BAB I

PERAMALAN

1.1 PENDAHULUAN
1.1.1 Latar Belakang
Peramalan atau forecasting merupakan permintaan akan produk dan jasa di waktu
mendatang dan sangat penting dalam perencanaan dan pengawasan produksi.
Peramalan yang baik adalah esensial untuk efesiensi operasi manufacturing dan
produksi jasa. Pada hakekatnya peramalan merupakan suatu perkiraan terhadap
keadaan yang akan terjadi dimasa yang akan datang. Keadaan yang masa datang
yang dimaksud adalah;
a. Apa yang dibutuhkan (jenis)
b. Berapa yang dibutuhkan (jumlah/kuantitas)
c. Kapan dibutuhkan (waktu)
Tujuan peramalan dalam kegiatan produksi adalah untuk meredam ketidak
pastian, sehingga diperoleh suatu perkiraan yang mendekati keadaan yang
sebenarnya. Peramalan tidak akan pernah bisa sempurna tetapi meskipun demikian
hasil peramalan membersikan arahan bagi suatu perencanaan. Suatu perusahaan
biasanya menggunakan prosedur tiga tahap untuk sampai pada peramalan penjualan,
yaitu diawali dengan melakukan peramalan lingkungan, diikuti dengan peramalan
penjualan industri, dan diakhiri dengan peramalan penjualan perusahaan.

1.1.2 Tujuan
a. Memahami karakteristik peramalan.
b. Mampu menggunakan metode peramalan dalam melakukan peramalan produksi.
c. Mampu memilih metode peramalan terbaik.

1.1.3 Alat-alat Yang Digunakan

1. 1 unit PC
2. Software POM QM for Windows
 3. Modul I peramalan
4. Kertas
5. Pulpen 1

1.1.4 Prosedur Praktikum

1. Pada menu POM-QM for Windows klik MODULE lalu pilih Forecasting. Seperti
gambar berikut:

Gambar 3.1 Module - Forecasting

2. Klik NEW, kemudian pilih Time Series Analysis seperti pada gambar dibawah:

Gambar 3.2 Forecasting-Time Series Analysis

Gambar 3.3 Create data set for Forecasting-Time Series Analysis

3. Isi Title sesuai dengan nama yang diinginkan, untuk number of Past periods
(jumlah periode) di isi sesuai dengan data yang diolah.
 4. Klik sehingga muncul tampilan isian untuk memasukkan data
permintaan (demand). Dan pilih metode yang ingin digunakan (mis;Linear
regression/least squeres). Seperti pada gambar dibawah ini:

Gambar 3.4 Data Tabel

5. Klik apabila data sudah lengkap dan benar hingga akan nampak
hasilnya
6. Kemudian klik menu Window, maka akan tampil pilihan Forecasting Result,
Details and Error Analysis, Control (Tracking signal), dan Graph (untuk metode
Moving Average). Apabila kita menginginkan semua hasil tampil dapat
dilakukan dengan cara klik Window kemudian pilih Tile.

