MATA KULIAH

MANAJEMEN
OPERASIONAL
PERAMALAN ( FORECASTING )
 Oleh :
Sutopo., S.Kom., MM
NIDN : 0422068803

Fb : As Sutopo
HP : 08522370588
WA : 08522370588
E-Mail : pangadegmkmoe@gmail.com

Kamis, 9 Oktober 2018

SEKOLAH TINGGI ILMU EKONOMI SEBELAS APRIL
SUMEDANG
 Tujuan Pembelajaran :
Dalam pembelajaran ini diharapkan mahasiswa mampu / dapat :
1. Mengamalkan nilai-nilai keimanan sesuai dengan ajaran agama dalam kehidupan sehari-hari.
2. Menunjukan prilaku ilmiah (memiliki rasa ingin tahu, objektif, jujur, teliti, cermat, tekun, hati-
hati, bertanggungjawab, terbuka, kritis, kreatif, inovatif dan peduli lingkungan) sebagai wujud
implementasi sikap dalam melakukan percobaan dan berdiskusi.
3. Menghargai kerja individu dan kelompok dalam aktivitas sehari-hari sebagai wujud
implementasi melaksanakan percobaan dan melaporkan hasil percobaan.
4. Menjelaskan pengertian peramalan, pentingnya strategi terhadap peramalan, tujuh langkah
dalam sistem peramalan, pendekatan peramalan, peramalan berdasarkan pada runtun waktu,
metode peramalan asosiatif : analisa regresi dan korelasi, memonitor dan mengendalikan
peramalan, peramalan dalam sektor jasa.
5. Memahami pengertian peramalan, pentingnya strategi terhadap peramalan, tujuh langkah
dalam sistem peramalan, pendekatan peramalan, peramalan berdasarkan pada runtun waktu,
metode peramalan asosiatif : analisa regresi dan korelasi, memonitor dan mengendalikan
peramalan, peramalan dalam sektor jasa..
 Tujuan Pembelajaran :
Dalam pembelajaran ini diharapkan mahasiswa mampu / dapat :
6. Mengkomunikasikan materi yang berkaitan dengan peramalan (forecasting).
7. Mendiskusikan materi yang berkaitan dengan peramalan (forecasting).
8. Mempresentasikan tentang materi yang berkaitan dengan peramalan (forecasting).
9. Menyimpulkan tentang materi yang berkaitan dengan peramalan (forecasting).
10. Menyajikan tentang materi yang berkaitan dengan peramalan (forecasting).
11. Menjawab latihan-latihan soal evaluasi terkait tentang materi yang berkaitan dengan
peramalan (forecasting).
 Peramalan (Forecasting) adalah seni dan ilmu
untuk memperkirakan kejadian di masa depan.
 Berdasarkan horizon waktu, peramalan dibagi
3, yaitu :
1. Peramalan jangka pendek
2. Peramalan jangka menengah
3. Peramalan jangka panjang
 Peramalan jangka menengah dan jangka
panjang dapat dibedakan dari peramalan
jangka pendek dengan melihat dari tiga hal,
yaitu :
1. Peramalan jangka menengah dan panjang
berkaitan dengan permasalahan yg lebih
menyeluruh dan mendukung keputusan
manajemen yg berkaitan dengan
perencanaan produk, pabrik, dan proses.
2. Peramalan jangka pendek biasanya
menetapkan metodologi yg berbeda
dibandingkan peramalan jangka panjang.
3. Peramalan jangka pendek cendrung lebih
tepat dibandingkan peramalan jangka
panjang. Faktor-faktor yg mempengaruhi
perubahan permintaan berubah setiap hari.
Dengan demikian semakin panjang horizon
waktu, ketepatan peramalan seseorang
semakin berkurang.
 Faktor lain yg harus dipertimbangkan saat
membuat peramalan penjualan, terutama
peramalan penjualan jangka panjang, adalah
siklus hidup produk. Penjualan produk
bahkan jasa tidak terjadi pada tingkat yg
konstan sepanjang hidupnya. Hampir semua
produk yg berhasil melalui empat tahapan,
yaitu : perkenalan, pertumbuhan,
kematangan dan penurunan.
 Berbagai organisasi menggunakan tiga jenis
peramalan yg utama dalam perencanaan
operasi di masa depan :
1. Peramalan ekonomi : merencanakan
indikator – indikator yg berguna dalam
membantu organisasi menyiapkan peramalan
jangka menengah dan jangka panjang.
2. Peramalan teknologi : peramalan jangka
panjang sangat memperhatikan laju
perkembangan teknologi.
3. Peramalan permintaan : proyeksi suatu
penjualan perusahaan yg berlaku pada
setiap periode dalam perencanaan horizon.
Peramalan ekonomi dan teknologi bukan
merupakan fungsi manajer operasi, shg
dalam pembahasan kita menekankan pada
perencanaan permintaan.
 Ada 7 langkah dasar sistem peramalan :
1. Menetapkan tujuan peramalan
2. Memilih unsur yg akan diramalkan
3. Menentukan horizon waktu peramalan
4. Memilih jenis model pemodelan
5. Mengumpulkan data yg diperlukan untuk
melakukan peramalan
6. Membuat peramalan
7. Memvalidasikan dan menerapkan hasil
peramalan.
 Terdapat dua pendekatan umum untuk
peramalan, yaitu :
1. Peramalan kuantitatif : peramalan yang
menggunakan model matematis yang
beragam dengan data masa lalu dan variabel
sebab – akibat untuk peramalan permintaan.
2. Peramalan kualitatif (subjektif) :
peramalan yg menggabungkan faktor
seperti : intuisi, emosi, pengalaman pribadi,
dan sistem nilai pengambilan keputusan
untuk meramal.

