Anda di halaman 1dari 52

FORECASTI

NG
Laksmi Karunia Tanuwijaya
Food Service Management 2
2012

Peramalan
(Forecasting)
Peramalan

adalah kegiatan
memperkirakan tingkat permintaan
produk yang diharapkan untuk suatu
produk atau beberapa produk dalam
periode waktu tertentu di masa yang
akan datang
John

E. Biegel, 1999

Peramalan

atau forecasting diartikan


sebagai penggunaan teknik-teknik
statistik dalam bentuk gambaran masa
depan berdasarkan pengolahan angkaangka historis
Buffa

S. Elwood, 1996

Peramalan

merupakan bagian integral


dari kegiatan pengambilan keputusan
manajemen
Makridakis,

1988

Peran Peramalan
Penjadwalan

sumber daya yang tersedia


Penyediaan sumber daya tambahan
Penentuan sumber daya yang
diinginkan

Fungsi Peramalan
Menentukan

apa yang dibutuhkan untuk


perluasan usaha/organisasi
Menentukan perencanaan lanjutan bagi
produk-produk yang ada untuk
dikerjakan dengan fasilitas yang ada
Menentukan penjadwalan jangka
pendek produk-produk yang ada untuk
dikerjakan berdasarkan peralatan yang
ada

Jenis-jenis Peramalan
(Waktu)
Peramalan

jangka panjang

peramalan yang dilakukan untuk


penyusunan hasil ramalan yang jangka
waktunya lebih dari satu setengah tahun
atau tiga semester
berorientasi

pada dasar atau perencanaan

Peramalan

jangka pendek

peramalan yang dilakukan untuk


penyusunan hasil ramalan yang dilakukan
kurang dari satu setengah tahun atau tiga
semester
Penetapan

jadwal induk produksi untuk


bulan yang akan datang atau periode
kurang dari satu tahun sangat tergantung
pada peramalan jangka pendek

Jenis-jenis Peramalan
(Sifat Penyusunannya)
Peramalan

subjektif

peramalan yang didasarkan atas


perasaan atau intuisi dari orang yang
menyusunnya

pandangan atau ketajaman pikiran orang yang


menyusunnya sangat menentukan baik
tidaknya hasil peramalan

Peramalan

objektif

peramalan yang didasarkan atas data


yang relevan pada masa lalu dengan
menggunakan teknik-teknik dan metodemetode dalam penganalisaan data
tersebut

Metode Peramalan
berdasarkan Sifat
Peramalan

kualitatif atau teknologis

peramalan yang didasarkan atas data


kualitatif masa lalu
tergantung pada orang yang
menyusunnya
ditentukan oleh pemikiran yang bersifat
intuisi, judgement (pendapat) dan
pengetahuan serta pengalaman dari
penyusunnya

Metode Peramalan Kualitatif


Metode

dimulai dengan masa lalu dan masa kini sebagai


awal dan bergerak ke arah masa depan secara
heuristik, sering kali dengan melihat semua
kemungkinan yang ada.

Metode

eksploratif

normatif

dimulai dengan menetapkan sasaran tujuan yang


akan datang, kemudian bekerja mundur untuk
melihat apakah hal ini dapat dicapai berdasarkan
kendala, sumber daya dan teknologi yang
tersedia

Peramalan

kuantitatif

peramalan yang didasarkan atas data


kuantitatif pada masa lalu
tergantung pada metode yang digunakan
dalam peramalan tersebut
Metode yang baik adalah metode yang
memberikan nilai-nilai perbedaan atau
penyimpangan yang mungkin

Kondisi Penentu Peramalan


Kuantitatif
Informasi

tentang keadaan masa lalu


Informasi tersebut dapat
dikuantifikasikan dalam bentuk data
numerik
Dapat diasumsikan bahwa beberapa
aspek pola masa lalu akan terus
berkelanjutan pada masa yang akan
datang