1.2 LANDASAN TEORI

1.2.1 Pengertian Peramalan (Forecasting)
Peramalan merupakan aktivitas fungsi bisnis yang memperkirakan penjualan dan
penggunaan produk sehingga produk-produk itu dapat dibuat dalam kuantitas yang
tepat. Peramalan merupakan dugaan terhadap permintaan yang akan datang
berdasarkan pada beberapa variabel peramal, sering berdasarkan data deret waktu
historis. Peramalan menggunakan teknik-teknik peramalan yang bersifat formal
maupun informal (Gaspersz, 1998).
Kegiatan peramalan merupakan bagian integral dari pengambilan keputusan
manajemen. Peramalan mengurangi ketergantungan pada hal-hal yang belum pasti
(intuitif). Peramalan memiliki sifat saling ketergantungan antar divisi atau bagian.
Kesalahan dalam proyeksi penjualan akan mempengaruhi pada ramalan anggaran,
pengeluaran operasi, arus kas, persediaan, dan sebagainya. Dua hal pokok yang harus
 diperhatikan dalam proses peramalan yang akurat dan bermanfaat (Makridakis,
1999):
a) Pengumpulan data yang relevan berupa informasi yang dapat menghasilkan
peramalan yang akurat.
b) Pemilihan teknik peramalan yang tepat yang akan memanfaatkan informasi data
yang diperoleh semaksimal mungkin.
Terdapat dua pendekatan untuk melakukan peramalan yaitu dengan
pendekatan kualitatif dan pendekatan kuantitatif. Metode peramalan kualitatif
digunakan ketika data historis tidak tersedia. Metode peramalan kualitatif adalah
metode subyektif (intuitif). Metode ini didasarkan pada informasi kualitatif. Dasar
informasi ini dapat memprediksi kejadian-kejadian di masa yang akan datang.
Keakuratan dari metode ini sangat subjektif (Materi Statistika, UGM).
Metode peramalan kuantitatif dapat dibagi menjadi dua tipe, causal dan time
series. Metode peramalan causal meliputi faktor-faktor yang berhubungan dengan
variabel yang diprediksi seperti analisis regresi. Peramalan time series merupakan
metode kuantitatif untuk menganalisis data masa lampau yang telah dikumpulkan
secara teratur menggunakan teknik yang tepat. Hasilnya dapat dijadikan acuan untuk
peramalan nilai di masa yang akan datang (Makridakis, 1999).
1.2.2 Metode Peramalan (Forecasting)
Model kuantitatif intrinsik sering disebut sebagai model-model deret waktu (Time
Series model). Model deret waktu yang populer dan umum diterapkan dalam
peramalan permintaan adalah rata-rata bergerak (Moving Averages), pemulusan
eksponensial (Exponential Smoothing), dan proyeksi kecenderungan (Trend
Projection). Model kuantitatif ekstrinsik sering disebut juga sebagai model kausal,
dan yang umum digunakan adalah model regresi (Regression Causal model)
(Gaspersz, 1998).
a. Weight Moving Averages (WMA)
Model rata-rata bergerak menggunakan sejumlah data aktual permintaan
yang baru untuk membangkitkan nilai ramalan untuk permintaan di masa yang
akan datang. metode rata-rata bergerak akan efektif diterapkan apabila
permintaan pasar terhadap produk diasumsikan stabil sepanjang waktu. Metode
 rata-rata bergerak terdapat dua jenis, rata-rata bergerak tidak berbobot (Unweight
Moving Averages) dan rata-rata bobot bergerak (Weight Moving Averages).
Model rata-rata bobot bergerak lebih responsif terhadap perubahan karena data
dari periode yang baru biasanya diberi bobot lebih besar. Rumus rata-rata bobot
bergerak yaitu sebagai berikut.

∑(𝑝𝑒𝑚𝑏𝑜𝑏𝑜𝑡 𝑢𝑛𝑡𝑢𝑘 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑛)(𝑝𝑒𝑟𝑚𝑖𝑛𝑡𝑎𝑎𝑛 𝑎𝑘𝑡𝑢𝑎𝑙 𝑑𝑎𝑙𝑎𝑚 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑛)

𝑊𝑀𝐴 (𝑛) =
∑(𝑝𝑒𝑚𝑏𝑜𝑏𝑜𝑡)

b. Single Exponential Smoothing (SES)

Pola data yang tidak stabil atau perubahannya besar dan bergejolak
umumnya menggunakan model pemulusan eksponensial (Exponential
Smoothing Models). Metode Single Exponential Smoothing lebih cocok
digunakan untuk meramalkan hal-hal yang fluktuasinya secara acak (tidak
teratur). Peramalan menggunakan model pemulusan eksponensial rumusnya
adalah sebagai berikut.
𝐹𝑡 = 𝐹𝑡−1 + 𝛼(𝐴𝑡−1 − 𝐹𝑡−1)
Permasalahan umum yang dihadapi apabila menggunakan model
pemulusan eksponensial adalah memilih konstanta pemulusan (α) yang
diperirakan tepat. Nilai konstanta pemulusan dipilih di antara 0 dan 1 karena
berlaku 0 < α < 1. Apabila pola historis dari data aktual permintaan sangat
bergejolak atau tidak stabil dari waktu ke waktu, nilai α yang dipilih adalah yang
mendekati 1. Pola historis dari data aktual permintaan tidak berfluktuasi atau
relatif stabil dari waktu ke waktu, α yang dipilih adalah yang nilainya mendekati
nol (Gaspersz, 1998).
c. Regresi Linier
Model analisis Regresi Linier adalah suatu metode populer untuk berbagai
macam permasalahan. Menurut Harding (1974) dua variabel yang digunakan,
variabel x dan variabel y, diasumsikan memiliki kaitan satu sama lain dan
bersifat linier. Rumus perhitungan Regresi Linier yaitu sebagai berikut.
 𝑦̂ = 𝑎 + 𝑏𝑥