Ada 4 teknik peramalan kualitatif :

1. Juri dari opini eksekutif
2. Metode Delphi
3. Komposit tenaga penjualan
4. Survei pasar konsumen
Ada 5 metode peramalan kuantitatif :
1. Model deret waktu :
a. Pendekatan naif
b. Rata-rata bergerak
c. Penghalusan eksponensial
2. Model Asosiasif :
a. Proyeksi tren
b. Regresi linear
 Model Deret Waktu : teknik peramalan yg
menggunakan sejumlah data masa lalu
untuk membuat peramalan.
 Model asosiatif (hubungan sebab akibat)
seperti regresi linear, menggabungkan
banyak variabel atau faktor yg mungkin
mempengaruhi kuantitas yg sedang
diramalkan. Sebagai contoh, model asosiatif
dari penjualan mesin pemotong rumput
mungkin memasukkan faktor seperti adanya
perumahan baru, anggaran iklan, dan harga
pesaing.
 Deret waktu didasarkan pada urutan dari titik
– titik data yg berjarak sama dalam waktu
(mingguan, bulanan, kuartalan, dll).
 Menganalisis deret waktu berarti membagi
data masa lalu menjadi komponen –
komponen, kemudian memproyeksikannya ke
masa depan. Deret waktu mempunyai empat
komponen :
1. Tren : merupakan pergerakkan data sedikit
demi sedikit meningkat atau menurun.
Perubahan pendapatan, populasi,
penyebaran umur, atau pandangan budaya
dapat mempengaruhi pergerakan tren.

2. Musiman : adalah pola data yg berulang

pada kurun waktu tertentu, seperti : harian,
mingguan, bulanan, atau kuartal.
3. Siklus : pola dalam data yg terjadi setiap
beberapa tahun. Siklus ini biasanya terkait
pada siklus bisnis dan merupakan satu hal
penting dlm 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 yg disebabkan oleh peluang dan
situasi yang tidak lazim.
Variasi acak tidak mempunyai pola khusus
sehingga tidak dapat diprediksi.
 Pendekatan naif adalah teknik peramalan yg
mengasumsikan permintaan periode
berikutnya sama dengan permintaan pada
periode terakhir. Dengan kata lain, jika
penjualan sebuah produk (mis: telpon
genggam Motorolla) adalah 68 unit pada bulan
Januari, kita dapat meramalkan penjualan pada
bulan Februari akan sama, yaitu sebanyak 68
unit juga.
 Pendekatan naif ini merupakan model
peramalan objektif yg paling efektif dan
efisien dari segi biaya. Paling tidak pen-
dekatan naif memberikan titik awal untuk
perbandingan dengan model lain yang lebih
canggih.
 Rata-rata bergerak adalah suatu metode
peramalan yg menggunakan rata-rata periode
terakhir data untuk meramalkan periode
berikutnya.

