliah
Kode Mata Kuliah
SKS
Waktu Pertemuan
Pertemuan

: Manajemen Produksi
: AAB 127
:2
: 180 Menit
:1&2

A. Tujuan
1. Umum
Setelah diberikan penjelasan peramalan penjualan mahasiswa akan dapat mengetahui
kegunaan peramalan penjualan.
2. Khusus
- Jika diberikan soal perencanaan jumlah penjualan mahasiswa dapat membuat
perencanaan dengan metode tren garis lurus dengan benar.
- Jika diberikan soal perencanaan penjualan mahasiswa dapat membuat perencanaan
secara cepat dan benar.
B. Pokok Bahasan : Peramalan Penjualan dan Kebutuhan Bahan Baku
C. Sub Pokok Bahasan :
1. Peramalan dengan Trend Garis Lurus
2. Graphik Peramalan Penjualan
D. Kegiatan Belajar Mengajar
Tahap
Pendahuluan

Penyajian

Penutup

Kegiatan Mengajar

Kegiatan Mahasiswa

Media dan Alat


Pengajaran
- White board,
Hand
out,
spidol

- Memberikan ilustrasi
mata
kuliah - Memperhatikan
manajemen produksi selama satu semester
dan tanya jawab.
- Memberikan contoh dan menyebutkan
TIKnya
- Menjelaskan kegunaan peramalan
- Memperhatikan
- Menjelaskan Tren Garis Lurus
dan menyelesaikan
- Menjelaskan contoh soal peramalan tugas/soal
penjualan.
- Memberikan soal perencanaan bahan
peramalan penjualan
- Menanyakan kembali kesulitan dalam - Tanya jawab
peramalan penjualan.
- Menjelaskan kesulitan dalam peramalan
penjualan
- Menyimpulkan hasil belajar

White board,
Hand
out,
spidol
Komputer

E. Evaluasi
- Pertanyaan
- Mengoreksi hasil pekerjaan atas tugas
F. Referensi
- Ariyari, Agus. 2002, Manajemen Produksi : Pengendalian Produks. BPFE Yogyakarta
- Handoko, T. Hani. 1990, Dasar-dasar Manajemen Produksi dan Operasi, BPFE
Yogyakarta
- Assauri, Sofyan, Manajemen Produksi

DAFTAR ISI

Sampul ..................................................................................

SAP ....

ii

Daftar Isi

iii

I. RAMALAN
1.1. Pendahuluan
.....................................................................................
1.2. Definisi Peramalan ..
1.3. Tujuan Peramalan .
1.4. Fungsi Peramalan
.
1.5. Peramalan dan Horizon Waktu
.
1.6. Metode Peramalan
.
1.7. Peramalan Kualitatif
.
1.8. Peramalan Kuantitatif
.
1.9. Teknik Peramalan Time Series
.
1.10. Teknik Peramalan Metode Kausal
.
1.11. Akurasi Hasil Peramalan
.
1.12. Verifikasi Dan Pengendalian Peramalan .
1.13. Peta Moving Range
.
1.14. Uji Kondisi Luar Kendali
.

1
1
3
3
3
4
4
5
7
11
13
14
14
15

II. RAMALAN PENJUALAN


2.1. Pengertian
.....................................................................................
2.2. Metode Least Square .

18
18

SOAL PRE POST TEST


DAFTAR PUSTAKA

BAB I
RAMALAN
PENDAHULUAN
Peramalan pada dasarnya adalah taksiran. Namun dengan metode metode
tertentu peramalan bukan hanya sekedar taksiran, walaupun masih terdapat
kesalahan. Jika peramalan bukan hal yang eksak, kenapa harus membuatnya?
Jawabannya cukup sederhana, yakni bahwa semua keputusan dimasa yang akan
datang didasarkan pada peramalan saat ini. Kunci bagi keberhasilan perkembangan
organisasi adalah kemampuan organisasi tersebut dalam menyesuaikan strateginya di
lingkungan yang berubah dengan cepat.

DEFINISI PERAMALAN
Peramalan adalah proses untuk memperkirakan berapa kebutuhan di masa
mendatang, yang meliputi kebutuhan dalam ukuran kuantitas, kualitas, waktu, dan
lokasi yang dibutuhkan dalam rangka memenuhi permintaan barang atau jasa.1
Peramalan tidak selalu dibutuhkan dalam kondisi pasar yang stabil, karena
perubahan permintaan relatif kecil, tetapi peramalan akan sangat dibutuhkan bila
kondisi keadaan pasar bersifat kompleks dan dinamis.
Dalam kondisi pasar bebas permintaan pasar lebih banyak bersifat komplek
dan dinamis karena permintaan tersebut akan tergantung dari keadaan sosial,
ekonomi, politik, aspek teknologi, produk pesaing, dan produk subtitusi. Oleh karena itu
peramalan yang akurat merupakan informasi yang sangat dibutuhkan dalam
pengambilan keputusan manajemen.
Pada dasarnya terdapat beberapa langkah yang harus diperhatikan dalam
membuat suatu ramalan untuk menjamin efektifitas dan efisiensi dari sistem
peramalan, yaitu :
1. menentukan tujuan dari peramalan.
2. memilih item independent demand yang akan diramalkan.
3. menentukan horison waktu dari peramalan (jangka pendek, jangka menengah
atau jangka panjang).
4. memilih metode peramalan.
5. memperoleh data yang dibutuhkan untuk melakukan peramalan.
6. validasi metode peramalan.
7. membuat peramalan.
8. implementasi hasil-hasil peramalan.
9. verifikasi peramalan.

