9

Peramalan
1. Pengertian Peramalan
Menurut Render, Barry dan Jay Heizer dalam bukunya manajemen operasi
(2009:162) mengatakan bahwa peramalan adalah seni atau ilmu untuk
memperkirakan kejadian di masa depan. Hal ini dapat dilakukan dengan
melibatkan pengambilan data historis dan memproyeksikannya ke masa
mendatang dengan suatu bentuk model sistematis.
Menurut Stevenson dan Chuong (2014:76), ramalan (forecast) adalah
pernyataan mengenai nilai yang akan datang dari variabel seperti permintaan.
Artinya, ramalan adalah prediksi mengenai masa depan. Prediksi yang lebih
baik bisa menjadi keputusan dengan lebih banyak informasi. Beberapa
ralaman merupakan jangka panjang, sehingga mencangkup beberapa tahun
atau lebih. Ralaman jangka panjang sangat penting untuk keputusan yang
akan memiliki konsekuensi jangka panjang untuk organisai.
Meramalkan Horizon Waktu
Menurut Barry dan Heizer dalam buku nya manajemen operasi (2009:163),
mengatakan bahwa peramalan biasa diklasifikasikan berdasarkan horizon
waktu masa depan yang dilingkupinya. Horizon waktu terbagi menjadi
beberapa kategori :

1. Peramalan jangka pendek

Peramalan ini meliputi jangka waktu hingga satu tahun, tetapi
umumnya kurang dari tiga bulan. Peramalan ini digunakan untuk
merencanakan pembelian, penjadwalan kerja, jumlah tenaga kerja,
penugasan kerja dan tingkat produksi.
2. Peramalan jangka menengah
Peramalan jangka menengah atau intermediate umumnya mencakup
hutingan bulan hingga tiga tahun. Peramalan ini bermanfaat untuk
merencanakan penjualan, perencanaan dan anggaran produksi, anggaran
kas, serta menganalisis bermacam-macam rencana operasi.
3. Peramalan jangka panjang
Umumnya untuk perencanaan tiga tahun atau lebih. Peramalan jangka
panjang digunakan untuk merencanakan produk baru, pembelanjaan
modal, lokasi atau pengembangan fasilitas, serta penelitian dan
pengambangan.

Macam-macam Peramalan
a. Peramalan Time Series
10

Menurut Heizer dan Render (2010:169), menganalisis deret waktu

berarti membagi data masa lalu menjadi komponen-komponen,
kemudian memproyeksikannya ke masa depan. Deret waktu
mempunyai empat komponen, antara lain:
1. Tren, merupakan pergerakan data sedikit demi sedikit
meningkat atau menurun. Perubahan pendapatan, populasi,
penyebaran umur, atau pandangan budaya dapat
mempengaruhi pergerakan tren.
2. Musim, adalah pola data yang berulang pada kurun waktu
tertentu, seperti hari, minggu, bulan, atau kuartal.
3. Siklus, adalah pola dalam data yang terjadi setiap beberapa
tahun. Siklus ini biasanya terkait pada siklus bisnis dan
merupakan satu hal penting dalam analisis dan perencanaan
bisnis jangka pendek. Memprediksi siklus bisnis sulit
dilakukan karena adanya pengaruh kejadian politik ataupun
kerusuhan internasional.
4. Variasi acak, merupakan satu titik khusus dalam data yang
disebabkan oleh peluang dan situasi yang tidak lazim. Variasi
acak tidak mempunyai pola khusus sehingga tidak dapat
diprediksi.
Syarat Peramalan Data Time Series
Menurut Chand, Kamal, dan Ali (2012), menjelaskan bahwa
terdapat tiga syarat peramalan data time series, yaitu:
1. Data harus stationer.
2. Data harus non random walk.
3. Data harus berdistribusi normal.
b. Metode Peramalan Kuantitatif
Pendekatan Peramalan Metode Exponential Smoothing
Penghalusan Eksponensial merupakan metode peramalan rata-rata
bergerak dengan pembobotan yang canggih, tetapi masih mudah digunakan.
Metode ini menggunakan pencatatan data masa lalu yang sangat sedikit
Berikut dijelaskan 4 pendekatan dalam Metode Exponential Smoothing
menurut Nazim dan Afthanorhan (2014), sebagai berikut :
1. Single Exponential Smoothing
Menurut penelitian yang dijalankan oleh Nazim dan Afthanorhan
(2014), metode peramalan ini paling banyak digunakan dari semua
teknik peramalan. Metode ini hanya membutuhkan sedikit
perhitungan. Metode ini digunakan ketika pola data menunjukan sifat
 11

