CHAPTER

6
FORECASTING

KELOMPOK 6
PUTRI SULISTIANIN
SUCI PRASETIA
TRIANTO ISMAIL M.

Pengertian Forecasting

Forecasting adalah kegiatan yang dilakukan

untuk membuat prediksi tersebut. Peramalan
dilakukan dengan mengolah data historis,
untuk mempertimbangkan kegiatan di masa
depan.
Kegunaan peramalan terlihat pada saat
pengambilan keputusan atau menetapkan
berbagai kebijakan. Keputusan yang baik
adalah keputusan yang didasarkan atas
pertimbangan apa yang akan terjadi pada
waktu keputusan itu dilaksanakan.

Manfaat Forecasting

Manfaat dari peramalan adalah sebagai

berikut:
Membantu agar perencanaan suatu pekerjaan
dapat diperkirakan dengan tepat
Merupakan suatu pedoman dalam menentukan
tingkat
persediaan
perencanaan
sehingga
dapatbekerja secara optimal
Sebagai masukan untuk penentuan jumlah
investasi
Membantu menentukan pengembangan suatu
pekerjaan untuk periode selanjutnya

Forecasting
Forecastin
g Methods

Quantitative

Qualitati
ve
Causal

Time
Series

Smoothin
g

Trend
Projectio
n

Trend
Trend
Projection
Projection
Adjusted
Adjusted for
for
Seasonal
Seasonal
Influence
Influence

Forecasting : Pendekatan
kuantitatif
Peramalan kuantitatif, menggunakan berbagai model
matematis atau metode statistik dan data historis dan
atau variabel- variabel kausal untuk meramalkan
permintaan,
time series adalah nilai-nilai suatu variabel yang
berurutan menurut waktu (misal: hari, minggu, bulan,
tahun)
metode deret berkala (time series) : metode yang
dipergunakan untuk menganalisis serangkaian data
yang merupakan fungsi dari waktu,
metodekausal (causal/explanatory model) :
mengasumsikan variabel yang diramalkan
menunjukkan
adanya hubungan sebab akibat dengan satu atau
beberapa variabel bebas (independent variable).

Persyaratan Penggunaan
metode Kuantitatif

Tersedia informasi tentang masa lalu.

Informasi tersebut dapat di kuantitatifkan dalam
bentuk data numerik.
Dapat diasumsikan bahwa beberapa aspek pola
masa lalu akan terus berlanjut di masa
mendatang.

Time Series Methods

Tiga Metode Time Series :

smoothing
trend projection
trend projection adjusted for seasonal influence

Komponen dari Time

Series

Trend, Yaitu komponen jangka panjang yang

mendasari pertumbuhan (atau penurunan) suatu
data runtut waktu. Merupakan pergerakan data
sedikit demi sedikit meningkat atau menurun.

Komponen dari Time

Series

Siklikal, yaitu suatu pola dalam data yang terjadi

setiap beberapa tahun. fluktuasi atau siklus dari
data runtut waktu akibat perubahan kondisi
ekonomi

Komponen dari Time

Series

Musiman (seasonal), yaitu pola data yang

berulang pada kurun waktu tertentu. fluktuasi
musiman yang sering dijumpai pada data
kuartalan,bulanan atau mingguan.

Komponen dari Time

Series

Tak Beraturan (irregular), yaitu pola acak

yang disebabkan oleh peristiwa yang tidak bisa
diprediksi atau tidak beraturan.

Ukuran Akurasi dari Forecasting

Mean Square Error(MSE)

Mean Squared Error (MSE) adalah metode lain untuk mengevaluasi
metode peramalan. Masing-masing kesalahan atau sisa dikuadratkan.
Kemudian dijumlahkan dan ditambahkan dengan jumlah observasi.
Pendekatan ini mengatur kesalahan peramalan yang besar karena
kesalahan-kesalahan itu dikuadratkan. Metode itu menghasilkan
kesalahan-kesalahan sedang yang kemungkinan lebih baik untuk
kesalahan kecil, tetapi kadang menghasilkan perbedaan yang besar

Ukuran Akurasi dari Forecasting

Mean Absolute Deviation(MAD)

Metode
untuk
mengevaluasi
metode
peramalan
menggunakan jumlah dari kesalahan-kesalahan yang
absolut.Mean Absolute Deviation(MAD)mengukur ketepatan
ramalan dengan merata-rata kesalahan dugaan (nilai absolut
masing-masing kesalahan). MAD berguna ketika mengukur
kesalahan ramalan dalam unit yang sama sebagai deret asli.