TUJUAN PERAMALAN
Tujuan utama dari peramalan dalam manajemen permintaan adalah untuk
meramalkan permintaan dari item-item independent demand di masa yang akan
datang. Selanjutnya mengkombinasikannya dengan pelayan pesanan yang bersifat
pasti, kita dapat mengetahui total permintaan dari suatu item atau produk agar
memudahkan manajemen dan inventori. Perencanaan produk dan inventori termasuk
kapasitas dan sumber daya lainnya dalam industri manufaktur seyogyanya mengacu
pada data total permintaan produk di masa yang akan datang. Dengan demikian jelas
bahwa tujuan utama peramalan dalam manajemen permintaan adalah untuk mencapai
efektifitas dan efisiensi dari manajemen produksi dan inventori dalam industri
manufaktur.

FUNGSI PERAMALAN
Bila peramalan telah dibuat, maka manfaat dan tujuan harus dapat diperoleh
dan dipersiapkan. Dalam hal ini terdapat 3 kegunaan dari peramalan yakni :
-

menentukan apa yang dibutuhkan untuk perluasan pabrik.

menentukan perencanaan lanjutan bagi produk-produk yang ada untuk


dikerjakan dengan fasilitas-fasilitas yang ada

menentukan penjadwalan jangka pendek produk-produk yang ada untuk


dikerjakan berdasarkan berdasarkan peramalan yang ada.
Dalam setiap ramalan harus dipenuhi salah satu dari kegunaan di atas,

sehingga hal ini akan menimbulkan tambahan waktu yang diperlukan untuk membuat
kebijakan ditambah dengan waktu untuk membuat akibat kebijaksanaan tersebut.
Ramalan yang memenuhi tujuan yang pertama di atas dapat dibuat untuk ramalan
jangka panjang. Ramalan untuk perluasan pabrik dinamakan peramalan fasilitas.
Ramalan perencanaan produksi dan produk, dapat digunakan untuk peramalan yang
memenuhi tujuan kedua dan ketiga di atas.

PERAMALAN DAN HORISON WAKTU


Dalam hubungannya dengan horison waktu, peramalan diklasifikasikan dalam
tiga kelompok, yaitu :
a.

Peramalan Jangka Panjang


Umumnya 2 sampai 10 tahun, dan peramalan ini digunakan untuk perencanaan
produk dan perencanaan sumber daya

b.

Peramalan Jangka Menengah


2

Berkisar 1 sampai 2 tahun, dan peramalan ini lebih khusus dibandingkan


peramalan jangka panjang. Biasanya digunakan untuk menentukan aliran kas,
perencanaan produksi, dan penentuan anggaran.
c.

Peramalan Jangka Pendek


Berkisar antara 1 sampai 5 minggu, dan peramalan ini digunakan untuk
mengambil keputusan dalam hal perlu tidaknya suatu aktivitas, seperti, lembur,
penjadwalan kerja, dan lain-lain.

METODE METODE PERAMALAN


Secara umum metode peramalan dibagi dalam dua kategori:
1. Peramalan bersifat subyektif (kualitatif)
2. Peramalan Bersifat Obyektif (kuantitatif)

PERAMALAN KUALITATIF
Peramalan ini lebih menekankan kepada keputusan-keputusan hasil diskusi,
pendapat pribadi seseorang, dan intuisi yang meskipun kelihatan kurang ilmiah, tetapi
dapat memberikan hasil yang baik. Beberapa model peramalan digolongkan sebagai
model subyektif yaitu :
-

Dugaan manajemen (management estimate), di mana peramalan semata-mata


berdasarkan pertimbangan manajemen, umumnya oleh manajemen senior.
Metode ini akan cocok dalam situasi yang sangat sensitif terhadap intuisi dari
satu atau kelompok kecil orang yang karena pengalamannya mampu
memberikan opini yang kritis dan relevan. Teknik ini akan dipergunakan dalam
situasi di mana tidak ada alternatif lain dari model peramalan yang dapat
diterapkan.

