FORECASTING

PERAMALAN

 DEFINISI :
Seni dan ilmu untuk memprediksi kejadian dimasa
depan dengan menggunakan data historis dan
memproyeksikannya kemasa depan dengan
beberapa bentuk model seperti model matematis
ataupun mencakup kombinasi model matematis
yang disesuaikan dengan penilaian yang baik oleh
manajer.

HORIZON WAKTU :
1. Peramalan Jangka Pendek < 6 bulan
- Merencanakan Pembelian
- Penjadwalan Kerja
- Penentuan Jumlah Tenaga Kerja
- Penentuan Tingkat Produksi

Cenderung lebih akurat daripada peramalan pada

jangka waktu yang lebih panjang.

Teknik Matematis (Time Series) :

- Moving Averages (Rata-rata Bergerak)

- Exponential Smoothing (Penghalusan Eksponensial)

2. Peramalan Jangka Menengah 6 bln 2 thn

Perencanaan menyeluruh

- Aggregate Planning : Perencanaan penjualan,

Perencanaan penganggaran produksi
dan penganggaran kas.
Teknik Matematis (Time Series dan Kausalitik)

3. Peramalan Jangka Panjang > 2 tahun

- Merencanakan Produk Baru
- Pengeluaran Modal
- Lokasi Fasilitas
- Ekspansi
- Penelitian dan Pengembangan
Teknik / metode : Kualitatif, Kausal.

JENIS-JENIS PERAMALAN
1.

Ramalan Ekonomi Siklus Bisnis :

- Tingkat inflasi (m`pgrh purchasing
power=dy beli)
- GNP
- Indikator lainnya

2.

Ramalan Teknologi Perkembangan Teknik

3.

Ramalan Permintaan Ramalan Penjualan:

Pemprosesan, Ketersediaan
Mesin, Peralatan/perlengkapan baru.

Kapasitas, Pembelian bahan,

Sistem penjadwalan.

Input terhadap perencanaan produksi perusahaan

METODE PERAMALAN
1.

METODE KUANTITATIF

Model Matematis
Data Historis atau variabel kausal untuk
meramalkan permintaan.

2.

METODE KUALITATIF

Intuisi, Pengalaman Pribadi dan sistem nilai

pengambilan keputusan
Keadaan yang tidak pasti dan sedikit atau tidak ada
data pada masa lalu.

Metode Kualitatif:
1. Teknik Delphi Prakiraan dikembangkan oleh panel ahli,
menjawab sederetan pertanyaan secara bergiliran, respon tanpa
nama merupakan umpan balik bagi setiap giliran untuk semua
peserta. Tiga sampai enam giliran dapat dilakukan untuk
memperoleh prakiraan yang konvergen.(FGD)

2. Survey Pasar Untuk mendapatkan masukan dari pelanggan

atau calon pelanggan.(potential buyer)

Membantu menyiapkan ramalan, dapat juga digunakan

untuk memperbaiki disain produk baru

Metode Kuantitatif
1. Simple Average (Rata-rata Mudah)
Rata-rata Mudah = Jumlah Permintaan Masa Lalu
jumlah jangka waktu
= P1 + P2 ++Pn
n

dimana: P1, P2,Pn merupakan permintaan setiap jangka waktu

yang lalu dan n adalah jumlah jangka waktu

Contoh :
Permintaan meja makan bagi suatu perusahaan prabot
dalam enam bulan yang lalu sbb:
Bulan

Juli

Agst

Sept

Okt

Nov

Des

Permintaan

25

31

20

40

29

35

25 + 31 + 20 + 40 + 29 + 35
Rata-rata Mudah =
6
= 30 unit
Oleh karena itu perusahaan perlu merancang untuk memasok
sebanyak 30 unit setiap bulan

2. Moving Average (Rata-rata Bergerak)

Rata-rata Bergerak = P1 + P2 ++Pn
n
dimana, P1 adalah permintaan masa lalu dalam suatu jangka waktu.
Pn adalah permintaan terkini, P1 dan Pn bertukar bagi setiap pengiraan.

Contoh:
Permintaan TV setiap bulan dalam satu tahun yang lalu adalah :
Bulan

Permintaan

50

60

55

65 45 65 70 80 75 90

80 85

1. Hitung rata-rata bergerak 3 bulan bagi data

tersebut.
2. Gunakan rata-rata bergerak 3 bulan untuk
meramal permintaan bulan januari tahun
depan.
3. Gunakan rata-rata bergerak 6 bulan untuk
meramalkan permintaan bulan januari tahun
depan.

Penyelesaian
1. Rata-rata bergerak 3 bulan untuk data tersebut adalah sbb:

2. Oleh karena permintaan terakhir yang diketahui adalah 85 bagi

bulan Desember, maka ramalan untuk bulan Januari tahun depan
dengan menggunakan rata-rata bergerak 3 bulan adalah 85 unit
3. Ramalan bulan Januari dengan menggunakan rata-rata bergerak 6
bulan adalah:
Rata-rata bergerak 6 Bln = 70 + 80 + 75 + 90 + 80 + 85 = 80 unit.
6

3. Weighted Moving Average (Rata-rata Bergerak

Berpemberat).
Rata-rata Bergerak Berpemberat = Wt Pt
Dimana, 0 Wt 1 dan Wt = 1, Wt dan Pt adalah pemberat dan permintaan bagi
waktu t.

