Peramalan atau forecasting permintaan akan produk dan jasa di waktu mendatang dan bagianbagiannya adalah sangat penting

dalam perencanaan dan pengawasan produksi. Yang dimaksud

dengan peramalan produksi atau production forecasting dalam hal ini adalah peramalan tentang
produk apa dan berapa yang akan diproduksi oleh perusahaan yang bersangkutan. Dengan
demikian, maka dari peramalan produksi yang disusun oleh perusahan ini akan dapat diberikan data
produk apa saja yang akan diproduksi pada periode yang akan datang, sekaligus berapa jumlah
masing-masing produk yang akan dipromosikan dalam perusahaan tersebut.
Peramalan menurut Pangestu Subagyo ( Forecasting : 2002 ) :
Forecasting adalah peramalan atau perkiraan yang belum terjadi. Dalam ilmu pengetahuan sosial
segala sesuatu itu serba tidak pasti, sukar diperkirakan secara tepat, oleh karena itu digunakan
forecasting yang bertujuan agar forecast atau peramalan yang dibuat bisa meminimumkan pengaruh
ketidakpastian ini terhadap perusahaan.
Peramalan menurut Philip Kotler ( Manajemen Pemasaran :1995 ) :
Peramalan adalah tingkat penjualan perusahaan yang diharapkan berdasarkan rencana pemasaran
yang dipilih dan lingkungan pemasaran yang diasumsikan .
Peramalan menurut Phillip Kotler dan Garry Amstrong (Dasar-DasarPemasaran : 1997) :
Peramalan adalah seni memperkirakan permintaan dimasa depan dengan mengantisipasi apa yang
tampaknya akan dilakukan pembeli di bawah kondisi masa depan tertentu.
Peramalan menurut Zulian Yamit ( Manajemen persediaan : 1999 ) :
Peramalan adalah prediksi, proyeksi, atau estimasi tingkat kejadian yang tidak pasti dimasa yang
akan datang. Ketepatan secara mutlak dalam memprediksi peristiwa dan tingkat kegiatan yang akan
datang adalah tidak mungkin dicapai, oleh karena itu ketika perusahan tidak dapat melihat kejadian
yang akan datang secara pasti diperlukan waktu dan tenaga yang besar agar mereka dapat memiliki
kekuatan untuk menarik kesimpulan terhadap kejadian yang akan datang.
Fungsi dari tinjauan terhadap penglihatan masa depan ini adalah membantu para pengambil
keputusan dalam memilih alternatif-alternatif yang menjadi arah keputusannya, dan kemudian
melihat konsekuensi dari keputusan tersebut dimasa yang akan datang.
Beberapa sumber data yang dapat digunakan untuk melakukan peramalan adalah sebagai berikut:
Pendapat konsumen
Pendapat langganan atau kostumer
Catatan atau pendapat distributor
Catatan penjualan dari perusahaan yang bersangkutan.
2.2.

Kategori Dasar Metode Peramalan

Metode peramalan dapat dibagi kedalam beberapa kategori utama yaitu:

Metode Ekstrapolasi
Metode ini menggunakan riwayat permintaan masa lalu dalam membuat ramalan untuk masa depan.
Sasaran metode ini adalah mengidentifikasikan pola data historis dan mengekstrapolasi pola ini
untuk masa mendatang. Proses ini dapat disamakan dengan mengendarai mobil sambil melihat
melalui kaca spion. Tetapi jika cakupan waktu peramalan pendek, metode ekstrapolasi memberikan
hasil cukup baik.
Metode Kausal
Metode ini mengasumsikan bahwa permintaan akan suatu produk bergantung pada satu atau
beberapa faktor independen, Misalnya harga iklan, harga pesaing, dan sebagainya. Metode ini
berusaha menetapkan hubungan antara variabel yang akan diramalkan dengan variabel-variabel

independen. Setelah hubungan ini ditemukan, nilai-nilai masa mendatang dapat diramalkan cukup
dengan memasukkan nilai-nilai yang sesuai untuk variabel-variabel independen.
Metode Kualitatif
Metode ini mengandalkan opini pakar atau manajer dalam membuat prediksi tentang masa depan.
Metode ini berguna untuk tugas peramalan jangka panjang, penggunaan pertimbangan (judgment)
dalam peramalan sekilas, tampaknya tidak ilmiah dan bersifat sementara. Tetapi, bila data masa lalu
tidak ada atau tidak mencerminkan masa mendatang tidak banyak alternatif selain menggunakan
opini dari orang-orang yang berpengetahuan. Tetapi, ada cara yang baik dan cara yang buruk untuk
mendapatkan pertimbangan (judgment) guna membuat peramalan.
4. Top down forecasting
Dimulai dengan penggunaan hasil-hasil peramalan berbagai kondisi bisnis umum yang dibuat oleh
para ahli ekonomi dalam lembaga pemerintah dan perusahaan besar serta unversitas-universitas.
5.

Bottom up forecasting

Dimulai dengan perkiraan permintaan produk akhir individual. Peramal menerima estimasi dari
orang-orang penjualan, distribusi dan langganan.
2.3.