Riset pasar (market research), merupakan metode peramalan berdasarkan


hasil-hasil survey pasar yang dilakukan tenaga-tenaga pemasar produk atau
yang mewakilinya. Metode ini akan menjaring informasi dari pelanggan atau
pelanggan potensial (konsumen) berkaitan dengan rencana pembelian mereka
di masa mendatang. Riset pasar tidak hanya akan membantu peramalan, tetapi
juga untuk meningkatkan desain produk dan perencanaan untuk produk-produk
baru.

Metode Delphi, merupakan cara sistematis untuk mendapatkan keputusan


bersama dari suatu grup yang terdiri dari para ahli dan berasal dari beberapa
disiplin ilmu yang berbeda dan masing-masing mereka diminta pendapatnya

secara terpisah, semacam kuisioner, dan hasilnya kemudian dianalisa untuk


dibuat suatu peramalan.
-

Analogi historis (historical analogy), merupakan teknik peramalan berdasarkan


pola data masa dari produk-produk yang dapat disamakan secara analogi,
misalnya

peramalan

untuk

pengembangan

pasar

televisi

multisistem

menggunakan model permintaan televisi hitan putih atau berwana biasa.


Analogi historis cenderung akan menjadi terbaik untuk penggantian produk di
pasar dan apabila terdapat hubungan subtistusi langsung dari produk dalam
pasar itu.
Pada dasarnya metode kualitatif ditujukan untuk peramalan terhadap produk
baru, pasar baru, proses baru, perubahan sosial masyarakat, perubahan teknologi,
atau penyesuaian terhadap ramalan-ramalan berdasarkan metode kuantitatif.
PERAMALAN KUANTITATIF
Metode ini merupakan prosedur peramalan yang mengikuti aturan-aturan
matematis dan statistik dalam menunjukkan hubungan antara permintaan dengan satu
atau lebih variabel yang mempengaruhinya. Metode ini terbagi dua, yaitu :
a.

11

Metode Intrinsik (time series)


Metode ini membuat peramalan hanya berdasarkan pada proyeksi permintaan

historis

tanpa

mempertimbangkan

faktor-faktor

eksternal

yang

mungkin

memperngaruhi besarnya permintaan. Metode ini hanya cocok untuk peramalan jangka
pendek pada kegiatan produksi. Metode ini dipengaruhi oleh 4 komponen, yaitu :
-

Trend/kecenderungan (T), merupakan sifat dari permintaan di masa lalu


terhadap waktu terjadinya apakah permintaan tersebut cenderung naik, turun,
atau konstan. Peramalan yang sesuai adalah metode regresi linier, exponential
smoothing.

Gambar 2.1
Fluktuasi Permintaan Berpola Trend

Cycle/Siklus (C), yaitu permintaan suatu produk dapat memiliki siklus yang
berulang secara periodik. Biasanya lebih dari satu tahun, sehingga pola ini tidak
perlu dimasukan dalam ramalan jangka pendek. Pola ini amat berguna untuk
peramalan jangka menengah dan jangka panjang.

Gambar 2.2
Fluktuasi Permintaan Berpola Siklus
-

Season/Pola Musiman (S). Fluktuasi permintaan suatu produk dapat naik turun
di sekitar garis tren, dan biasanya berulang setiap tahun. Pola ini biasanya
disebabkan oleh faktor cuaca, musim liburan panjang, dan hari raya
keagamaan yang akan berulang secara periodik setiap tahunnya.

Gambar 2.3
Fluktuasi Permintaan Berpola Musiman

Random/Variasi Acak (R). Permintaan suatu produk dapat mengikuti pola


variasi secara acak karena faktor-faktor adanya bencana alam, bangkrutnya
perusahaan pesaing, promosi khusus, dan kejadian-kejadian lainnya yang tidak
mempunyai pola tertentu. Variasi acak ini diperlukan dalam rangka menentukan
persediaan pengaman untuk mengantisipasi kekurangan persediaan bila terjadi
lonjakan permintaan.

Gambar 2.4
Fluktuasi Permintaan Berpola Acak

b.

Metode Ekstrinsik (causal)


Metode ini mempertimbangkan faktor-faktor eksternal yang mungkin dapat

mempengaruhi besarnya permintaan di masa mendatang dalam model peramalannya.


14
Metode ini cocok untuk peramalan jangka panjang karena dapat menunjukkan

hubungan sebab akibat yang jelas dalam hasil peramalannya dan dapat memprediksi
titik-titik perubahan..
TEKNIK PERAMALAN TIME SERIES

1.

Metode Rata-rata Bergerak Sederhana (Simple Moving Average)


Metode ini menggunakan sejumlah data aktual permintaan yang baru untuk

membangkitkan nilai ramalan untuk permintaan di masa mendatang. Metode rata-rata


bergerak akan efektif diterapkan apabila diasumsikan bahwa permintaan pasar

terhadap produk akan teteap stabil sepanjang waktu. Bentuk umum persamaan dari
metode rata-rata bergerak :

MA

A t A t 1 ... A t (n 1)
n

di mana :
MA = Moving Average
At = permintaan aktual pada periode t
n
2.