Contoh:
Pihak manajer perusahaan TV dalam contoh yang lalu ingin membuat ramalan
permintaan bagi bulan Januari dengan menggunakan teknik rata-rata bergerak
berpemberat 3 bulan bagi data terakhir. Pemberat yang dianggap sesuai bagi
bulan Desember, November, Oktober, masing-masing adalah: 0.5, 0.3, 0.2.
Hitunglah ramalan pada bulan januari !

Penyelesaian :
WMA 3 bln = 90 (0.2) + 80 (0.3) + 85 (0.5)
= 18 + 24 + 42.5
= 85 Unit.
Oleh karena itu permintaan untuk bulan Januari adalah 85 Unit.

4. Exponential Smoothing (Penghalusan Eksponensial)

Tn = Tn-1 + (Pn-1 Tn-1)
dimana, Tn
= Ramalan untuk waktu t akan datang
Tn-1 = Ramalan Waktu Lalu
Pn-1 = Permintaan Sebenarnya Waktu Lalu
= Konstanta Penghalusan Eksponensial
Hal ini berarti: Ramalan untuk permintaan masa depan
adalah ramalan untuk waktu yang lalu ditambah dengan
sebagian dari selisih antara permintaan sebenarnya
waktu lalu dengan ramalan waktu lalu.

Contoh:
Sebuah perusahaan telah menggunakan metode exponential
smoothing untuk meramal permintaan bulanan bagi setiap produknya.
Ramalan bulan Desember bagi sejenis produk adalah 100 unit.
Permintaan sebenarnya pada bulan Desember diketahui sebanyak 95
unit. Oleh karena permintaanya agak stabil dari waktu ke waktu pihak
manajer menggunakan nilai yang rendah yaitu 0.2. Hitunglah
Permintaan untuk bulan Januari tahun depan !

Penyelesaian :
Tn = Tn-1 + (Pn-1 Tn-1)
Dimana: Tn
= Ramalan Untuk bulan Januari akan datang
Tn-1 = 100, Ramalan untuk bulan Desember
Pn-1 = 95, Permintaan sebenarnya bulan Desember

= 0.2
Oleh karena itu,
Tn = 100 + 0.2 (95 100)
= 100 + 0.2 (-5)
= 100 1
= 99 unit.

Dengan demikian ramalan bulan Januari tahun yang akan datang

adalah 99 unit, tidak jauh berbeda dengan ramalan bulan Desember
oleh karena nilai kecil.

Pengaruh Nilai Terhadap Ramalan

Contoh:
Sebuah perusahaan mengalami permintaan bulanan selama 6 bulan
yang lalu adalah:
Bulan

Juli

Agust

Sept

Okt

Nov

Des

Permintaan

45

40

60

55

70

85

Dengan mengandaikan ramalan untuk bulan Juli adalah 40 unit, maka

hitunglah ramalan untuk bulan Agustus hingga Desember dengan
menggunakan nilai 0.2 dan 0.7 !

Nilai nilai Ramalan bagi = 0.2 dan = 0.7

Bulan

Permintaan

Ramalan
= 0.2

= 0.7

Juli

45

40.0

40.0

Agustus

40

41.0

43.5

September

60

40.8

41.1

Oktober

55

44.6

54.3

November

70

46.7

54.8

Desember

85

51.4

65.4

FORECAST ERRORS
1.

Mean Absolute Deviation (MAD)

Nilai absolut dari kesalahan dijumlahkan tanpa
melihat perbedaan tanda.
MAD =

Permintaan sebenarnya permintaan yang diramal

Periode Waktu

MAD = Dt Ft
n

2. Bias
Penjumlahan secara aritmatik semua kesalahankesalahan yang akan menunjukkan adanya bias dalam
metode peramalan
Bias = (Permintaan sebenarnya Permintaan yang diramal )
Periode Waktu

Bias = (Dt Ft)

n

Nilai Nilai Ramalan Bagi = 0.2 dan = 0.7

KAUSALITIK
REGRESI
y = a + bx
y = Peramalan Permintaan
x = Variabel Bebas (Independent Variable)
a = Perpotongan dengan sumbu y (Intercept)
b = Derajad Kemiringan (Slope)
r = The Coefficient Of Determination
r = [ n xi yi ( xi) ( yi) ]
[ n xi - (xi) ] [ n yi - (yi) ]

r = 0.8
Artinya : 80 % variasi pada y diduga
(predicted) atau dijelaskan oleh
garis Regresi dengan x, 20 %
peluang di luar x.

FAKTOR-FAKTOR PEMILIHAN MODEL

PERAMALAN:
Keahlian dan Kecanggihan Sistem
Waktu dan Sumber Daya Tersedia
Karakteristik Pemakaian atau Keputusan
Ketersediaan Data
Pola Data