Rata - rata Bergerak 

 Permintaan dlm periode n sebelumnya
n

n = jumlah periode dalam rata-rata bergerak

 Contoh :

Bulan Penjualan Aktual Rata-rata bergerak 3 bulanan

Januari 10
Februari 12
Maret 13
April 16 (10+12+13)/3 = 11,67
Mei 19 (12+13+16)/3 = 13,67
Juni 23 (13+16+19)/3 = 16
Juli 26 (16+19+23)/3 = 19,33
Agustus 30 (19+23+26)/3 = 22,67
September 28 (23+26+30)/3 = 26,33
Oktober 18 (26+30+28)/3 = 28
Nopember 16 (30+28+18)/3 = 25,33
Desember 14 (28+18+16)/3 = 20,67
 Pembobotan rata-rata bergerak :

Pembobotan rata - rata bergerak 

 (bobot periode n)(permintaan dlm periode n)
 bobot
Bulan Penjualan Aktual Rata-rata bergerak 3 bulanan
Januari 10
Februari 12
Maret 13
April 16 [(3x13)+(2x12)+(10)]/6 = 12, 16
Mei 19 [(3x16)+(2x13)+(12)]/6 = 14, 33
Juni 23 [(3x19)+(2x16)+(13)]/6 = 17,00
Juli 26 [(3x23)+(2x19)+(16)]/6 = 20,50
Agustus 30 [(3x26)+(2x23)+(19)]/6 = 23,80
September 28 [(3x30)+(2x26)+(23)]/6 = 27,50
Oktober 18 [(3x28)+(2x30)+(26)]/6 = 28,33
Nopember 16 [(3x18)+(2x28)+(30)]/6 = 23,33
Desember 14 [(3x16)+(2x18)+(28)]/6 = 18,67
 Penghalusan eksponensial merupakan metode
peramalan rata-rata bergerak dgn pembobotan
dimana titik data dibobotkan oleh fungsi
eksponensial.
 Rumus penghalusan eksponensial :
Peramalan Baru  Peramalan Periode terakhir   (Permintaan sebenarnya periode terakhir)
- peramalan periode terakhir

dimana : α adalah sebuah bobot atau konstanta

penghalusan yg dipilih oleh peramal yg
mempunyai nilai antara 0 dan 1.
 Rumus : Ft  Ft 1   ( At 1  Ft 1 )

dimana : Ft = Peramalan baru

Ft-1 = Peramalan sebelumnya
α = Konstanta penghalusan (0≤α≥1)
At-1 = Permintaan aktual periode lalu

Periode Periode Periode Periode

Periode Yang Yang Yang Yang
Konstanta Yang Terkini Terkini Terkini Terkini
Penghalusan Terkini Kedua Ketiga Keempat Kelima
(α)
α(1-α) α(1-α)² α(1-α)³ α(1-α) 4

α= 0,1 0,1 0,09 0,081 0,073 0,066

α= 0,5 0,5 0,25 0,125 0,063 0,031

 Menghitung Kesalahan Peramalan
Kesalahan Peramalan = Permintaan Aktual – Nilai Peramalan
= At - Ft

Ada beberapa perhitungan yg biasa digunakan

untuk menghitung kesalahan dlm peramalan.
Tiga dari perhitungan yang paling terkenal
adalah deviasi mutlak rata-rata (mean absolute
deviation = MAD). Kesalahan kuadrat rata-rata
(mean absolute deviation =MSE) dan kesalahan
persen mutlak rata-rata (mean absolute percent =
MAPE).
 MAD adalah nilai yg dihitung dengan
mengambil jumlah nilai absolut dari setiap
kesalahan peramalan dibagi dengan jumlah
periode data (n).