= jumlah data permintaan yang dilibatkan dalam perhitungan MA


Metode Rata-rata Bergerak dengan Pembobotan (Weighted Moving
Average = WMA)
Pada metode ini, setiap data diberikan bobot yang sama. Aktualnya hal ini

mustahil karena data yang lebih baru akan mempunyai bobot yang lebih tinggi karena
data tersebut merepresentasikan kondisi yang terakhir terjadi. Hal ini yang melahirkan
metode peramalan rata-rata bergerak dengan pembobotan. Secara sistematis, WMA
15
dapat dinyatakan sebagai berikut :

WMA Wt .A t
di mana :
Wt = bobot permintaan aktual pada periode t
At = permintaan aktual pada periode t
dengan keterbatasan, bahwa :

W
3.

Metode Pemulusan Eksponensial (Exponential Smoothing = ES)


Kelemahan teknik moving average dalam kebutuhan akan data-data masa lalu

yang cukup banyak dapat diatasi dengan teknik pemulusan eksponensial. Metode
peramalan pemulusan eksponensial bekerja hampir serupa dengan alat thermostat, di
mana apabila galat ramalan (forecast error) adalah positif, yang berarti nilai aktual
permintaan lebih tinggi dari pada nilai ramalan (A-F>0), maka model pemulusan
eksponensial akan secara otomatis meningkatkan nilai ramalan. Sebaliknya apabila
galat ramalan (forecast error) adalah negatif, yang berarti nilai aktual permintaan lebih
rendah dari pada nilai ramalan (A-F<0), maka pemulusan eksponensial akan secara
otomatis menurunkan nilai ramalan. Proses penyesuaian ini berlangsung terus
menerus kecuali galat ramalan telah mencapai nol. Kenyataan inilah yang mendorong
7

16
peramal (forecaster) lebih suka menggunakan model pemulusan eksponensial.

Apabila pola historis dari aktual permintaan bergejolak atau tidak stabil dari waktu ke
waktu.
Peramalan

menggunakan

model

pemulusan

eksponensial

dilakukan

berdasarkan formula sebagai berikut :

Ft Ft 1 (A t 1 Ft 1 )
di mana
Ft

= nilai ramalan untuk periode waktu ke t

Ft-1

= nilai ramalan untuk satu periode waktu yang lalu, t-1

At-1

= nilai aktual untuk satu periode waktu yang lalu, t-1

= konstanta pemulusan (smoothing constant)


Permasalahan umum yang dihadapi apabila menggunakan model pemulusan

eksponensial adalah memilih konstanta pemulusan, , yang diperkirakan tepat. Nilai


konstanta pemulusan dapat dipilih di antara nilai 0 dan 1, karena berlaku : 0<<1.
Bagaimanapun juga untuk penetapan nilai yang diperkitakan tepat, dapat
menggunakan panduan berikut :
-

Apabila pola historis dari data aktual permintaan sangat bergejolak atau tidak
stabil dari waktu ke waktu, dapat memilih nilai yang mendekati satu. Biasanya
dipilh nilai = 0,9; namun dapat pula mencoba nilai-nilai yang lain yang
mendekati satu, katakanlah : = 0,85; 0,95; 0,99, dan lain-lain, tergantung 17
pada
sejauh mana gejolak dari nilai data itu. Semakin bergejolak, nilai yang dipilih
harus semakin tinggi menuju ke nilai satu.

Apabila nilai historis dari data aktual permintaan tidak berfluktuasi atau relatif
stabil dari waktu ke waktu, kita memilih nilai yang mendekati nol. Biasanya
dipilih nilai = 0,1; namum dapat pula mencoba nilai-nilai yang mendekati nol,
katakanlah : = 0,2; 0,15; 0,01, dan lain-lain, tergantung pada sejauh mana
kestabilan dari data tersebut. Semakin stabil nilai yang dipilih harus semakin
kecil menuju ke nilai nol.

Metode lain yang dapat dipakai adalah memilih nilai berdasarkan nilai n yang
dilibatkan dalam teknik MA. Metode ini hanya dapat diterapkan oleh
perusahaan yang telah lama menggunakan teknik MA dengan nilai n yang
cukup memadai. Rata-rata usia data dengan teknik MA = n-, sedangkan ratarata usia data dengan teknik ES = 1-/. Untuk menghitung nilai dalam
hubungannya dengan n adalah dengan membuat persamaan sebagai berikut :

n 1 1

4.

2
n 1

Metode Pemulusan Eksponensial dengan Unsur Trend


Teknik moving average dan exponential smoothing sederhana telah dijelaskan

di depan hanya tepat bila data yang digunakan stationer. Bila data permintaan bersifat
musiman dan memiliki tren, maka dapat diselesaikan dengan salah satu metode
exponentioal smoothing yang biasa disebut dengan metode winter.
Metode winter didasarkan atas tiga persamaan pemulusan, yaitu persamaan untuk
penyesuaian stationer, satu persamaan untuk penyesuaian tren, dan persamaan 18
yang
lain untuk penyesuaian musiman.