yang berada di sekitar horisontal (yaitu, tidak ada yang tidak variasi
siklik atau tren diucapkan dalam data historis)Penghalusan
Eksponential (Exponential Smoothing).
Persamaan umum untuk tunggal statistik merapikan eksponensial
diberikan sebagai:
Ft+m = αyt + (1-α)Ft
Dimana:
Ft+m = Adalah nilai pemulusan tunggal eksponensial pada periode t
+m (ini juga didefinisikan sebagai nilai perkiraan saat dihasilkan
dari sampel) untuk m = 1, 2, 3, 4 ...
Yt = nilai aktual dalam periode waktu t.
α = Adalah nilai konstanta yang tidak diketahui yang harus
dimuluskan dengan nilai antara 0 dan 1.
Ft = Adalah ramalan atau nilai pemulusan untuk periode t
2. Double Exponential Smoothing (Brown)
Menurut penelitian yang dijalankan oleh Mahmudah (2014), Metode
double exponential smoothing Brown merupakan salah satu metode
peramalan yang menggunakan satu parameter untuk memuluskan
trend yang terdapat pada data. Parameter yang digunakan pada metode
double exponential smoothing Brown yaitu α yang memiliki nilai
antara 0 dan 1. Nilai α dapat diperoleh dengan cara trial and error atau
dengan bantuan aplikasi komputer. Nilai parameter yang dipilih yakni
nilai parameter yang meminimalkan nilai MAPE (Mean Absolute
Percentage Error).
Ft+m = at + btm
Dimana:
Ft+m = ramalan m periode yang akan diramalkan
m = jumlah periode ke muka yang akan diramalkan
S’t = nilai single exponential smoothing
S”t = nilai double exponential smoothing
αt = parameter pemulusan
3. Double Exponential Smoothing (Holt)
Menurut penelitian yang dijalankan oleh Mahmudah (2014), metode
double exponential smoothing dari Holt dalam prinsipnya serupa
dengan metode double exponential smoothing dari Brown kecuali
bahwa metode double exponential smoothing dari Holt tidak
menggunakan rumus pemulusan berganda secara langsung. Sebagai
gantinya, Metode double exponential smoothing dari Holt
memuluskan nilai trend dengan parameter yang berbeda dari
12

parameter yang digunakan pada deret yang asli. Ramalan dari metode
double exponential smoothing dari Holt didapat dengan menggunakan
dua konstanta pemulusan (dengan nilai 0 dan 1) yaitu α dan γ.
Ft+m = St + btm
Dimana:
Ft+m = ramalan m periode yang akan diramalkan
b = trend,
m = jumlah periode ke depan yang akan diramalkan
St = nilai dasar.
4. Triple Exponential Smoothing (Winter)
Menurut Szmit (2012), The Winters Model, yang disebut juga model
pemulusan eksponensial triple, adalah model adaptif terkenal
digunakan untuk waktu pemodelan series ditandai dengan trend dan
musiman. Dalam versi aditif, metode Triple Exponential Winter
menghadirkan varian pemulusan dari time series yt sebagai jumlah
dari tiga unsur. Rumus dari penghitungan triple exponential winter:
Yt = Lt + Tt + St−r
dimana:
Yt = nilai yang diperkirakan oleh model variabel pada saat t, r
adalah panjang periodisitas musiman,
Lt = α (yt − St−r) + (1 − α) (Lt−1 + Tt−1)
Tt = β(Lt − Lt−1) + (1 – β) Tt−1
St = γ (yt – Lt) + (1 – γ) St−r

STUDY KASUS
1. Perusahaan peternakan PT Jaya Perkasa memiliki data penjualan bebek dari
bulan januari sampai bulan juni, mereka ingin memprediksi jumlah penjualan
bebek pada paruh tahun berikutnya yaitu bulan Juli sampai dengan Desember.

Untuk memprediksi jumlah penjualan itu, manager PT Jaya Perkasa

menggunakan metode forecastingTime series dengan menggunakan cara
statistik Exponential Smoothing. Berikut penghitungannya.

Histori Penjualan Semester Sebelumnya Berurutan : 2000, 3100, 1900, 1500,

2100, 3000

Perhitungan dengan nilai α=0.1 :

t=1
s 1 = x0
s1 = 2000
 13

t=2
s2 = αx2 – 1 + (1 – α)s2 – 1
s2 = 0.1(x1) + (1 – 0.1)s1
s2 = 0.1(x1) + (0.9)s1
s2 = 0.1(3100) + (0.9)2000
s2 = 310 + 1800
s2 = 2110

t=3
s3 = αx3 – 1 + (1 – α)s3 – 1
s3 = 0.1(x2) + (1 – 0.1)s2
s3 = 0.1(x2) + (0.9)s2
s3 = 0.1(1900) + (0.9)2110
s3 = 190 + 1899
s3 = 2089

t=4
s4 = αx4 – 1 + (1 – α)s4 – 1
s4 = 0.1(x3) + (1 – 0.1)s3
s4 = 0.1(x3) + (0.9)s3
s4 = 0.1(1500) + (0.9)2089
s4 = 150 + 1880.1
s4 = 2030.1

t=5
s5 = αx5 – 1 + (1 – α)s5 – 1
s5 = 0.1(x4) + (1 – 0.1)s4
s5 = 0.1(x4) + (0.9)s4
s5 = 0.1(2100) + (0.9)2030.1
s5 = 210 + 1827.09
s5 = 2037.09

t=6
s6 = αx6 – 1 + (1 – α)s6 – 1
s6 = 0.1(x5) + (1 – 0.1)s5
s6 = 0.1(x5) + (0.9)s5
s6 = 0.1(3000) + (0.9)2037.09
s6 = 300 + 1833.381
s6 = 2133.381

Pperiode (t) Riwayat Penjualan Peramalan Beriutnya

Bulan 1 2000 2000

Bulan 2 3100 2110

14

Bulan 3 1900 2089

Bulan 4 1500 2030.1

Bulan 5 2100 2037.09

Bulan 6 3000 2133.381

Total 13600 12399.57