MAD 
 Aktual  Peramalan
n
 Contoh :
Selama 8 kuartal terakhir, Perusahaan X
membongkar muat sejumlah besar biji-bijian
dari kapal. Manajer operasi pelabu-han ingin
menguji penggunaan penghalus-an
eksponensial utk melihat seberapa baik teknik
ini bekerja dlm memprediksi tonase biji-bijian
yg dibongkar/muat. Ia menebak peramalan
bongkar/muat biji-bijian pada kuartal
pertama adalah 175 ton. Dua nilai yg diuji
α=0,1 dan α=0,5.
 Penyelesaian :

Tonase Peramalan yg
Peramalan yg dibulatkan dgn
Kuartal Bongkar/ dibulatkan
α =0,1
Muat dgn α =0,5
1 180 175 175
2 168 175+0,1(180-175)=175,50 177,50
3 159 175,50+0,1(168-175,50)=174,75 172,75
4 175 174,75+0,1(159-174,75)=173,18 165,88
5 190 173,18+0,1(175-173,18)=173,36 170,44
6 205 173,36+0,1(190-173,36)=175,02 180,22
7 180 175,02+0,1(205-175,02)=178,02 192,61
8 182 178,02+0,1(180-178,02)=178,22 186,30
9 ? 178,22+0,1(182-178,22)=178,59 184,15
 Perhitungan MAD :
Deviasi Deviasi
Tonase B/M Peramalan Peramalan
Kuartal Absolut Absolut
Aktual α= 0,1 α= 0,5
α=0,1 α=0,5
1 180 175 5,00 175 5,00

2 168 175,50 7,50 177,50 9,50

3 159 174,75 15,75 172,75 13,75

4 175 173,18 1,82 165,88 9,12

5 190 173,36 16,64 170,44 19,56

6 205 175,02 29,98 180,22 24,78

7 180 178,02 1,98 192,61 12,61

8 182 178,22 3,78 186,30 4,30

Jumlah Deviasi Absolut 82,45 98,62

MAD 10,31 12,33
Kuartal Tonase B/M Aktual Peramalan α=01 (Kesalahan)2

1 180 175 52 = 25

2 168 175,50 (-7,5)2=56,25

3 159 174,75 248,06

4 175 173,18 3,33

5 190 173,36 276,89

6 205 175,02 898,70

7 180 178,02 3,92

8 182 178,22 14,31

Jumlah Kesalahan dikuadratkan = 1.526,46

MSE=(Jumlah Kesalahan dikuadratkan)/n = 190,80

 MAPE 100
Kuartal Tonase B/M Aktual Peramalan α=01
(Kesalahan/Aktual)
1 180 175 (5/180)(100)=2,78 %

2 168 175,50 4,46 %

3 159 174,75 9,90 %

4 175 173,18 1,05 %

5 190 173,36 8,76 %

6 205 175,02 14,62 %

7 180 178,02 1,10 %

8 182 178,22 2,08 %

Jumlah kesalahan = 44,75 %
MAPE=(Jumlah Kesalahan)/n = 5,59 %
 Asumsikan permintaan untuk barang atau jasa kita telah
meningkat 100 unit per bulan, dan kita telah meramalkan dengan
α=0,4 dalam model penghalusan eksponensial.