Metode Smoothing

Dalam kasus dimana seri waktu cukup stabil dan

tidak memiliki signifikan trend, seasonal, atau
cyclical effect, kita dapat menggunakan metode
smoothing untuk menghitung rata-rata komponen
irregular dari time series.

3 Metode smoothing :
Moving averages
Weighted moving averages
Exponential smoothing

Metode Smoothing

Rata-rata bergerak (moving averages)

Moving Averages: metode peramalan perataan
nilai dengan mengambil sekelompok nilai
pengamatan kemudaian dicari rata-ratanya, lalau
menggunakan rata-rata tersebut sebagai ramalan
untuk periode berikutnya

Moving Average

Contoh :
Gasoline sales times series, (forecase untuk minggu ke-7)

Week

Sales(1000s of gallons)

1
2

17
18

16

4
5

17
15

18

DATA
Graph of Gasoline Sales Time Series

Week Sales (1000s of

gallons)
1
17
2
3
4
5
6

18
16
17
15
18

18.5
18
17.5

Sales (1000s)

17
16.5
16
15.5
15
14.5
14
13.5

Week

kalkulasi Forecasting menggunakan moving

average sebanyak 3 minggu
Week
Time Series
Series
Moving
AverageForecast Moving
Week
Time
Moving
Squared average
Forecast (weeks 1 - 3)
Value
Forecast
Value
Average
Error
17Error
18 16 51

17
Forecast
3
3
17
11
17
Moving average (weeks 2 - 4)
18
22
18
18 16 17 51

33

16
16

44

17
17

17

15

17

-2

15

18

18

17
17

16

16

16,67

16,67

Totals

17

0
Moving average (weeks 3 - 5)
4 15 48
16 17

43

16

Forecast for
Moving average (weeks 2 - 4)
week 7
17 15

18
50
8

16,67
3

Forecast error = time series-moving average

Sequared Forecast error = (forecast error)

MSE

2
e

8
2,67
3

Grafik penjualan gasoline time series dan

moving average 3 minggu
17.2
17
16.8
16.6

Forecast untuk
minggu ke-7

16.4

Sales (1000s)

16.2
16
15.8
15.6
15.4

Week
Time Series Value

Moving Average Forecast

Metode Smoothing

Rata-Rata Bergerak Tertimbang

(weighted moving averages)
Weighted Moving Averages : apabila ada pola
atau trend yang dapat dideteksi, Bobot bisa
digunakan untuk menempatkan lebih banyak
tekanan pada nilai baru

Weighted Moving Average

Weighted Moving
Average

W .Sales
W
t

Contoh:
Gasoline sales times series, (forecase Untuk minggu ke-7)

Week
1
2
3
4
5
6

Sales (1000s of gallons)

17
18
16
17
15
18
*
Weighted :

Forecast using a three-week weighted moving average:

Moving average (weeks 1 - 3)

17.1 + 18.2 + 16.3 101

16,83
6
6

Moving average (weeks 2 - 4)

18.1 + 16.2 + 17.3 101

16,83
6
6

Moving average (weeks 3 - 5)

16.1 + 17.2 + 15.3 95

15,83
6
6

17.1 + 15.2 + 18.3 101

16,83
Moving average (weeks 4 - 6)
6
6

kalkulasi Forecast menggunakan weighted moving average sebanyak 3

minggu

Week

Time Series
Value

1
2
3
4
5
6

17
18
16
17
15
18

Weighted
Moving Average
Forecast

16,83
16,83
15,83
16,83
Total

Forecast Untuk
minggu ke-7

Forecast
Error

Squared
Forecast Error

0,17
-1,83
2,17

0,0289
3,3489
4,7089

0,51

8,0867

MSE

2
e

8,0867
2,70
3

Graph of Gasoline sales Time Series

and Three-Week Weighted Moving Average Forecast
17
16.8
16.6

Forecast Untuk
minggu ke-7

16.4
16.2

Sales (1000s)

16
15.8
15.6
15.4
15.2

Week
Time Series Value

Weighted Moving Average Forecast

Metode Smoothing

Penghalusan eksponensial (exponential smoothing)

Penghalusan Eksponensial: metode peramalan dengan menambahkan
parameter alpha dalam modelnya untuk mengurangi faktor kerandoman.
Istilah eksponensial dalam metode ini berasal dari pembobotan/timbangan
(faktor penghalusan dari periode-periode sebelumnya yang berbentuk
eksponensial.