∑𝑦 − 𝑏∑𝑥
𝑎=
𝑛

𝑛. ∑ 𝑥𝑦 − ∑ 𝑥 ∑ 𝑦
𝑏=
𝑛 ∑ 𝑥 2 − (∑ 𝑥)2

∑𝑥 ∑𝑦
𝑋̅ = 𝑛 𝑌̅ = 𝑛

Keterangan:
Y = hasil peramalan
n = periode
a = perpotongan dengan sumbu tegak
b = menyatakan slope atau kemiringan garis regresi
1.2.3 Ukuran Akurasi Peramalan
Model-model peramalan yang dilakukan kemudian divalidasi menggunakan
sejumlah indikator. Indikator-indikator yang umum digunakan adalah rata-rata
penyimpangan absolut (Mean Absolute Deviation), rata-rata kuadrat terkecil (Mean
Square Error), rata-rata persentase kesalahan absolut (Mean Absolute Percentage
Error), validasi peramalan (Tracking Signal), dan pengujian kestabilan (Moving
Range).
a. 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. Nilai MAD dapat dihitung dengan
menggunakan rumus sebegai berikut :

∑(𝑎𝑏𝑠𝑜𝑙𝑢𝑡 𝑑𝑎𝑟𝑖 𝑓𝑜𝑟𝑒𝑐𝑎𝑠𝑡 𝑒𝑟𝑟𝑜𝑟𝑠)

𝑀𝐴𝐷 = 𝑛
b. 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.
∑ 𝑒𝑖2 ∑(𝑋𝑖 − 𝐹𝑖 )2
𝑀𝑆𝐸 = =
𝑛 𝑛

c. Mean Absolute Percentage Error (MAPE)

Mean Absolute Percentage Error (MAPE) dihitung dengan menggunakan
kesalahan absolut pada tiap periode dibagi dengan nilai observasi yang nyata
untuk periode itu. Kemudian, merata-rata kesalahan persentase absolut
tersebut. Pendekatan ini berguna ketika ukuran atau besar variabel ramalan itu
penting dalam mengevaluasi ketepatan ramalan. MAPE mengindikasi seberapa
besar kesalahan dalam meramal yang dibandingkan dengan nilai nyata.

|𝑒𝑖 | |𝑋 − 𝐹𝑖 |
∑ ∑ 𝑖
𝑋𝑖 𝑋100% 𝑋100%
𝑋𝑖
𝑀𝐴𝑃𝐸 = =
𝑛 𝑛

d. Tracking Signal
Validasi peramalan dilakukan dengan Tracking Signal. Tracking Signal
adalah suatu ukuran bagaimana baiknya suatu peramalan memperkirakan nilai-
nilai aktual. Nilai Tracking Signal dapat dihitung dengan menggunakan rumus
sebegai berikut.

𝑅𝑆𝐹𝐸
𝑇𝑟𝑎𝑐𝑘𝑖𝑛𝑔 𝑆𝑖𝑔𝑛𝑎𝑙 =
𝑀𝐴𝐷

Tracking signal yang positif menunjukan bahwa nilai aktual permintaan

lebih besar daripadaramalan, sedangkan tracking signal yang negatif berarti
 nilai aktual permintaan lebih kecil daripada ramalan. Tracking signal disebut
baik apabila memiliki RSFE yang rendah, dan mempunyai positive error yang
sama banyak atau seimbang dengan negative error, sehingga pusat dari
tracking signal mendekati nol. Tracking signal yang telah dihitung dapat dibuat
peta kontrol untuk melihat kelayakkan data di dalam batas kontrol atas dan
batas kontrol bawah.
e. Moving Range (MR)
Peta Moving Range dirancang untuk membandingkan nilai permintaan
aktual dengan nilai peramalan. Data permintaan aktual dibandingkan dengan
nilai peramal pada periode yang sama. Peta tersebut dikembangkan ke periode
yang akan datang hingga dapat dibandingkan data peramalan dengan
permintaan aktual. Peta Moving Range digunakan untuk pengujian kestabilan
sistem sebab-akibat yang mempengaruhi permintaan. Rumus perhitungan peta
Moving Range adalah sebagai berikut.
𝐵𝐾𝐴 = 2,66 𝑋 ̅̅̅̅̅
𝑀𝑅
̅̅̅̅̅
𝐵𝐾𝐵 = −2,66 𝑋 𝑀𝑅
𝑀𝑅 = |(𝐹𝑡−1 − 𝐴𝑡−1 ) − (𝐹𝑡 − 𝐴𝑡 )|
∑ 𝑀𝑅
̅̅̅̅̅
𝑀𝑅 =
𝑛−1