Permintaan
Bulan Permintaan untuk Bulan T(FT)
Aktual
1 100 F1 = 100 (diberikan)
2 200 F2 = F1+α(A1-F1) = 100 + 0,4(100-100) = 100
3 300 F3 = F2+α(A2-F2) = 100 + 0,4(200-100) = 140
4 400 F4 = F3+α(A3-F3) = 140 + 0,4(300-140) = 204
5 500 F5 = F4+α(A4-F4) = 204 + 0,4(400-204) = 282
  Untuk memperbaiki peramalan kita, berikut
akan diilustrasikan model penghalus-an
eksponensial yg lebih rumit dan dapat
menyesuaikan diri pada tren yg ada. Idenya
adalah menghitung rata-rata data penghalusan
eksponensial, kemudian me-nyesuaikan untuk
kelambatan (lag) positif atau negatif pada tren.
Rumusnya :

Peramalan dengan Tren (FITt) = Peramalan penghalusan eksponensial (Ft)

- Tren penghalusan eksponensial (Tt)
  Dengan penghalusan eksponensial dgn tren,
estimasi rata-rata dan tren dihaluskan.
Prosedur ini membutuhkan dua konstanta
penghalusan, α untuk rata-rata dan β untuk
tren.

Ft = α (permintaan aktual terakhir) + (1-α)(Peramalan periode terakhir –

Estimasi tren periode terakhir)
Ft = α(At-1) + (1-α)(Ft-1 + Tt-1) ……………………… (1)

Tt = β(peramalan periode ini – peramalan periode terakhir) + (1-β)(Estimasi

tren periode terakhir)
Tt = β(Ft – Ft-1) + (1-β)Tt-1 ......................................... (2)
Dimana :
Ft = peramalan dengan eksponensial yg dihaluskan
dari
data berseri pada periode t.
Tt = tren eksponensial yg dihaluskan pada periode t.
At = permintaan aktual pada periode t.
α = konstanta penghalusan untuk rata-rata (0≤α≥1)
β = konstanta penghalusan untuk tren (0≤β≥1)

3 Langkah menghitung peramalan yg disesuaikan dgn

tren, yaitu :
1. Menghitung Ft, peramalan eksponensial yg
dihaluskan untuk periode t, menggunakan
persamaan (1).
2. Menghitung tren yg dihaluskan (Tt) menggunakan
persamaan (2).
3. Menghitung persamaan dengan tren (FITt) dengan
rumus :

FITt = Ft + Tt
 Contoh :
Permintaan Permintaan
Bulan (t) Bulan (t)
Aktual (At) Aktual (At)
1 12 6 21
2 17 7 31
3 20 8 28
4 19 9 36
5 24 10 ?

Nilai α=0,2 dan β=0,4. Diasumsikan peramalan

awal untuk bulan pertama (F1) adalah 11 unit
dan tren pada periode tsb (T1) = 2 unit.
 Penyelesaian :
Langkah-1 : Ramalkan bulan kedua :
Ft = αAt +(1-α)(Ft +Tt)
F2 = (0,2)(12)+(1-0,2)(11+2) = 12,8 unit.
Langkah-2 : Hitung tren pada periode 2 :
T2 = β(F2-F1)+(1-β)T1
= (0,4)(1,8)+(0,6)(0,2) = 1,92
Langkah-3 : Hitung FITt :
FIT2 = F2 + T2
= 12,8 + 1,92 = 14,72 unit
Perhitungan selengkapnya :

Permintaan
Bulan Ft Tt FITt
Aktual
1 12 11 2 13,00
2 17 12,80 1,92 14,72
3 20 15,18 2,10 17,28
4 19 17,82 2,32 20,14
5 24 19,91 2,23 22,14
6 21 22,51 2,38 24,89
7 31 24,11 2,07 26,18
8 28 27,14 2,45 29,59
9 36 29,28 2,32 31,60
10 ? 32,48 2,68 35,16
 Adalah suatu metode peramalan serangkaian
waktu yg sesuai dengan garis tren terhadap
serangkaian titik-titik data masa lalu,
kemudian diproyeksikan ke dalam peramalan
masa depan untuk peramalan jangka
menengah dan jangka panjang.
 Persamaan garis :
^

y  a  bx
 Contoh :
Periode Permintaan
Tahun x2 xy
Waktu (x) Daya Listrik (Y)
2001 1 74 1 74