Proses Peramalan

Proses peramalan biasanya terdiri dari langkah-langkah sebagai berikut:

1. Penentuan Tujuan
Langkah pertama terdiri atas penentuan macam estimasi yang diinginkan. Sebaliknya, tujuan
tergantung pada kebutuhan-kebutuhan informasi para manajer.
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.
3. Pengujian Model
Sebelum diterapkan model biasanya diuji untuk menentukan tingkat

akurasi, validitas dan

reliabilitas yang diharapkan. Ini sering mencakup penerapannya pada data historik, dan penyiapan
estimasi untuk tahun-tahun sekarang dengan data nyata yang tersedia.
4. Penerapan Model
Setelah pengujian, analisis menerapkan model dalam tahap ini data historik dimasukkan dalam
model untuk menghasilkan suatu ramalan.
5. Revisi dan Evaluasi
Ramalan yang dibuat harus senantiasa diperbaiki dan ditinjau kembali. Perbaikan mungkin perlu
dilakukan karena adanya perubahan-perubahan dalam perusahaan atau lingkungannya.
2.4.

Teknik Teknik Peramalan

Dalam pemilihan teknik yang menggunakan metode peramalan perlu

diperhatikan hal-hal apa saja yang dipergunakan untuk pengambilan keputusan dan analisa keadaan
untuk mempersiapkan peramalan.
Ada lima ciri utama yang perlu diperhatikan. Yaitu:
Jumlah Produk.
Analisa apa yang dibuat mengenai berbagai jenis produk yang ditawarkan oleh perusahaan itu
sendiri, yang ada baiknya menuju pada pengembangan usaha yang dilakukan perusahaan itu sendiri.

Ketepatan.
Tingkat ketepatan sangat erat hubungannya dengan perincian yang diperlukan oleh suatu
peramalan.
Horizon Waktu
Keputusan

suatu

analisa

akan

sangat

berpengaruh,

dan

pada

saat

itu

manager

harus

memperhitungkan pemakaian metodeyang tepat pada saat itu juga.

Biaya
Unsur biaya yang terdapat dalam peramalan

penyimpana data

kesempatan untuk memakai metode atau teknik lainnya

biaya untuk pengembangan

operasi pelaksanaan

Tingkat Perincian
Dalam pengambilan suatu keputusan pada umumnya telah dibagi-bagi. Dalam hal ini untuk
mempermudah dalam hal penanganannya menurut tingkat perincian yang diperlukan.
2.5.

Jenis Jenis Peramalan

Apabila dilihat ulang dari segi penyusunannya, maka peramalan dapat dibedakan atas dua macam:
1.

Peramalan Subjektif.

Peramalan yang didasarkan atas perasaan dari penulisnya sendiri

2.

Peramalan Objektif.

Peramalan yang didasarkan atas data yang kongkrit pada masa lalu dan didalam penggunaannya
memakai teknik dan metode untuk menganalisa seluruh data tersebut.
Berdasarkan sifatnya, peramalan dibedakan menjadi dua macam yaitu:
Peramalan Kualitatif
Peramalan yang didasarkan atas kualitatif pada masa lalu dan hasil peramalan yang dibuat
tergantumg pada orang yang menyusunnya. Biasanya peramalan kualitatif berdasarkan atas hasil
penyelidikan atau didasarkan ciri-ciri normatif.
Peramalan Kuantitatif
Peramalan yang didasarkan atas data yang lalu dan hasil peramalan yang dibuat sangat tergantung
pada ramalan tersebut. Peramalan ini hanya dapat digunakan apabila terdapat tiga kondisi, yaitu:
Adanya informasi tentang keadaan yang lain.
Informasi tersebut dapat dikualifikasikan dalam bentuk data.
Data diasumsikan bahwa pola yang lalu akan berkelanjutan pada masa yang akan datang.
2.6.

Akurasi Metode Peramalan

Akurasi

metode

peramalan

merupakan

salah

satu

kriteria

terpenting

untuk

membandingkan berbagai metode peramalan. Biaya, kemudahan aplikasi, dan persyaratan spesifik
dari suatu situasi perencanaan adalah faktor-faktor lain yang mempengaruhi pemilihan metode
peramalan. Sukar menentukan metode mana yang akan memberikan ramalan paling akurat dalam
suatu situasi tertentu. Tetapi selama bertahun-tahun, banyak bukt empirik telah dikumpulkan baik
berupa data hipotetik maupun nyata yang memungkinkan beberapa kesimpulan umum tentang
akurasi relatif dari berbagai metode peramalan.

Makridakis dan Winkler (1983) secara empirik memperkirakan dampak dari jumlah dan pilihan
metode peramalan atas akurasi ramalan bila hasil dari metode yang digunakan dirata-ratakan
langsung untuk mendapatkan hasil ramalan akhir. Temuan-temuan pokok mereka adalah sebagai
berikut:
Akurasi peramalan meningkat jika ramalan dari lebih banyak metode dikombinasikan untuk
menghasilkan ramalan akhir; tetapi dampak marjinal dari penambahan satu metode berkurang
dengan semakin banyaknya jumlah metode yang digunakan.
Resiko kesalahan yang lebih besar dalam peramalan yang mungkin disebabkan oleh pemilihan
metode yang keliru berkurang bila hasil dari dua atau lebih metode di kombinasikan.
Variabel dalam akurasi ramalan diantara berbagai kombinasi metode peramalan berkurang dengan
makin banyaknya metode yang digunakan.
Jadi, alternatif yang bisa dilakukan bila kita tidak pasti mengenai metode peramalan yang terbaik
adalah mengambil rata-rata ramalan dari dua atau beberapa model peramalan.
2.7.