Metode Peramalan Kuantitatif


Model

deret berkala (time series)

didasarkan atas penggunaan analisa pola


hubungan antara variabel yang akan
diperkirakan dengan variabel waktu, yang
merupakan deret waktu

Model

kausal

didasarkan atas penggunaan analisa pola


hubungan antara variabel lain yang
mempengaruhinya, yang bukan waktu,
yang disebut metode korelasi atau sebab
akibat
Metode

regresi dan korelasi


Metode ekonometri
Metode input dan output

Karakteristik Peramalan
Yang Baik
Ketelitian/

Keakuratan

Peramalan yang terlalu rendah


mengakibatkan kekurangan persediaan
(inventory).
Peramalan yang terlalu tinggi akan
menyebabkan inventory yang berlebihan
dan biaya operasi tambahan

Biaya

Mengusahakan melakukan peramalan


jangan sampai menimbulkan ongkos yang
terlalu besar ataupun terlalu kecil.

Responsif

Ramalan harus stabil dan tidak


terpengaruhi oleh fluktuasi demand

Sederhana

kemudahanuntuk melakukan peramalan

Jenis-jenis Pola Data


Pola

Horizontal (H) atau Horizontal Data


Pattern

Data berfluktuasi di sekitar nilai rata-rata.


Data tidak dapat diprediksi dan
diantisipasi karena sifatnya acak
Misalnya karena perang, wabah, dll

Pola Data Horisontal

Pola

Trend (T) atau Trend Data Pattern

kenaikan atau penurunan sekuler jangka


panjang dalam data
Contohnya penjualan perusahaan, produk
bruto nasional(GNP)

Pola Data Trend

Pola

Musiman (S) atau Seasional Data


Pattern

bilamana suatu deret dipengaruhi oleh


faktor musiman (misalnya kuartal tahun
tertentu, bulan atau hari-hari pada
minggu tertentu).
Contoh : penjualan dari produk seperti
minuman ringan, es krim dan bahan
bakar pemanas ruang

Pola Data Seasonal

Pola

Siklis (S) atau Cyclied Data Pattern

bilamana datanya dipengaruhi oleh


fluktuasi ekonomi jangka panjang seperti
yang berhubungan dengan siklus bisnis
Lebih panjang daripada pola musiman,
sehingga lebih sulit diprediksi
Contoh : siklus bisnis resesi, depresi, dll.

Pola Siklis

Teknik Peramalan
Kuantitatif

Naive, smoothing, decomposition (time


series)
Regresi dan ekonometri (Kausalitas)

Kualitatif

Riset pasar, pendapat para eksekutif,


Delphi

Naive
Forecasting

periode yang akan datang =


aktual yang lalu (1 + x%)

Besaran

x% tergantung keyakinan
manajer mengenai pola musiman yang
akan datang (5%, 10%, dll)
Sesuai untuk jangka pendek

Naive
Seorang

manajer dapat menentukan


forecasting periode berikutnya dengan
meningkatkan sebesar persentase
tertentu

Moving Average (Smoothing)


MA

= hasil aktual n periode yang lalu


n

MA = moving average
n = jumlah periode

Moving Average
Hasil

forecast diharapkan mendekati


hasil aktual karena dihaluskan dengan
beberapa hasil aktual yang lalu.
Semakin panjang jangka waktu moving
average maka hasil forecast akan
semakin halus, artinya selisih antara
hasil forecast dan aktual tidak mencolok

Exponential Smoothing
Perlu

3 jenis data :

Forecast periode yang lalu


Hasil aktual yang lalu
Konstanta penghalus

KP = forecast 2 periode yang lalu forecast yang


lalu
aktual periode yang lalu forecast yang lalu
KP = Konstanta Penghalus

KP

memerlukan data forecast 2 periode


yang lalu secara berurutan dan hasil
aktual periode sebelumnya

Metode Kausalitas
Regresi

sederhana (dalam persamaan


regresi hanya ada satu variabel terikat
dan satu variabel bebas yang
mempengaruhi variabel terikat
tersebut)
y = a + bx +
y = jumlah tamu restoran
a = jumlah tamu luar yang makan di restoran di restoran hotel
b = jumlah tamu rerata yang makan di restoran hotel
x = jumlah kamar terhuni
= error term