2002 2 79 4 158

2003 3 80 9 240

2004 4 90 16 360

2005 5 105 25 525

2006 6 142 36 852

2007 7 122 49 854

Jumlah ∑x = 28 ∑y = 692 ∑x2 = 140 ∑xy = 3.063
Rata-rata 4 98,86 - -
 Dimana :
y = variabel yg akan diprediksi
a = konstanta
b = kemiringan garis regresi
x = variabel bebas (waktu)
 Dengan metode kuadrat terkecil (MKT) didapat :

 xy  n x y
b a  y  bx
 x  nx
2 2
 Penyelesaian :

b
 xy  n x y 3.063 - (7)(4)(98,86) 295
   10,54
 x  nx
2 2 2
140 - (7)(4 ) 28

a  y  bx  98,86  10,54(4)  56,70

Persamaan tren :
^

y  a  bx  56,70  10,54 x
Permintaan tahun 2008 = 56,70+10,54(8)
= 141,02 megawat
 Permintaan tenaga listrik (megawatts)
Garis tren : y = 56,70+10,54x

Tahun
 Analisis Regresi :
1. Regresi Linear
1.1. Regresi Linear Sederhana
1.2. Regresi Linear Berganda
2. Regresi Kuadrat
3. Regresi Eksponensial
 Ringkasan
Peramalan merupakan bagian yang sangat penting dari fungsi manajer
operasional. Peramalan permintaan mendorong produksi perusahaan,
kapasitas, dan sistem penjadwalan dan memengaruhi fungsi
perencanaan keuangan, pemasaran, dan personalia.
Terdapat beragam teknik peramalan jenis kuantitatif dan kualitatif.
Pendekatan kualitatif menggunakan pertimbangan, pegalaman, intuisi,
dan sumber faktor lainnya yang sulit untuk menghitungnya. Peramalan
kuantitatif menggunakan data historis dan hubungan sebab akibat, atau
asosiatif, hubungan dengan proyeksi permintaan pada masa mendatang.
Tinjauan ulang secara cepat untuk bab ini meringkas rumus yang telah
kita perkenalkan dalam peramalan kuantitatif. Perhitungan peramalan
jarang sekali dilakukan secara manual. Sebagian besar manajer
operasional beralih ke perangkat, misalnya Forecast PRO, NCSS,
Minitab, Systat, Statgraphics, SAS, atau SPSS.
 Ringkasan

Tidak ada metode peramalan yang sempurna untuk seluruh kondisi.

Selain itu, bahkan ketika manajemen telah menemukan pendekatan
yang lebih memuaskan, masih harus memonitor dan mengendalikan
peramalan untuk memastikan tidak ada kesalahan yang terlewatkan.
Peramalan sering kali dapat menjadi sangat menantang, tetapi
bermanfaat, sebagai bagian dari pengelolaan.
SEKIAN & TERIMAKASIH
 DAFTAR PUSTAKA :

Balakrishnan, R., B. Render, dan R.M. Stair. Managerial

Decision Modeling with Spreadsheets, Ed. 3.
Upper Saddle River, NJ: Prentice Hall, 2012.

Berenson, Mark, Tim Krehbiel, dan David Levine. Basic

Business Statistics, Ed 12. Upper Saddle River,
NJ: Prentice Hall, 2012.

Campbell, Omar. “Forecasting in Direct Selling Business:

Tupperware’s Experience”. The Journal of
Business Forecasting 27, no. 2 (Musim Panas
2008): 18-19.
 DAFTAR PUSTAKA :

Diebold, F.X. Elements of forecasting, Ed.6. Cincinnati:

South-Western College Publishing, 2013.

Fildes, Robert dan Paul Goodwin. “Against Your Better

Judgement? How Orgaizations Can Improve Their
Use of Management Judgement in Forecasting”.
Decision Sciences 37, no.6 (November-Desember
2007): 570-576.