Pemilihan Metoda Yang Tepat

Jika proses perubahan dapat diketahui dengan tepat maka forecast pasti bisa

tepat seperti yang akan terjadi. Hal ini hanya bisa terjadi dalam ilmu alam dan ilmu pasti. Misalnya
kalau suhu udara dipanaskan, apabila faktor lain tetap maka tekanan udara akan bertambah.
Hubungan antara tekanan dengan suhu udara ini sudah tetap, artinya kalau diulang lagi pasti
hasilnya sama. Lain halnya dalam ilmu sosial, hubungan yang pasti ini sulit diperoleh dan pola
perubahan yang sebenarnya sulit diketahui.
Oleh karena itu dalam membuat forecast keadaan sosial pada umumnya dan bidang ekonomi pada
khususnya tidak mungkin bisa tepat. Penyimpangan pasti ada karena tingkah laku manusia itu selalu
dipengaruhi oleh berbagai macam hal, seperti kebudayaan, selera, perasaan, dan sebagainya. Dalam
bidang sosial dan ekonomi, meskipun kita tidak bisa membuat forecast yang persis sama dengan
kenyataan, tetapi bukan berarti forecast ini tidak penting, forecast sangat penting sebagai pedoman
dalam pembuatan rencana. Kerja dengan menggunakan forecast akan jauh lebih baik daripada tanpa
forecast sama sekali. Hanya sekarang masalahnya bagaimanakah cara membuat forecast agar bisa
mendekati kenyataan. Caranya kita harus bisa memilih metode forecast yang paling cocok dengan
masalahnya.
Bagaimanakah cara membuat forecast agar bisa mendekati kenyataan. Caranya kita harus bisa
memilih metode forecast yang paling cocok dengan masalahnya. Banyak sekali metoda forecasting
yang ada, misalnya metode moving averages, metode exponential smoothing, metoda dekomposisi,
metode input output, metde regresi, metode simulasi, dan sebagainya. Kesemuanya itu belum tentu
cocok untuk setiap masalah. Tidak ada metoda forecasting yang paling baik dan selalu cocok
digunakan untuk membuat forecast setiap macam hal. Suatu metoda mungkin sangat cocok untuk
membuat forecast mengenai sesuaru hal tetapi tetapi tidak cocok untuk membuat forecast hal yang
lain. Oleh karena itu kita harus memilih metode yang cocok, yaitu yang bisa meminimumkan
kesalahan forecast.
2.8.

Metoda Dekomposisi
Metoda Dekomposisi sering juga disebut sebagai metoda Time Series. Metoda ini

didasarkan pada kenyataan bahwa biasanya apa yang telah terjadi itu akan berulang kembali dengan
pola yang sama. Artinya yang dulu selalu naik , pada waktu yang akan datang biasanya akan naik
juga; yang biasanya berkurang biasanya akan berkurang juga; yang biasanya berfluktuasi akan
berfluktuasi dan biasanya tidak teratur, biasanya akan tidak teratur.

Perubahan suatu hal itu biasanya mempunyai pola yang agak kompleks, misalnya ada unsur
kenaikan, berfluktuasi dan tidak teratur. Untuk dianalisa dan diramal sekaligus sangat sulit,
sehingga biasanya diadakan dekomposisi atau pemecahan yang komponen perubahnya terdiri dari;
Trend (T), Fluktuasi Musiman (M), Fluktuasi Siklis (S), dan perubahan-perubahan yang bersifat
Random (R). Disini yang akan dibahas adalah Trend (T).
Trend atau sering disebut Seculer Trend adalah rata-rata perubahan (biasanya tiap tahun) dalam
jangka panjang. Kalau hal yang diteliti menunjukkan gejala kenaikan maka trend yang dimiliki
menunjukkan rata-rata pertambahan, sering disebut trend positif; tetapi kalau hal yang kita teliti
menunjukkan gejala semakin berkurang, maka trend yang kita miliki menunjukkan rata-rata
penurunan atau sering disebut trend negatif.
Menurut Pangestu Subagyo ( Forecasting, Konsep dan Aplikasi : 2002), metoda Dekomposisi dibagi
kedalam dua bentuk metoda yaitu metoda Trend Linier Least Squares dan Trend Eksponensial.
Penggunaan metoda-metoda itu tentu saja disesuaikan dengan kebutuhan dan sifat data yang
dimiliki.
2.8.1

Trend Linier Dengan Metoda Least Squares

Sebetulnya ada beberapa metoda yang bisa dipakai untuk membuat trend linier ini, misalnya metoda
setengah rata-rata, tetapi yang paling banyak digunakan adalah metoda least squares. Oleh karena
itu dalam bagian ini yang akan kita bicarakan hanya metoda least squares saja. Dikatakn sebagai
metoda least squares karena persaman yang diperoleh mengakibatkan jumlah kesalahan forecast
kuadrat terkecil kalu dibandingkan dengan persamaan yang dihasilkan oleh metoda lain.
Untuk mencari persamaan trend dengan metoda least squares adalah sebagai berikut :
= a + bX
Dimana adalah nilai trend ( forecast ), a adalah bilangan konstan, b adalah slope atau koefisien
kecondongan garis trend dan X mewakili waktu (tahun).
Untuk mencari nilai a dan nilai b dari persamaan diatas, maka dapat digunakan dua persamaan
normal sebagai berikut:
Y = n . a + b . X
XY = a . X + b . X
Untuk mempermudah hitungannya biasanya nilai X pada tahun yang berada di tengah diberi angka
0, tahun-tahun sesudahnya berturut-turut 1, 2, 3, dan seterusnya, sedangkan tahun-tahun
sebelumnya berturut-turut

-1, -2, -3, dan seterusnya. Kalau jumlah data (tahun) ganjil, maka kita

bisa meletakkan X = 0 tepat ditahun yang berada di tengah, sehingga persamaan diatas dapat
dirubah, manghasilkan rumus untuk mencari nilai a dan nilai b secara lebih singkat sebagai berikut:
a = X / n
b = XY / X
Untuk data yang jumlah tahunnya genap akan menjadi masalah, sebab tidak ada tahun yang tepat di
tengah dan nilai X = 0 terletak diantara dua tahun yang mendekati tengah. Untuk mengatasi hal ini
kita buat skala X setengah tahunan, sehingga untuk setiap perbedaan satu tahun nilai X berbeda
pula. Lihat contoh gambar 2.1.
1997

1998

-5

-3

Gambar 2.1.