Untuk menentukan besaran a dan b maka


dapat diterapkan formula berikut :
a = x 2 y - x xy
n x2 (x)2
b = n xy - x y
n x2 (x)2

Kemudian

dimasukkan dalam
persamaan

Y = a + bx
Dan dapat diketahui R2-nya

Dalam

menerapkan regresi sederhana


perlu diperhatikan derajat hubungan
(correlation coefficient) dan ketepatan
prediksi (coefficient of determination)
notasi R
Ketepatan prediksi : seberapa besar
model regresi dapat menjelaskan
variabel bebas atas variabel terikat

Teknik Peramalan
1.

Metode Time Series (Deret Waktu)


Metode Averaging

a.
i.
ii.

iii.

Metode Smoothing (Pemulusan)

b.
i.
ii.
iii.

2.

Simple Average
Single Moving Average
Double Moving Average
Single Exponential Smoothing
Double Exponential Smoothing satu parameter dari
Browns
Double Exponential Smoothing Dua Parameter dari Holt

Regresi Linier

MetodeAveraging
Dipakai

untuk kondisi dimana setiap


data pada waktu yang berbeda
mempunyai bobot yang sama sehingga
fluktasi random data dapat direndam
dengan rata-ratanya, biasanya dipakai
untuk peramalan jangka pendek

Simple Average

Single Moving Average


Apabila

diperoleh data yang stasioner,


metode ini cukup baik untuk
meramalkan keadaan

Double Moving Average


Jika

data tidak stasioner serta


mengandung pole trend, maka
dilakukan moving average terhadap
hasil single moving average

Metode Smoothing
Dipakai

pada kondisi dimana bobot data


pada periode yang satu berbeda dengan
data pada periode sebelumnya dan
membentuk fungsi Exponential yang
biasa disebut Exponential smoothing

Single Exponential Smoothing


Metode

ini banyak mengurangi masalah


penyimpangan data karena tidak perlu
lagi menyimpan data historis.

Metode

ini selalu mengikuti setiap trend


dalam data sebenarnya karena yang dapat
dilakukannya tidak lebih dari mengatur
ramalan mendatang dengan suatu
persentase dari kesalahan terakhir
Pengaruh besar kecilnya a berlawanan arah
dengan pengaruh memasukan jumlah
pengamatan.
Untuk menentukan a mendekati optimal
memerlukan beberapa kali percobaan.

Double Exponential Smoothing


satu parameter dari Browns
Dasar

pemikiran dari pemulusan


eksponensial linier dari Browns adalah
serupa dengan rata-rata bergerak linier,
karena kedua nilai pemulusan tunggal
dan ganda ketinggalan dari data yang
sebenarnya bilamana terdapat unsur
trend.

Double Exponential Smoothing


Dua Parameter dari Holt
Metode

pemulusan eksponensial linier


dari Holt pada prinsipnya serupa dengan
Browns kecuali bahwa Holt tidak
menggunakan rumus pemulusan
berganda secara langsung.
Sebagai gantinya, Holt memutuskan
nilai trend dengan parameter yang
berbeda dari dua parameter yang
digunakan pada deret yang asli.

Regresi Linier
Regresi linier digunakan untuk peramalan
apabila set data yang ada linier, artinya
hubungan antara variabel waktu dan
permintaan berbentuk garis (linier).
Metode regresi linier didasarkan atas
perhitungan least square error, yaitu dengan
memperhitungkan jarak terkecil kesuatu titik
pada data untuk ditarik garis.
Adapun untuk persamaan peramalan regresi
linier dipakai tiga konstanta, yaitu a, b dan Y.