Georgoff, D.M. dan R.G. Murdick. “Manager’s Guide to

Forecasting”. Harvard Business Review 64
(Januari-Februari 1986): 110-120.
 DAFTAR PUSTAKA :

Gilliland, M. dan M. Leonard. “Forecasting Software –

The Past and the Future”. The Journal of Business
Forecasting 25, no. 1 (Musim Semi 2006): 33-36.

Hanke, J.E. dan D.W. Wichern. Business Forecasting, Ed

10. Upper Saddle River, NJ: Prentice Hall, 2012.

Jain, Chaman L. “Benchmarking Forecasting Software

and Systems”. The Journal of Business
Forecasting 26, no. 4 (Musim Dingin 2007/2008):
30-34.
 DAFTAR PUSTAKA :

Onkal, D, M.S. Gonul, dan M. Lawrence. “Judgement

Adjustments of Preyiously Adjusted Forecasts.”
Decision Sciences 39, no. 2 (Mei 2008):213-238.

Render, B., R.M. Stair, dan M. Hanna. Quantitative

Analysis for Management, Ed. 11. Upper Saddle
River, NJ: Prentice Hall, 2012.

Shah, Piyush. “Techniques to Support Better

Forecasting”. APICS Magazine
(November/Desember 2008): 49-50.
 DAFTAR PUSTAKA :

Urs, Rajiv. “How to Use a Demand Planning System for

Best Forecasting and Planning Results”. The
Journal of Business Forecasting 27, no. 2 (Musim
Panas 2008): 22-25.

Wilson, J.H., B. Keating, dan J. Galt. Business

Forecasting, Ed, 7. New York: McGraw-Hill, 2012.

Yurklewicz, Jack. “Forecasting an Upward Trend”. OR/MS

Today (Juni 2012): 52-61.
Latihan Soal Essay Kelompok Diskusi :

1. Apa model peramalan kualitatif dan kapan digunakan secara tepat ?

2. Gambarkan secara singkat langkah-langkah yang digunakan untuk
mengembangkan sistem peramalan.
3. Jelaskan mengapa perangkat peramalan ini, yaitu pergerakan rata-rata,
rata-rata tertimbang, dan penghalusan eksponensial tidak sesuai untuk
serangkaian data yang memiliki kecenderungan.
4. Apa perbedaan mendasar di antara pergerakan rata-rata tertimbang
dengan penghalusan eksponensial?
5. Apa perbedaan utama di antara model runtun waktu dengan model
asosiatif ?
6. Definisikan runtun waktu.
7. Apa pengaruh nilai penghalusan konstan yang dimilikinya terhadap bobot
yang diberikan pada nilai saat ini?
8. Jelaskan nilai dari indeks musiman dalam peramalan, bagaimna pola
musiman berbeda dari pola siklus?
9. Teknik peramalan yang manakah yang menempatkan banyak penekanan
pada nilai saat ini ? Bagaimana melakukannya?
10. Dengan kata-kata anda sendiri, jelaskan mengenai peramlan adaptif.
Latihan Soal Essay Diskusi Kelompok :

11. Apa tujuan dari sinyal penelusuran?

12. Berikan contoh industri yang dipengaruhi oleh musiman. Mengapa bisnis
ini ingin menyaring musiman?
13. Berikan contoh industri di mana peramalan permintaannya bergantung
pada permintaan untuk produksi lainnya.
14. Apa yang terjadi pada kemampuan untuk meramalkan dengan periode
yang lebih jauh ke dalam masa mendatang?
Latihan Soal Perhitungan Individu :
1. Penjualan alat pengering rambut (hair dryer) di gerai Walgreens di
Youngstown, Ohio, selama 4 bulan yang lalu sebanyak 100,110,120, dan
130 unit (dengan 120 menjadi penjualan yang paling baru).
Kembangkan peramalan pergerakan rata-rata untuk bulan berikutnya,
dengan menggunakan 3 teknik berikut :
a). Pergerakan rata-rata 3 bulan
b). Pergerakan rata-rata 4 bulan
c). Pergerakan rata-rata tertimbang 4 bulan dengan bulan terakhir
tertimbang 4, bulan sebelumnya 3, kemudian 2, dan bulan tertua
tertimbang 1.
d). Jika penjualan bulan berikutnya ternyata menjadi 140 unit, peramalan
penjualan bulan berikutnya (bulan) menggunakan pergerakan rata-
rata 4 bulan.
2. Data berikut datang dari proyeksi garis regresi :