1999

2000

2001

2002

-1

tahun
skala X

Skala X dengan tahunan karena banyaknya tahun genap.

Tahun yang mendekati tengah diantara tahun 1999 dan 2000, oleh karena itu origin (X = 0) terletak
di antara tahun 1999 dan 2000. Untuk tahun 1999 terletak setengah tahun sebelum tahun origin,
maka diberi nilai X = -1, sedang tahun 2000 setengah tahun sesudah origin diberi nilai X = 1,
sedangkan untuk tahun 2001 terletak satu setengah tahun dari origin maka diberi nilai X = 3; dan
seterusnya.
2.8.2.

Trend Eksponensial

Perubahan sesuatu itu mungkin bersifat eksponensial, seperti persamaan di bawah ini :
= ab

Untuk mencari nilai a serta b pada persamaan diatas sukar, maka kita gunakan cara dengan bantuan
logaritma, sehingga persamaannya berubah menjadi persaman dengan skala logaritma, yang
menghasilkan proyeksi terhadap log Y, sebagai berikut:
Log = log a + x . log b
Untuk mencari nilai log a serta log b digunakan rumus sebagai berikut :
Log a = log y

dan log b = ( x . log y )

N

Untuk mencari persamaan trend dilakukan dengan prosedur sebagai berikut:

Susunlah data kedalam tabel
Hitunglah logaritma ( log Y )dari data tersebut, kemudian hitung jumlahnya.
Buatlah skala X dengan nilai 0 ditengah
Hitung nilai X, kemudian jumlahkan.
Kalikanlah hasil logaritma ( log Y ) dengan nilai X, kemudian jumlahkan.
Hitung log a dan log b
Hitung log pada tahun yang dikehendaki.

https://randynoerhardi.wordpress.com/2012/10/30/analisis-peramalan-penjualan-pada-pt-fast-foodkfc-indonesia-2/ (15 Mei 2015)

Peramalan ( Forecasting)
PERAMALAN (FORECASTING)

Salah satu keputusan penting dalam perusahaan yang dilakukan oleh manajemen
adalah menentukan tingkat produksi dari barang atau jasa yang perlu disiapkan untuk masa
datang. Penentuan tingkat produksi, yang merupakan tingkat penawaran yang dipengaruhi oleh
jumlah permintaan pasar yang dapat dipenuhi oleh perusahaan. Tingkat penawaran yang lebih
tinggi dari permintaan pasar dapat mengakibatkan terjadinya pemborosan biaya, seperti biaya
penyimpanan, biaya modal, dan biaya kerusakan barang. Tingkat penawaran yang lebih rendah
dibandingkan dengan kemampuan pangsa pasar yang dapat diraih mengakibatkan hilangnya

kesempatan untuk memperoleh keuntungan, bahkan mengakibatkan hilangnya pelanggan

karena beralih ke pesaing.
Untuk membantu tercapainya suatu keputusan yang optimal diperlukan adanya suatu
cara yang tepat, sistematis dan dapat dipertanggungjawabkan. Salah satu alat yang diperlukan
oleh manajemen dan merupakan bagian dari proses pengambilan keputusan adalah metode
Peramalan (Forecasting). Metode peramalan digunakan untuk mengukur atau menaksir
keadaan di masa datang. Peramalan tidak saja dilakukan untuk menentukan jumlah produk
yang perlu dibuat atau kapasitas jasa yang perlu disediakan, tetapi juga diperlukan untuk
berbagai bidang lain (seperti dalam pengadaan, penjualan, personalia, termasuk peramalan
teknologi, ekonomi ataupun perubahan sosial-budaya). Dalam setiap perusahaan, bagian yang
satu selalu mempunyai keterkaitan dengan bagian lain sehingga suatu peramalan yang baik
atau buruk akan mempengaruhi perusahaan secara keseluruhan.
Kebutuhan akan peramalan semakin bertambah sejalan dengan keinginan manajemen
untuk memberikan respon yang cepat dan tepat terhadap kesempatan di masa datang, serta
menjadi lebih ilmiah dalam menghadapi lingkungan. Oleh karena itu, penguasaan terhadap
metode peramalan menjadi signifikan bagi seorang manajer operasi.

1.1

Pengertian Umum
Peramalan dapat dilakukan secara kuantitatif ataupun kualitatif. Pengukuran kuantitatif

menggunakan metode statistik, sedangkan pengukuran kualitatif berdasarkan pendapat