Fungsi

Ft+1 = Yt + (1- )
Ft

Dimana :
Ft+1 = ramalan untuk periode berikutnya t + 1
Yt
= permintaan aktual (periode sekarang)
Ft
= ramalan yang telah ditentukan sebelumnya (periode sekarang )

= bobot atau konstanta penghalus (0 1)

Contoh:
Times Series Penjualan Mobil Showroom RXY selama
6 bulan
Month
Pertanyaan:
1
Forecast untuk minggu ke 2 dan 3
2
menggunakan Exponential Smoothing
jika =0,2 ?
3
4
F2 = Y1 + (1 - ) F1
5
Karena minggu ke-1 adalah data
6
pertama, F tidak dapat di forecast, jadi
1

F1 = Y1, jadi :
F2 = 0,2 . 17 + (1 - 0,2) 17
F2 = 3,2+ (0,8) 17
F2 = 3,2+ 13,6
F2 = 17
.. F2 = 17 or F2 = Y1

Sales
17
18
16
20
15
18

F3 = Y2 + (1 - ) F2
F3 = 0,2 . 18 + (1 - 0,2) 17
F3 = 3,6+ (0,8) 17
F3 = 3,6+ 13,6
F3 = 17,2
.. F3 = 17,2

Kalkulasi exponential smoothing forecast dari gasoline

Week

Time Series
Value

1
2
3
4
5
6
7

17
18
16
20
15
18

Exponential
Smoothing
Forecast

Forecast
Error

Squared Forecast
Error

17,00
17,20
16,96
17,57
17,05
17,24

1,00
-1,20
3,04
-2,57
0,95

1,0000
1,4400
9,2416
6,6049
0,9025

1,22

19,189

Total

Forecast
untuk minggu
ke-7

MSE

2
e

19,189
3,8378
5
Graph of Gasoline Time Series
and Forecast with Smoothing Constant = 0,2
17.8
17.6
17.4

Sales (1000s)

17.2
17
16.8
16.6

Month
Time Series Value

Exponential Smoothing Forecast

Proyeksi trend (trend

projection)

Metode proyeksi trend dengan regresi,

merupakan metode yang dignakan baik untuk
jangka pendek maupun jangka panjang.
Metode ini merupakan garis trend untuk
persamaan matematis.
Trend Projection (proyeksi tren) juga dapat di
artikan sebagai metode peramalan yang
menyesuaikan sebuah garis tren pada
sekumpulan data masa lalu, dan kemudian
diproyeksikan dalam garis untuk meramalkan
masa depan.

Proyeksi trend (trend

projection)

FUNGSI:

T1 = b0 + b1 t
dimana
Tt
= nilai tren pada periode t (sebagai variabel tak
bebas/dependent variabel)
b0
= intercept garis tren
b1
= slope/kemiringan garis tren
t
= waktu (sebagai variabel bebas/independent variable)

menghitung b1 dan b0

b1

n tYt ( t Yt ) / n
n t ( t ) / n
2

Dimana
Yt
= nilai sebenarnya pada periode t
n
= banyaknya periode dalam deret berkala

b0 Y b1 t

Contoh :
Gasoline Sales Time Series
Year {t}
1
2
3
4
5
6
7
8
9
10

Sales (in 1000s) {Yt}

20
22
23
21
23
24
26
23
20
24

Totals

Yt

tYt

t2

20

20

22

44

23

69

21

84

16

23

115

25

24

144

36

26

182

49

23

184

64

20

180

81

10

24

55

226

240
1262

100
385

Trend Represented berdasarkan fungsi linier untuk Gasoline Sales

30
25
Sales (1000s)

20
15
10
5
0
0

10

12

Year

b0 22,6 - 0,23(5,5) = 22,6 - 1,265

= 21,335
= 21,34

55
5,5
10
226

22,6
Y
10
10
b1 1262 - (55)(226)/
385 - (55) 2 /10
1262 1243

385 302,5
19

82,5
0,23

dimana, Tt = 21,34 + 0,23 t

Jadi forecasting untuk minggu ke 11:
T11 = 21,34 + 0,23 (11)
= 21,34 + 2,53
= 23,87

Trend dan Seasonal Components

Banyak Situasi dalam bisnis dan ekonomi melibatkan

period-to-period
comparisons.
Misalnya
pengangguran meningkat sampai dengan 2%
dibandingkan bulan lalu atau produksi baja menigkat
hingga 5% dibanding bulan lalu. Namun karena
setiap kali pengaruh musiman hadir, perbandingan
tersebut biasanya tidak terlalu banyak berpengaruh
Penghapusan dari efek seasonal dari time series
disebut dengan deseasonalizing the time series.
Mengunakan penghapusan tersebut akan membuat
period-to-period comparisons lebih berpengaruh dan
bisa membantu mengidentifikasi trend

Multiplicative Model
Yt = T t + S t
+ It

T
S
I
t
Y

=
=
=
=
=

Trend Component
Seasonal Component
irregular Component
irregular Component at time
Multiplicative time series model