Yang perlu diperhatikan adalah bahwa pemulusan eksponensial tunggal ini akan
selalu mengikuti setiap tren data yang sebenarnya, karena yang dapat dilakukan
hanyalah mengatur ramalan yang akan datang dengan suatu porsentase kesalahan
yang

terakhir.

Berikut

ini

persamaan

pemulusan

eksponensial

dengan

mempertimbangkan trend :

Ft A t (1 )(Ft 1 Tt 1 )
Tt (Ft Ft 1 ) (1 )Tt 1
f t Ft 1 Tt 1
di mana :
Ft = Nilai peramalan dengan pemulusan periode t
Tt = Tren untuk periode t
ft

= Nilai peramalan periode t

At = Nilai data aktual periode t


2.5.3.5 Metode Pemulusan Eksponensial dengan Unsur Musiman
Dalam situasi tertentu sering kali permintaan terhadap suatu produk industri
dipengaruhi oleh faktor musiman yang berkaitan dengan fluktuasi periodik serta bersifat
relatif konstan. Fluktuasi periodik ini biasanya dipengaruhi oleh faktor-faktor seperti :
temperatur, curah hujan, hari raya keagamaan dan lain-lain. Sebagai misal, permintaan
19
untuk produk payung mungkin akan meningkat pada saat musim hujan, dan relatif

menurun pada saat musim kemarau dan sebagainya.

Proses umum dari permintaan musiman ini dapat dinyatakan dalam persamaan
matematis sebagai berikut :
9

A t . t t
Ft

Dt
(1 )(Ft 1 Tt 1 )
I t m

Tt (Ft Ft 1 ) (1 )Tt 1
It

Dt
(1 )I t m
Ft

f t (Ft Tt ).I t 1m
di mana :
Ft

= nilai peramalan dengan pemulusan periode t

Tt

= tren untuk periode t

ft

= nilai peramalan periode t

At

= nilai data aktual periode t

= konstanta pemulusan untuk rata-rata

= konstanta pemulusan untuk tren

Ft-1

= nilai pemulusan sebelum periode t pemulusan

Tt-1

= tren sebelum periode t pemulusan

= faktor musiman

= tingkat permintaan rata-rata

= distribusi permintaan normal dengan mean nol

It

= indeks pada periode t

Dt

= permintaan pada periode t

= konstanta pemulusan

10

TEKNIK PERAMALAN METODE KAUSAL

1.

Metode Regresi Linier


Pada metode regresi, suatu model perlu dispesifikasi sebelum dilakukan

pengumpulan data dan analisisnya. Contoh yang paling sederhana dari metode regresi
ini adalah metode regresi linier sederhana dengan variabel pengaruh tunggal. Formula
untuk metode regresi sebagai berikut :

y a bx
di mana :

= perkiraan permintaan

= variabel bebas yang mempengaruhi y

= nilai tetap y bila x = 0 (merupakan perpotongan dengan sumbu y)

= derajat kemiringan persamaan garis regresi

Untuk menentukan nilai a dan b, digunakan formula sebagai berikut :

2.

n x i yi

x y
n x xi
i

2
i

Metode Regresi Kuadratik


Peramalan ini digunakan untuk menentukan pola data cenderung berbentuk

kuadratik dari tiap periodenya. Untuk menentukan nilai peramalan dengan metode ini,
maka digunakan persamaan sebagai berikut :

y(t) a bt ct 2
untuk mencari nilai a, b, dan c, maka digunakan persamaan sebagai berikut :

y(t) b t c t
n

dengan ketentuan :

11

t n t
2 2

t. y(t) n t.y(t)

t 2 . y(t) n. t 2 .y(t)
t. t 2 n t 3
t n. t 2
2

. .
2
b.
c

AKURASI HASIL PERAMALAN


Ukuran akurasi hasil peramalan yang merupakan ukuran kesalahan peramalan
merupakan ukuran tentang tingkat perbedaan antara hasil peramalan dengan
permintaan yang terjadi. Ada lima ukuran yang biasa digunakan, yaitu :

1.

Rata-rata Deviasi Mutlak (Mean Absolute Deviation = MAD)


MAD merupakan rata-rata kesalahan mutlak selama periode tertentu tanpa

memperhatikan apakah hasil peramalan lebih besar atau lebih kecil dibandingkan
kenyataannya. Secara sistematis MAD dirumuskan sebagai berikut :

MAD

A t Ft
n

di mana :

2.