(judgment) dari yang melakukan peramalan. Berkaitan dengan itu, dalam peramalan dikenal
istilah prakiraan dan prediksi.
Peramalan didefinisikan sebagai proses peramalan suatu variabel (kejadian) di masa
datang dengan berdasarkan data variabel yang bersangkutan pada masa sebelumnya. Data
masa lampau itu secara sistematik digabungkan dengan menggunakan suatu metode tertentu
dan diolah untuk memperoleh prakiraan keadaan pada masa datang.
Prediksi adalah proses peramalan suatu variabel di masa datang dengan lebih
mendasarkan pada pertimbangan subjektif/intuisi daripada data kejadian pada masa lampau.
Meskipun lebih menekankan pada intuisi, dalam prediksi juga sering terdapat data kuantitatif
yang dipakai sebagai masukan dalam melakukan peramalan. Dalam prediksi, peramalan yang

baik/tepat sangat tergantung dari kemampuan, pengalaman dan kepekaan dari orang yang
bersangkutan.
Perbedaan antara prakiraan dan prediksi dapat digambarkan sebagai berikut. Suatu
perusahaan ingin meramalkan berapa permintaan pasar atas produknya pada periode yang
akan datang, maka perusahaan itu dapat melakukan prakiraan dengan menggunakan data
penjualan periode sebelumnya untuk mengetahui taksiran permintaan pasar. Namun, jika akan
mengeluarkan produk baru, perusahaan yang bersangkutan melakukan prediksi untuk
mengetahui berapa jumlah yang dapat diserap pasar karena belum mempunyai data penjualan
masa lampau. Dalam hal ini, perusahaan menggunakan data kuantitatifseperti data penjualan
produk sejenis dari perusahaan lainsebagai masukan dalam melakukan prediksi.
Berdasarkan horizon waktu, Jenis-jenis peramalan dapat dibagi dalam tiga bagian, yaitu
peramalan jangka panjang, menengah, dan jangka pendek.
1. Peramalan jangka panjang, yaitu yang mencakup waktu lebih besar dari 24 bulan, misalnya
peramalan yang diperlukan dalam kaitannya dengan penanaman modal, perencanaan fasilitas,
dan perencanaan untuk kegiatan litbang.
2. Peramalan jangka menengah, yaitu antara 3-24 bulan, misalnya peramalan untuk
perencanaan penjualan, perencanaan dan anggaran produksi.
3. Peramalan jangka pendek, yaitu untuk jangka waktu kurang dari 3 bulan, misalnya peramalan
dalam hubungannya dengan perencanaan pembelian material, penjadwalan kerja, dan
penugasan.
Peramalan jangka panjang banyak menggunakan pendekatan kualitatif, sedangkan
peramalan jangka menengah dan pendek menggunakan pendekatan kuantitatif.
1.2

Metode Peramalan Kuantitatif

Pada

dasarnya,

metode

kuantitatif

yang

digunakan

dalam

prakiraan

dapat

dikelompokkan dalam dua jenis, yaitu metode serial waktu dan metode kausal. Metode serial
waktu (deret berkala, time series) adalah metode yang digunakan untuk menganalisis
serangkaian data yang merupakan fungsi dari waktu. Metode ini mengasumsikan bahwa
beberapa pola atau kombinasi pola selalu berulang sepanjang waktu, dan pola dasar dapat
diidentifikasi semata-mata atas dasar data historis dari serial itu. Tujuan analisis ini untuk

menemukan pola deret variabel yang bersangkutan berdasarkan nilai-nilai variabel pada masa
sebelumnya, dan mengekstrapolasikan pola itu untuk membuat peramalan nilai variabel
tersebut pada masa datang.
Metode kausal (causal/explanatory model) mengasumsikan bahwa faktor yang
diprakirakan menunjukkan adanya hubungan sebab akibat dengan satu atau beberapa variabel
bebas (independen). Misalnya, permintaan printer berhubungan dengan jumlah penjualan
komputer, atau jumlah pendapatan berhubungan dengan faktor-faktor, seperti jumlah penjualan,
harga jual, dan tingkat promosi. Kegunaan metode kausal untuk menemukan bentuk hubungan
antara variabel-variabel dan menggunakannya untuk meramalkan nilai dari variabel tidak bebas
(dependen).
1.2.1

Metode Serial Waktu

Analisis serial waktu dimulai dengan memplot data pada suatu skala waktu, mempelajari

plot tersebut, dan akhirnya mencari suatu bentuk atau pola yang konsisten atas data. Pola dari
serangkaian data dalam serial waktu dapat dikelompokkan dalam pola dasar sebagai berikut
(lihat gambar 4.1).

1. Konstan, yaitu apabila data berfluktuasi di sekitar rata-rata secara stabil. Polanya berupa garis
lurus horizontal. Pola seperti ini terdapat dalam jangka pendek atau menengah, jarang sekali
suatu variabel memiliki pola konstan dalam jangka panjang.
2. Kecenderungan (trend), yaitu apabila data dalam jangka panjang mempunyai kecenderungan,
baik yang arahnya meningkat dari waktu ke waktu maupun menurun. Pola ini disebabkan
antara lain oleh bertambahnya populasi, perubahan pendapatan, dan pengaruh budaya.
3. Musiman (seasonal), yaitu apabila polanya merupakan gerakan yang berulang-ulang secara
teratur dalam setiap periode tertentu, misalnya tahunan, semesteran, kuartalan, bulanan atau
mingguan. Pola ini berhubungan dengan faktor iklim/cuaca atau faktor yang dibuat oleh
manusia, seperti liburan dan hari besar.
4. Siklus (cyclical), yaitu apabila data dipengaruhi oleh fluktuasi ekonomi jangka panjang, seperti
daur hidup bisnis. Perbedaan utama antara pola musiman dan siklus adalah pola musiman

mempunyai panjang gelombang yang tetap dan terjadi pada jarak waktu yang tetap, sedangkan
pola siklus memiliki durasi yang lebih panjang dan bervariasi dari satu siklus ke siklus yang lain.
5. Residu atau variasi acak, yaitu apabila data tidak teratur sama sekali. Data yang bersifat residu
tidak dapat digambarkan.