Jika ditemukan satu titik yang berada diluar batas kendali pada saat
peramalan diverifikasi maka harus ditentukan apakah data harus diabaikan atau
mencari peramal baru. Jika ditemukan sebuah titik berada diluar batas kendali
maka harus diselidiki penyebabnya. Penemuan itu mungkin saja membutuhkan
penyelidikan yang ekstensif. Jika semua titik berada di dalam batas kendali,
diasumsikan bahwa peramalan permintaan yang dihasilkan telah cukup baik.
Jika terdapat titik yang berada di luar batas kendali, jelas bahwa peramalan
yang didapat kurang baik dan harus direvisi.
1.3 PENGUMPULAN DATA DAN PENGOLAHAN DATA
1.3.1 Pengumpulan Data
a. Tugas Pendahuluan
Diketahui data historis permintaan selama 10 tahun sbb:
Tabel 1.1 Tugas Pendahuluan
Periode 1 2 3 4 5 6 7 8 9 10
Jumlah 120 100 135 165 119 213 234 254 272 290
produksi
Terapkan metode regresi linier untuk menentukan permintaan 3 periode yang
akan datang (periode 11, 12, dan 13)
b. Soal Latihan 1
Diketahui data permintaan masa lalu untuk suatu produk selama 12 periode
terakhir:
Tabel 1.2 Tabel Soal Latihan 1
Periode 1 2 3 4 5 6 7 8 9 10 11 12
Permintaan 24 30 36 39 50 48 56 55 36 36 25 23
Dari data tersebut, hitung peramalan permintaan pada periode ke-13 dengan
metode berikut:
1) Moving average (m=2, 3, 4, 5, dan 6)
Tentukan kriteria performans untuk masing-masingnya, dan tentukan pula
metode mana yang seharusnya dipillih!
2) Eksponential smoothing (dengan α = 0,1; 0,2; 0,3 dan 0,4)
Tentukan kriteria performansi untuk masing-masingnya, dan tentukan pula
metode mana yang seharusnya dipilih!
3) Dari point (a) dan (b), metode mana yang harus terpilih untuk melakukan
peramalan permintaan metode ke-13?
c. Soal Latihan 2
Toko SEGAR adalah toko kelontong yang menjual air mineral botol 600 ml. Data
penjualan air mineral botol dalam 6 bulan pertama tahun 2009 adalah sebagai
berikut.
Tabel 1.3 Tabel Soal latihan 2
 Bulan Penjualan
Januari 215
Februari 222
Maret 235
April 228
Mei 210
Juni 240
1) Ramalan penjualan pada januari 2010 dengan metode regresi linier?
2) Ramalan penjualan pada januari 2010 dengan metode Moving Average dengan
m=2 dan 3
3) Ramalan penjualan pada januari 2010 dengan metode single Exponential
Smoothing dengan α= a,3 dan 0,7
4) MAD (mean absolute deviation) dan MSE (mean squared error)?
5) Tentukan kriteria performansi untuk masing-masingnya, dan tentukan pula
metode mana yang seharusnya dipilih!
d. Soal latihan 3
Diketahui sebuah pabrik sepatu memiliki data penjualan selama satu tahun
sebagai berikut;
Tabel 1.4 Tabel Soal Latihan 3
Bulan Indeks Waktu (t) Penjualan Aktual (A)
Januari 1 542
Februari 2 538
Maret 3 541
April 4 543
Mei 5 538
Juni 6 537
Juli 7 541
Agustus 8 540
September 9 542
Oktober 10 540
 November 11 538
Desember 12 541
Dari data tersebut, hitung peramalan permintaan pada periode ke-13 dengan
metode berikut;
1) Moving Aveage (m=2, 3, 4 dan 8)
Tentukan kriteria performans untuk masing-masingnya, dan tentukan pula
metode mana yang seharusnya dipilih!
2) Eksponential Smoothing (dengan α= 0,1; 0,2; 0,3; dan 0,5)
Tentukan kriteria performans untuk masing-masingnya, dan tentukan pula
metode mana yang seharusnya dipilih!
3) Dari poin (a) dan (b), metoode mana yang terpilih untuk melakukan peramalan
permintaan periode ke-13?

1.3.2 Pengolahan Data

a. Tugas Pendahuluan
Tabel 1.5 Forcasting Result Periode 11, 12, dan 13
b. Soal Latihan 1
1) Moving Average
a) M = 2
Tabel 1.7 Forecasting Result (M=2)

Tabel 1.8 Details and Error Analysis (M=2)

b) M = 3
Tabel 1.9 Forecasting Results (M=3)

Tabel 1.10 Details and Error Analysis (M=3)

c) M = 4
Tabel 1.11 Forecasting Results (M=4)

Tabel 1.12 Details and Error Analysis (M=4)

d) M = 5
Tabel 1.13 Forecasting Results (M=5)
 Tabel 1.14 Details and Error Analysis (M=5)

e) M = 6
Tabel 1.15 Forecasting Results (M=6)

Tabel 1.16 Details and Error Analysis (M=6)

 Jadi metode yang sebaiknya dipilih yaitu M=2 karena memiliki standar error
yang paling kecil dibandingkan lainnya.