At

= permintaan aktual pada periode t

Ft

= peramalan permintaan pada periode t

= jumlah periode peramalan yang terlibat

Rata-rata kuadrat kesalahan (Mean Square Error = MSE)


MSE dihitung dengan menjumlahkan kuadrat semua kesalahan peramalan

pada setiap periode dan membaginya dengan jumlah periode peramalan. Secara
matematis MSE dirumuskan sebagai berikut :

MSE

(A t Ft ) 2
n

12

3.

Rata-rata Kesalahan Peramalan (Mean Forecast Error =MFE)


MFE sangat efektif untuk mengetahui apakan suatu hasil peramalan selama

periode tertentu terlalu tinggi atau terlalu rendah. MFE dihitung dengan menjumlahkan
semua kesalahan peramalan selama periode peramalan dan membaginya dengan
jumlah periode peramalan. Secara sistematis MFE dinyatakan sebagai berikut :

MFE

4.

(A t Ft )
n

Rata-rata Persentase Kesalahan Absolut (Mean Absolute Percentage


Error = MAPE)
MAPE merupakan ukuran kesalahan relatif. MAPE biasanya lebih berarti

dibandingkan MAD karena MAPE menyatakan persentase kesalahan hasil peramalan


terhadap permintaan aktual selama periode tertentu yang akan memberikan informasi
persentase kesalahan terlalu tinggi atau terlalu rendah. Secara matematis MAPE
dinyatakan sebagai berikut :

F
100
MAPE
A t t
At
n
5.

Rata-rata Perkiraan Kesalahan Standar (Standart Error of Estimation)


Formula dari SEE adalah sebagai berikut : 15

SEE

(A t Ft ) 2
n fo

di mana :
fo = derajat kebebasan yang hilang

VERIFIKASI DAN PENGENDALIAN PERAMALAN


Langkah penting setelah peramalan dibuat adalah melakukan verifikasi
peramalan sedemikian rupa, sehingga hasil peramalan tersebut benar-benar
mencerminkan data masa lalu dan sistem sebab akibat yang mendasari permintaan
tersebut. Sepanjang aktualitas peramalan tersebut dapat dipercaya hasil peramalan
akan terus digunakan. Jika selama proses verifikasi tersebut ditemukan keraguan
validitas metode peramalan yang digunakan, harus dicari metode lainnya yang lebih
cocok. Validitas tersebut harus ditentukan dengan uji statistika yang sesuai
13

Banyak alat yang dapat digunakan untuk memverifikasi peramalan dan


mendeteksi perubahan sistem sebab akibat yang melatarbelakangi perubahan pola
permintaan. Bentuk yang paling sederhana adalah peta kontrol peramalan yang mirip
dengan peta kontrol kualitas.

PETA MOVING RANGE


Peta moving range dirancang untuk membandingkan nilai permintaan aktual
dengan nilai peramalan. Dengan kata lain, kita melihat data permintaan aktual dan
membandingkannya dengan nilai peramalan pada periode yang akan datang sehingga
kita dapat membandingkan data peramalan dengan permintaan aktual. Peta moving
range digunakan untuk melakukan verifikasi teknik dan parameter peramalan. Setelah
metode peramalan ditentukan maka peta moving range digunakan untuk menguji
kestabilan sistem sebab akibat yang mempengaruhi permintaan. Moving range dapat
didefinisikan sebagai :

MR y t y t y t 1 y t1

dan rata-rata moving range didefinisikan sebagai berikut :

MR

MR
n 1

Garis tengah peta moving range adalah titik nol. Batas kendali atas dan bawah pada
peta moving range adalah :

BKA 2,66MR
BKB 2,66MR
Sementara itu, variabel yang akan diplot ke dalam peta moving range :

y t y t y t

14

UJI KONDISI LUAR KENDALI


Uji yang paling tepat bagi kondisi di luar kendali adalah adanya titik di luar batas
kendali. Selain dari pada itu, terdapat pula uji lainnya dengan tingkat kemungkinan
sama. Teknik yang digunakan berikut ini dirancang agar dapat digunakan dengan
jumlah data yang seminimal mungkin.
Uji ini dilakukan dengan cara membagi peta kendali ke dalam enam bagian
dengan selang yang sama.

2
Daerah A (2,66MR) 1,77MR(atas,1,77MR; bawah, 1,77MR)
3
1
Daerah B (2,66MR) 0,89MR
3
Daerah C daerah di atas atau di bawah garis tengah

+
Batas Kendali Atas
Batas Daerah A
Batas Daerah B

t
Batas Daerah B
Batas Daerah A
Batas Kendali Bawah

Gambar 2.5
Daerah Batas Kendali
Uji kondisi di luar kendali adalah :
-

Dari tiga titik berturut-turut, ada dua titik atau lebih titik yang berada di daerah A.

Dari lima titik berturut-turut, ada empat atau lebih titik yang berada di daerah B.

Ada delapan titik berturut-turut, titik yang berada di salah satu sisi (di atas atau
di bawah garis tengah)
15

Jika peta moving range menunjukkan keadaan di luar kriteria kendali maka
data yang tidak berasal dari sistem akibat yang sama akan dibuang dan fungsi
peramalan ditentukan lagi.