Pengolahan data kuantitatif dari serial waktu dapat dilakukan dengan metode dasar,
sebagai berikut:
a.

rata-rata bergerak;

b.

pemulusan eksponensial;

c.

dekomposisi.
Metode dasar itu telah dikembangkan lagi menjadi berbagai derivasi/ turunannya. Dalam
buku ini hanya akan dibahas sebagian dari derivasi metode dasar tersebut.

1.2.2
1.

Metode Rata-Rata Bergerak

Metode Rata-Rata Bergerak Sederhana (Simple Moving Average)
Prakiraan didasarkan pada proyeksi serial data yang dimuluskan dengan rata-rata

bergerak. Satu set data (N periode terakhir) dicari rata-ratanya, selanjutnya dipakai sebagai
prakiraan untuk periode berikutnya. Istilah rata-rata bergerak digunakan karena setiap
diperoleh observasi (data aktual) baru maka rata-rata yang baru dapat dihitung dengan
mengeluarkan/meninggalkan data periode yang terlama dan memasukkan data periode yang
terbaru/terakhir. Rata-rata yang baru ini kemudian dipakai sebagai prakiraan untuk periode
yang akan datang, dan seterusnya. Serial data yang digunakan jumlahnya selalu tetap
termasuk data periode terakhir.
Secara matematika, rumus prakiraan dengan metode rata-rata bergerak sederhana sebagai
berikut.

Ft+1 =

Dimana :
Xt

= data pengamatan periode t

= jumlah deret waktu yang digunakan

Ft+1

= nilai prakiraan periode t + 1

Tabel 6.1 memberikan contoh perhitungan peramalan menggunakan metode rata-rata bergerak
sederhana dengan deret waktu (N) 3 periode dan 5 periode.

Tabel 1.1

Prakiraan dengan Metode Rata-Rata Bergerak Sederhana

Periode

Nilai pengamatan

Nilai peramalan (F)

(t)

(Xt)

(N = 3)

(N = 5)

41

40

42

43

41,0

41

41,7

42

42,0

41,4

41

42,0

41,6

40

41,3

41,8

43

41,0

41,4

10

42

41,3

41,4

11

41,7

41,6

Prakiraan permintaan pada periode ke-11 dapat dihitung, sebagai berikut.

Untuk N = 3

F11 = (40 + 43 + 42) / 3 = 41,7

N=5

F11 = (42 + 41 + 40 + 43 + 42) / 5 = 41,6

Semakin panjang/banyak serial waktu yang digunakan, grafik prakiraannya akan

semakin halus (pengisolasian faktor random makin halus) tetapi semakin kurang responsif
terhadap data aktualnya (lilhat gambar 4.2). Serial waktu yang digunakan dipilih secara trial and
error sampai diperoleh kesalahan prakiraan yang terkecil. Pengukuran ketelitian prakiraan
diterangkan pada bagian akhir bab ini.

2.

Metode Rata-Rata Bergerak Tertimbang

Metode rata-rata bergerak sederhana menggunakan bobot yang sama pada setiap
periode. Hal ini menunjukkan bentuk prakiraannya linier. Dalam banyak hal, periode yang
diramalkan (periode t + 1) banyak memiliki keadaan yang sama dengan periode t dibandingkan
periode yang lain, misalnya t-1 atau t-2. Oleh karena itu, periode terakhir seyogianya mendapat
bobot yang lebih besar dibandingkan dengan periode sebelumnya (di sini menyiratkan adanya
bentuk prakiraan yang non linier). Metode rata-rata tertimbang dikembangkan untuk dapat
memenuhi keinginan itu.
Metode rata-rata bergerak tertimbang (weighted moving average) juga menggunakan
data N periode terakhir sebagai data historis untuk melakukan prakiraan, tetapi setiap periode
mendapat bobot yang berbeda.
Rumus metode rata-rata bergerak tertimbang sebagai berikut.

Ft+1 =

Ft+1 = W.Xt + Wt-1.Xt-1 + ... + Wt-N+1.Xt-N+1

Dimana :

W t = persentase bobot yang diberikan periode t

Apabila W t + W t-1 + ... + W t-N+1 = 1, rumus nilai prakiraan untuk periode t+1 dapat
disederhanakan menjadi:

Ft+1 = Wt.Xt + Wt-1.Xt-1 + ... + Wt-N+1. Xt-N+1

Contoh prakiraan dengan menggunakan metode rata-rata bergerak tertimbang dapat

dilihat pada tabel 4.2. Pada tabel itu diberikan dua contoh, pertama menggunakan 3 periode
dengan pembobotan 50:30:20 (kolom 3), sedangkan kedua menggunakan 4 periode dengan
pembobotan 40:30:20:10 (kolom 4). Bobot terbesar berarti untuk periode t, dan secara
berurutan untuk periode t-1, t-2 dan seterusnya.