NILAI PERAMALAN NILAI AKTUAL

410 406
419 423 Hitung MAD dan MSE.
428 423
435 440
Latihan Soal Perhitungan Individu :
3. Registrasi ruang kamar di Toronto Towers Plaza Hotel telah dicatatkan
selama 9 tahun yang lalu. Untuk memproyeksikan menginap pada masa
mendatang, manajemen akan menentukan kecenderungan secara
matematis apakah ekspansi pada masa yang akan datang akan
diperlukan atau tidak. Diberikan data runtun waktu berikut, kembangkan
persamaan regresi terkait dengan waktu registrasi (misalnya, persamaan
kecenderungan). Kemudian, buat peramalan registrasi tahun ke – 11
registrasi kamar dalam ribuan.

Tahun 1 :17 Tahun 2 : 16 Tahun 3 : 16 Tahun 4 : 21 Tahun 5 : 20

Tahun 6 : 20 Tahun 7 : 23 Tahun 8 : 25 Tahun 9 : 24
Latihan Soal Pilihan Ganda Individu :

1. Horizon waktu dalam peramalan meliputi :

a. Kisaran panjang
b. Kisaran menengah
c. Kisaran pendek
d. Semuanya di atas

2. Metode kualitatif dari peramalan meliputi :

a. Gabungan tenaga penjualan
b. Opini dewan eksekutif
c. Survei pasar konsumen
d. Penghalusan eksponensial
e. Seluruhnya benar, keculai (d)
Latihan Soal Pilihan Ganda Individu :

3. Perbedaan antara model pergerakan rata-rata dengan model

penghalusan eksponensial adalah bahwa ......................

4. Tiga ukuran keakuratan peramalan yang terkenal adalah :

a. Total kesalahan, kesalahan rata-rata, dan kesalahan mean
b. Kesalahan rata-rata, kesalahan median, dan kesalahan maksimum
c. Kesalahan median, kesalahan minimum, dan kesalahan absolut
yang maksimum
d. Deviasi rata-rata yang absolute, kesalahan rata-rata yang
dikuadratkan, dan persentase kesalahan rata-rata yang absolute.
Latihan Soal Pilihan Ganda Individu :

5. Rata-rata permintaan untuk Ipods di gerai Apple di Roma, Italia

adalah 800 unit per bulan. Indeks bulanan pada Mei adalah 1,25.
Apakah peramalan penjualan yang disesuaikan dengan musiman
untuk Mei ?
a). 640 unit
b). 789,75 unit
c). 800 unit
d). 1000 unit
6. Perbedaaan utama antara regresi yang sederhana dan berganda
adalah .......
7. Sinyal penelusuran adalah :
a. Kesalahan standar estmasi
b. Kesalahan kumulatif
c. Deviasi rata-rata yang absolut (MAD)
d. Rasio kesalahan kumulatif terhadap MAD
e. Persentase kesalahan rata-rata yang absolut (MAPE)
“Ya Alloh ! Sesungguhnya aku bermohon kepadaMu Ilmu yang
bermanfaat, rezeki yang baik (halal barokah), rezeki yang luas, penawar
(kesembuhan) bagi segala penyakit, serta amalan yang diterima. Dengan
RahmatMu, Wahai Zat Yang Maha Pengasih lagi Maha Penyayang!”

SEBELUM DAN SETELAH BELAJAR MARILAH KITA

BERDO’A
TUJUANNYA :
1. SUPAYA ILMU YANG KITA PELAJARI BERMANFAAT
2. ILMU YANG DIPELAJARI DIBERKAHI
3. SUPAYA KITA SELAKU DALAM LINDUNGAN ALLOH
SWT DIMANAPUN KITA BERADA. DLL AMIN ….