Contoh perhitungan peta moving range


PERAMALAN PRODUK ABC

Bulan
Demand
Forecast

Jan
10
9.16

Feb
15
12.53

Mar
8
15.89

Apr
25
19.25

May
15
22.62

Jun
35
25.98

Jul
20
29.35

Aug
50
32.7

Sep
25
36.07

16

Oct
40
39.4

VERIFIKASI PERAMALAN DENGAN PETA MOVING RANGE


d
t
d'
d'-d
MR
IMRI
1.00
10.00
9.16
-0.84
2.00
15.00
12.53
-2.47
-1.63
1.63
3.00
8.00
15.89
7.89
10.36
10.36
4.00
25.00
19.25
-5.75
-13.64
13.64
5.00
15.00
22.62
7.62
13.37
13.37
6.00
35.00
25.98
-9.02
-16.64
16.64
7.00
20.00
29.35
9.35
18.37
18.37
8.00
50.00
32.71
-17.29
-26.64
26.64
9.00
25.00
36.07
11.07
28.36
28.36
10.00
40.00
39.44
-0.56
-11.63
11.63
140.64

MR =
=
UCL =
=
LCL =
=

140.6
9
15.63
+2,66.MR
41.57
-2,66.MR
-41.57

17

BAGIAN II
PERAMALAN PENJUALAN
(Analisis Trend - Least Square Method)
Pengertian :
Analisis trend merupakan suatu metode analisis yang ditujukan untuk melakukan suatu
estimasi atau peramalan pada masa yang akan datang.
Untuk melakukan peramalan dengan baik maka dibutuhkan berbagai macam informasi
(data) yang cukup banyak dan diamati dalam periode waktu yang relatif cukup panjang,
sehingga dari hasil analisis tersebut dapat diketahui sampai berapa besar fluktuasi yang
terjadi dan faktor-faktor apa saja yang mempengaruhi terhadap perubahan tersebut.
Secara teoristis, dalam analisis time series yang paling menentukan adalah kualitas atau
keakuratan dari informasi atau data-data yang diperoleh serta waktu atau periode dari
data-data tersebut dikumpulkan.
Jika data yang dikumpulkan tersebut semakin banyak maka semakin baik pula estimasi
atau peramalan yang diperoleh.
Sebaliknya, jika data yang dikumpulkan semakin sedikit maka hasil estimasi atau
peramalannya akan semakin jelek.
Metode Least Square
Metode yang digunakan untuk analisis time series adalah

Metode Garis Linier Secara Bebas (Free Hand Method),

Metode Setengah Rata-Rata (Semi Average Method),

Metode Rata-Rata Bergerak (Moving Average Method) dan

Metode Kuadrat Terkecil (Least Square Method).

Dalam hal ini akan lebih dikhususkan untuk membahas analisis time series dengan
metode kuadrat terkecil yang dibagi dalam dua kasus, yaitu kasus data genap dan kasus
data ganjil. Secara umum persamaan garis linier dari analisis time series adalah :
Y = a + b X.
Keterangan :
Y adalah variabel yang dicari trendnya dan
X adalah variabel waktu (tahun).

18

Sedangkan untuk mencari nilai konstanta (a) dan parameter (b) adalah :
a = Y / N dan
b =XY / X2
Contoh Kasus Data Ganjil :
Tabel : Volume Penjualan Barang X Tahun 1995 sampai dengan 2003
Tahun
1995
1996
1997
1998
1999
2000
2001
2002
2003
Jumlah

Penjualan (Y)
200.000
245.000
240.000
275.000
285.000
300.000
290.000
315.000
310.000
2.460.000

X
-4
-3
-2
-1
0
1
2
3
4

XY
- 800.000
- 735.000
- 480.000
- 275.000
0
300.000
580.000
945.000
1.240.000
775.000

X2
16
9
4
1
0
1
4
9
16
60

Untuk mencari nilai a dan b adalah sebagai berikut :


a = 2.460.000 / 9 = 273.333 dan
b = 775.000 / 60 = 12,917
Persamaan garis liniernya adalah :
Y = 273,333 + 12,917 X.
Dengan menggunakan persamaan tersebut, dapat diramalkan penjualan pada tahun 2010
adalah :
Y = 273,333 + 12,917 (untuk tahun 2010 nilai X adalah 11),
sehingga :
Y = 273,333 + 142,083 = 415,417
artinya penjualan barang X pada tahun 2010 diperkirakan sebesar 415.417 unit

19

Contoh Kasus Data Genap :