Tabel 1.2

Peramalan dengan Metode Rata-Rata Bergerak Tertimbang

Periode

Nilai pengamatan

Nilai peramalan (F)

(t)

(Xt)

(50, 30, 20)*

(40, 30, 20, 10)*

41

40

42

43

41,2

41

40,6

40,7

42

40,9

40,8

41

41,3

41,3

40

41,8

41,6

43

42,5

42,3

10

42

41,8

41,9

11

42,9

42,7

* Perbandingan bobot X pada periode t, t-1, t-2 (dalam persen)

** Perbandingan bobot X pada periode t, t-1, t-2, t-3 (dalam persen)

http://arimuhadi.blogspot.com/2013/10/peramalan-forecasting.html
PERAMALAN PERMINTAAN BARANG (MANAJEMEN OPERASI)
PERAMALAN
Pengertian
Peramalan adalah proses untuk memperkirakan beberapa kebutuhan dimasa datang yang meliputi
kebutuhan dalam ukuran kuantitas, kualitas, waktu dan lokasi yang dibutuhkan dalam rangka memenuhi
permintaan barang ataupun jasa. Selain itu peramalan juga didefinisikan sebagai seni dan ilmu untuk
memperkirakan kejadian di masa depan. Hal ini dapat dilakukan dengan melibatkan pengambilan data
masa lalu dan menempatkannya ke masa yang akan datang dengan suatu bentuk model matematis. Bisa
juga merupakan prediksi intuisi yang bersifat subjektif. Atau bias juga dengan menggunakan kombinasi
model matematis yang disesuaikan dengan pertimbangan yang baik dari seorang manajer.
Peramalan (forecasting) merupakan alat bantu yang penting dalam perencanaan yang efektif dan efisien
khususnya dalam bidang ekonomi. Peramalan mempunyai peranan langsung pada peristiwa eksternal
yang pada umumnya berada di luar kendali manajemen, seperti: ekonomi, pelanggan, pesaing,
pemerintah dan lain sebagainya.
Peramalan permintaan memegang peranan penting dalam perencanaan dan pengambilan keputusan
khususnya dibidang produksi. Aktivitas manajemen operasi menggunakan peramalan permintaan dalam
perencanaan yang menyangkut skedul produksi, perencanaan pemenuhan kebutuhan bahan,
perencanaan kebutuhan tenaga kerja, perencanaan kapasitas produksi, perencanaan layout fasilitas,
penentuan lokasi, pemenuhan metode proses, penentuan jumlah mesin, desain aliran bahan dan lain
sebagainya. Peranan ini disebabkan adanya tenggang waktu antara suatu peristiwa dengan kebutuhan
mendatang.
Walaupun terdapat banyak bidang lain yang memerlukan peramalan permintaan, namun aktivitas
manajemen operasi di atas merupakan bentuk khas dari keperluan peramalan permintaan baik jangka
pendek, menengah mauppun jangka panjang. Pada gilirannya, perusahaan perlu memiliki pengetahuan
dan ketrampilan yang meliputi:
a) Identifikasi dan definisi masalah peramalan
b) Aplikasi metode peramalan
c) Pemilihan metode peramalan yang tepat untuk situasi tertentu
d) Dukungan manajemen untuk menggunakan metode peramalan tertentu

Peramalan tidak terlalu dibutuhkan dalam kondisi permintaan pasar yang stabil,
karena perubahan permintaannya relatif kecil. Tetapi peramalan akan sangat dibutuhkan bila kondisi
permintaan pasar bersifat kompleks dan dinamis. Hanya sedikit bisnis yang dapat menghindari proses
peramalan dan hanya menunggu apa yang terjadi untuk kemudian mengambil kesempatan.
Perencanaan yang efektif baik untuk jangka panjang maupun bergantung pada peramalan permintaan
untuk produk perusahaan tersebut.
A. METODE PERAMALAN PERMINTAAN
Banyak jenis metode peramalan yang tersedia untuk manajemen. Namun yang lebih penting bagi para
praktisi adalah bagaimana memahami karakteristik suatu metode peramalan agar cocok bagi situasi
pengambilan keputusan tertentu. Secara umum metode peramalan dapat dibagi dalam dua ketegori
utama, yaitu metode kuantitatif dan metode kualitatif. Metode kuantitatif dapat dibagi ke dalam deret
berkala atau kurun waktu (time series) dan metode kausal, sedangkan metode kualitatif dapat dibagi
menjadi metode eksploratoris dan normative.
Metode kuantitatif sangat beragam dan setiap teknik memiliki sifat, ketepatan dan biaya tertentu yang
harus dipertimbangkan dalam memilih metode tertentu. Untuk menggunakan metode kuantitatif
terdapat tiga kondisi yang harus dipenuhi, yaitu:
Tersedia informasi tentang masa lalu
Informasi tersebut dapat dikuantitatifkan dalam bentuk numeric
Diasumsikan bahwa beberapa pola masa lalu akan terus berlanjut
B. METODE RUNTUN WAKTU
Metode runtun waktu atau sering disebut metode deret waktu atau deret berkala menggambarkan
berbagai gerakan yang terjadi pada sederetan data pada waktu tertentu. Langkah penting dalam
memiliki metode runtunwaktu adalah dengan mempertimbangkan jenis pola data. Pola data dapat
dibedakan menjadi empat jenis siklus dan trend(makriadis & wheelright, 1983), yaitu:
1. Pola horizontal, terjadi bilamana nilai data berfluktuasi di sekitar nilai rata-rata yang konstan.
2. Pola musiman, terjadi bilamana suatu deret dipengaruhi oleh factor musiman.
3. Pola siklus, terjadi bilamana datanya dipengaruhi oleh fluktuasi ekonomi jangka panjang seperti
siklus bisnis.
4. Pola trend, terjadi bilamana terdapat kenaikan atau penurunan sekuler jangka panjang dalam data.