2) Eksponential Smoothing
a) α = 0,1
Tabel 1.17 Forecasting Results (α=0,1)

Tabel 1.18Details and Error analysis (α=0,1)

b) α = 0,2
Tabel 1.19 Forecasting Results (α = 0,2)
 Tabel 1.20 Detail and Error Analysis (α = 0,2)

c) α = 0,3
Tabel 1.21 Forecasting Results (α = 0,3)

Tabel 1.22 Details and Error Analysis (α = 0,3)

 d) α = 0,4
Tabel 1.23 Forecasting Results (α = 0,4)

Tabel 1.24 Details and Error Analysis (α = 0,4)

Jadi metode yang sebaiknya dipilih yaitu α = 0,4 karena memiliki standard
error yang paling kecil.

3) Metode yang terpilih untuk melakukan peramalan permintaan periode ke-13

diantara metode moving average dan eksponential smoothing, maka yang
terpilih untuk melakukan peramalan permintaan periode ke-13 yaitu metode
moving average M= 2.

c. Soal Latihan 2
1) Reagresi Linier Periode ke 13
Tabel 1.25 Forecasting Results periode ke 13
 Tabel 1.26 Details and Error Analysis periode ke 13

2) Moving Average
a) M=2
Tabel 1.27 Forecasting Results (M=2)

Tabel 1.28 Details and Error Analysis (M=2)

b) M=3
 Tabel 1.29 Forecasting Results (M=3)

Tabel 1.30 Details and Error Analysis (M=3)

3) Exponential Smoothing
a) α = 0,3
Tabel 1.31 Forecasting Results (α = 0,3)

Tabel 1.32 Details and Error Analysis (α = 0,3)

 b) α = 0,7
Tabel 1.33 Forecasting Results (α = 0,7)

Tabel 1.34 Details and Error Analysis (α = 0,7)

4) MAD (Mean Absolute Deviation) dan MSE (Mean Squared Error)

Tabel 1.35 MAD dan MSE
M=2 M=3 α = 0,3 α = 0,7
MAD 14,88 12,67 12,93 13,54
MSE 293,94 199,19 200,8 245,72
5) Sebaiknya memilih metode moving average m=3 (MAD 12,67; MSE
199,19; dan MAPE 6%) yang paling kecil dan memiliki tinggkat kesalahan
yang paling kecil dibanding kan metode yang lainnya.

d. Soal Latihan 3
1) Moving Average
a) M=2
Tabel 1.36 Forecasting Results (M=2)
 Tabel 1.37 Details and Error Analysis (M=2)

b) M=3

Tabel 1.38 Forecasting Results (M=3)

Tabel 1.39 Details and Error Analysis (M=3)

c) M=4

Tabel 1.40 Forecasting Results (M=4)

Tabel 1.41 Details and Error Analysis (M=4)

d) M=8

Tabel 1.42 Forecasting Results (M=8)

 Tabel 1.43 Details and Error Analysis (M=8)

Metode yang sebaiknya dipilih yaitu metode moving average M=8

karrena memiliki standar error yang paling kecil dibandingkan metode
lainnya.

2) Exponential Smoothing
a) α=0,1

Tabel 1.44 Forecasting Results (α=0,1)

Tabel 1.45 Details and Error Analysis (α=0,1)

b) α=0,2

Tabel 1.46 Forecasting Results (α=0,2)

Tabel 1.47 Details and Error Analysis (α=0,2)

c) α=0,3

Tabel 1.48 Forecasting Results (α=0,3)

 Tabel 1.49 Details and Error Analysis (α=0,3)

d) α=0,5

Tabel 1.50 Forecasting Results (α=0,5)

Tabel 1.51 Details and Error Analysis (α=0,5)

 Metode yang sebaiknya dipilih yaitu metode moving average α=0,2
karrena memiliki standar error yang paling kecil dibandingkan metode
lainnya.

3) Sebaiknya memilih metode moving average m=8 (MAD 1,34; MSE 2,58;
dan MAPE 0) yang paling kecil dan memiliki tinggkat kesalahan yang
paling kecil dibanding kan metode yang lainnya.

1.4 PEMBAHASAN