Tabel : Volume Penjualan Barang X Tahun 1995 sampai dengan 2002
Tahun
1995

Penjualan (Y)
200.000

X
-7

1996

245.000

-5

1997
1998
1999
2000
2001
2002
Jumlah

240.000
275.000
285.000
300.000
290.000
315.000
2.150.000

-3
-1
1
3
5
7

XY
1.400.000
1.225.000
- 720.000
- 275.000
285.000
900.000
1.450.000
2.205.000
1.220.000

X2
49
25
9
1
1
9
25
49
168

Untuk mencari nilai a dan b adalah sebagai berikut :


a = 2.150.000 / 8 = 268,750 dan
b = 1.220.000 / 168 = 7,262
Persamaan garis liniernya adalah :
Y = 268,750 + 7,262 X.
Berdasarkan persamaan tersebut untuk meramalkan penjualan pada tahun 2008 adalah :
Y = 268,750 + 7,262 (untuk tahun 2008 nilai X adalah 19)
sehingga :
Y = 268,75 + 137,976 = 406,726
artinya penjualan barang X pada tahun 2008 diperkirakan sebesar 406.726 unit.

20

DAFTAR PUSTAKA

Ariyari, Agus. 2002, Manajemen Produksi : Pengendalian Produks. BPFE Yogyakarta


Arman Hakim Nasution, Perencanaan Dan Pengendalian Produksi, Edisi I, Guna
Widya, Surabaya, 2003.
Handoko, T. Hani. 1990, Dasar-dasar Manajemen Produksi dan Operasi, BPFE
Yogyakarta
Assauri, Sofyan, Manajemen Produksi, LPFE UI, 1980
Hendra Kusuma, Manajemen Produksi: Perencanaan dan Pengendalian produksi,
Andi, Yogyakarta, 2004.
John E Biegel, Pengendalian Produksi : Suatu Pendekatan Kuantitatif, Akademi
Prasindo, Jakarta, 1992.

Teguh Baroto, Perencanaan Dan Pengendalian Produksi, Edisi I, Ghalia Indonesia,


2002.

21

KEMENT ERIAN PENDIDIKAN NASIONAL

POLITEKNIK NEGERI MALANG


JURUSAN ADMINISTRASI BISNIS
Jalan Soekarno Hatta 9 PO. Box 04 Malang - 65141
Telepon (0341) 404424 Fax. (0341) 404420 http://www.poltek-malang.ac.id

SOAL MODUL PERAMALAN PENJUALAN


PENGAJAR : Drs. Bambang Soepeno, MMKom
PT Abdi Bursa Cahaya dengan data penjualan tahun 1997 sd 2006, manajer pemasaran
ingin membuktikan capaian penjualan 2011 dibandingkan perhitungan yang telah dibuat
staff pemasaran dengan pengetahuan hasil training yang telah diikuti yaitu dengan
metode least square.
Tabel berikut adalah data histori penjualan tahun 1997 - 2006 :
NO

TAHUN

PENJUALAN (Y)

1
2
3
4
5
6
7
8
9
10
JUMLAH

1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
10

16,250
17,200
18,050
18,800
19,450
20,000
20,450
20,800
21,050
21,250
193,300

Tugas :
1. Buat Perhitungan peramalan penjualan tahun 2011 dengan menggunakan metode
Least Square dengan table ( kolom meliputi No. Tahun, Penjualan (Y), X, XY, X2) yang
telah saudara pelajari.

Keys :
Y=a+bX

22

KEMENT ERIAN PENDIDIKAN NASIONAL

POLITEKNIK NEGERI MALANG


JURUSAN ADMINISTRASI BISNIS
Jalan Soekarno Hatta 9 PO. Box 04 Malang - 65141
Telepon (0341) 404424 Fax. (0341) 404420 http://www.poltek-malang.ac.id

SOAL MODUL PERAMALAN PENJUALAN


PENGAJAR : Drs. Bambang Soepeno, MMKom
PT Abdi Bursa Cahaya dengan data penjualan tahun 1997 sd 2006, manajer pemasaran
ingin membuktikan capaian penjualan 2011 dibandingkan perhitungan yang telah dibuat
staff pemasaran dengan pengetahuan hasil training yang telah diikuti yaitu dengan
metode least square.
Tabel berikut adalah data histori penjualan tahun 1997 - 2006 :
NO

TAHUN

PENJUALAN (Y)

1
2
3
4
5
6
7
8
9
10
JUMLAH

1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
10

16,250
17,200
18,050
18,800
19,450
20,000
20,450
20,800
21,050
21,250
193,300

Tugas :
1. Tulis hasil perhitungan ramalan penjuanan dengan Ms Access dengan memakai fungsi
FORECAST
2. Buat Perhitungan peramalan penjualan tahun 2011 dengan menggunakan metode
Least Square dengan table ( kolom meliputi No. Tahun, Penjualan (Y), X, XY, X2) yang
telah saudara pelajari.
3. Bandingankan hasil perhitungan dengan fungsi Forecast dengan perhitungan saudara
dengan mengunakan table
4. Bila ada perbedaan jelaskan

Keys :
Y=a+bX
23