C. METODE GERAKAN TREND

Anggapan yang mengatakan bahwa garis trend seharusnya merupakan garis linear tidak selalu demikian.
Terdapat empat cara yang biasa digunakan untuk mengukur gerakan trend, yaitu:
Metode bebas (freehand method)
Metode setengah-setengah (semi average method)
Metode rata-rata bergerak (moving average method)
Metode kuadrat terkecil (least quares method)
D. METODE VARIASI MUSIM
Terdapat empat cara yang umumnya digunakan untuk mengukur variasi musim, yaitu:
Metode rata-rata sederhana
Metode perbandingan dengan trend
Metode relative berantara

 Metode perbandingan dengan rata-rata bergerak

E. Pola dan Teknik Peramalan
1. Teknik peramalan kualitatif atau subyektif (qualitative forecast)
Teknik peramalan yang menggabungkan faktor seperti intuisi, emosi, pengalaman pribadi, dan sistem
nilai pengambil keputusan untuk meramal. Terdapat empat teknik yang berbeda, yaitu :
Keputusan Dari Pendapat Juri Eksekutif (Jury of Executive Opinion). Teknik peramalan yang meminta
pendapat segolongan kecil manajer tingkat tinggi dan menghasilkan estimasi permintaan kelompok.
Dalam metode ini, pendapat sekumpulan kecil manajer atau pakar tingkat tinggi, sering dikombinasikan
dengan model statistik, dikumpulkan untuk mendapatkan prediksi kelompok.
Metode Delphi (Delphi Method). Teknik peramalan yang menggunakan proses kelompok dimana
para pakar melakukan peramalan. Ada 3 jenis peserta dalam metode ini : pengambil keputusan,
karyawan, dan responden. Pengambil keputusan biasanya terdiri dari 5 hingga 10 orang pakar yang akan
melakukan peramalan. Karyawan membantu pengambil keputusan dengan menyiapkan, menyebarkan,
mengumpulkan, serta meringkas sejumlah kuesioner dan hasil survei. Responden adalah sekelompok
orang, biasanya ditempatkan di tempat yang berbeda, dimana penilaian dilakukan. Kelompok ini
memberikan input pada pengambil keputusan sebelum peramalan dibuat.
Gabungan Dari Tenaga Penjualan (Sales Force Composite). Teknik peramalan berdasarkan prediksi
tenaga penjualan akan penjualan yang diharapkan. Dalam pendekatan ini, setiap tenaga penjualan
memperkirakan berapa penjualan yang bisa ia lakukan dalam wilayahnya. Peramalan ini kemudian dikaji
unutk memastikan apakah peramalan cukup realistis. Kemudian peramalan dikombinasikan pada tingkat
wilayah dan nasional untuk mendapatkan peramalan secara keseluruhan.
Survei Pasar Konsumen (Consumer Market Survey).Metode peramalan yang meminta input dari
konsumen mengenai rencana pembelian mereka di masa depan. Hal ini membantu tidak hanya dalam
menyiapkan peramalan tetapi juga memperbaiki desain produk dan perencanaan produk baru. Survei
konsumen dan gabungan tenaga penjualan bisa jadi tidak benar, karena peramalan yang berasal dari
input konsumen yang terlalu optimis.
2. Peramalan Time Series
Teknik peramalan yang menggunakan sekumpulan data masa lalu untuk melakukan peramalan. Model
time-series membuat predikisi dengan asumsi bahwa masa depan merupakan fungsi masa lalu. Dengan
kata lain, mereka melihat apa yang terjadi selama kurun waktu tertentu, dan menggunakan data masa
lalu tersebut untu melakukan peramalan. Jika kita memperkirakan penjualan mingguan mesin pemotong
rumput, kita menggunakan data penjualan minggu lalu untuk membuat ramalan. Time-series
mempunyai empat komponen, yaitu : Tren, Musim, Siklus, Variasi Acak.
F.

Lima Metode Peramalan Yang Menggunakan Data Masa Lalu :

1. Pendekatan Naif, teknik peramalan yang mengasumsikan permintaan, di periode
mendatang sama dengan permintaan terkini. Terbukti untuk beberapa jenis produk, pendekatan naif
(naive approach) ini merupakan model peramalan objektif yang paling efektif dan efesien dari segi biaya.
paling tidak, pendekatan naif memberikan titik awal untuk perbandingan dengan model lain yang lebih
canggih.
2. Rata-Rata Bergerak, metode peramalan yang menggunakan rata-rata dari sejumlah (n)
data terkini untuk meramalkan periode mendatang. Rata-rata bergerak berguna jika kita dapat
mengasumsikan bahwa permintaan pasar akan stabil sepanjang masa yang kita ramalkan.
Rata-rata beergerak = permintaan n periode sebelumnya
n

3. Penghalusan Eksponensial (Exponential Smoothing) adalah teknik peramalan rata-rata

bergerak dengan pembobotan dimana data diberi bobot oleh sebuah fungsi eksponensial. Penghalusan
eksponensial mungkin terdengar aneh, tetapi sebenarnya banyak digunakan dalam bisnis dan
merupakan bagian penting dari sistem pengendalian persediaan berbasis komputer.
4. Proyeksi Tren, metode peramalan time-series yang mnyesuaikan sebuah garis tren
pada sekumpulan data masa lalu, dan kemudian diproyeksikan dalam garis untuk meramalkan masa
depan.
5. Analisis Regresi Linier, model matematis garis lurus yang menjelaskan hubungan
fungsional antara variabel bebas dan variabel terikat. persamaan regresi menunjukkan bagaimana satu
variabel berhubungan pada nilai dan perubahan pada variabel lain.

Daftar Pustaka
Yamit, Zulian. 2003. Manajemen Operasi dan Produksi. Edisi Kedua. Yogyakarta: EKONISIA.
Hakim Nasution, Arman. 2003. Perencanaan dan Pengendalian Produksi. Edisi Kedua. Surabaya: Prima
Printing
http://go-phelz.blogspot.com/2011/01/peramalan-permintaan-barang-manajemen.html