Irregular component menyumbang efek acak dalam time series

yang tidak dapat dijelaskan oleh tren dan komponen musiman.
Tt adalah tren yang diukur dalam satuan item yang perkiraan.
Pada St dan komponen It diukur secara relatif.
Nilai >1.00 = efek di atas tren
Nilai <1.00 = efek bawah tren

MetodeKausal (explanatory
model)

Merupakan metode peramalan yang didasarkan kepada

hubungan antara variabel yang diperkirakan dengan
variabel alin yang mempengaruhinya tetapi buakn waktu.
Dalam prakteknya jenis metode peramalan ini terdiri dari :
Metode regresi dan kolerasi, merupakan metode yang digunakan
baik untuk jangka panjang maupun jangka pendek dan didasarkan
kepada persamaan dengan teknik least squares yang dianalisis
secara statis.
Model Input Output, merupakan metode yang digunakan untuk
peramalan jangka panjang yang biasa digunakan untuk menyusun
trend ekonomi jangka panjang.
Model ekonometri, merupakan peramalan yang digunakan untuk
jangka panjang dan jangka pendek.

Analisis Regresi sebagai Metode

Peramalan kausal

Dengan menggunakan analisis regresi

dapat mengembangkan suatu persamaan
yang menunjukkan bagaimana variabel
dependen y berhubungan dengan variabel x
independen. Dalam situasi di mana data
time series tidak tersedia, analisis regresi
masih
bisa
digunakan
untuk
mengembangkan forecast.

Menghitung Analisis Regresi sebagai Metode

Peramalan kausal
= perkiraan nilai dari dependen variable (quarterly sales)
b0 = Intercept estimasi persamaan regresi
b1 = estimasi kemiringan persamaan regresi
x = nilai dari independen variabel

Menghitung b0 dan b1

= rata-rata independen variable

= rata-rata dependen variable
n = total pengamatan
xi = nilai variable independen untuk data pengamatan i
yi = nilai variable dependen untuk data pengamatan I

Metode Kualitatif

Metodekualitatif
umumnya
bersifatsubjektif,
dipengaruhi
olehintuisi,
emosi,
pendidikandanpengalamanseseorang. Oleh karena
itu hasil peramalan dari satu orang dengan orang
lain dapatberbeda.Meskipun demikian, peramalan
kualitatif
dapat
menggunakanteknik/metodeperamalan,yaitu :

Metode Kualitatif

Juri dari Opini Eksekutif: metode ini mengambil

opini atau pendapat dari sekelompok kecil manajer
puncak/topmanager(pemasaran,
produksi,
teknik,
keuangan dan logistik) yang seringkali dikombinasikan
dengan model-model statistik

Gabungan Tenaga Penjualan: setiap tenaga

penjual meramalkan tingkat penjualan di daerahnya,
yang kemudian digabung pada tingkat provinsi dan
nasional untuk mencapai ramalan secara menyeluruh.

Metode Kualitatif

Metode Delphi: dalam metode ini serangkaian kuesioner

disebarkan kepada responden, jawabannya kemudian
diringkas dan diberikan kepada para ahli untuk dibuat
peramalannya. Metode memakan waktu dan melibatkan
banyak pihak, yaitu para staf, yang membuat kuesioner,
mengirim, merangkum hasilnya untuk dipakai para ahli dalam
menganalisisnya. Keuntungan metode ini hasilnya lebih
akurat dan lebih profesional sehingga hasil peramalan
diharapkan mendekati aktualnya.

Survai Pasar (market survey): Masukan diperoleh dari

konsumen atau konsumen potensial terhadap rencana
pembelian pada periode yang diamati. Survai dapat dilakukan
dengan kuesioner, telepon, atau wawancara langsung.

Kesimpulan

Peramalan merupakan tahapan awal dalam

perencanaan sistem operasi produksi.

Model yang paling tepat harus dipilih dalam

melakukan peramalan.

Model yang dipilih dapat dibandingkan dengan

model yang lain dengan menggunakan kriteria
minimum average sum of squared errors

Distribusi forecast errors harus dimonitor, jika

terjadi bias maka model yang digunakan tidak
tepat.

Saran

Sebelum melakukan peramalan harus

diketahui terlebih dahulu apa sebenarnya
persoalan dalam pengambilan keputusan
agar dapat mengetahui definisi tujuan dari
peramalan tersebut dapat dilihat dengan
waktu: yaitu:
Jangka pendek (Short Term)
Jangka Menengah (Medium Term)
Jangka Panjang (Long Term)

THANK YOU