FORECASTING

PRAKTIKUM MANAJEMEN PERSEDIAAN

KELOMPOK 2
PDN 3A

Oleh :
Biutifa Fisisa Prawira 171450010
Dimas Wahyu Mahendra 171450014
Septian Rahmad Nugroho 171450047
Steven Johanes 171450049
Hasan Sinamur 171450063

KEMENTERIAN ENERGI DAN SUMBER DAYA MINERAL

BADAN PENGEMBANGAN SUMBER DAYA MANUSIA
ENERGI DAN SUMBER DAYA MINERAL
POLITEKNIK ENERGI DAN MINERAL AKAMIGAS

PEM Akamigas
 I. PENDAHULUAN

1.1 Latar Belakang

Peramalan (forecasting) adalah seni dan ilmu untuk memperkirakan kejadian
dimasa depan. Hal ini dapat dilakukan dengan melibatkan pengambilan data historis
dan memproyeksikannya ke masa mendatang dengan suatu bentuk model matematis.
Hal ini bisa juga merupakan prediksi intuisi yang bersifat subjektif. Hal inipun dapat
dilakukan dengan menggunakan kombinasi model matematis yang disesuaikan dengan
pertimbangan yang baik dari seorang manajer. Sesuatu yang berjalan dengan baik di
suatu perusahaan pada suatu set kondisi tertentu mungkin bisa menjadi bencana bagi
organisasi lain, bahkan pada departemen yang berbeda di perusahaan yang sama.
Selain itu, anda akan melihat keterbatasan dari apa yang dapat anda harapkan dari
suatu peramalan. Peramalan sangat jarang memberikan hasil yang sempurna.
Peramalan juga menghabiskan banyak biaya dan waktu dan waktu untuk dipersiapkan
dan diawasi.
Menurut Arman Hakim Nasution (2006), Peramalan adalah proses untuk
memperkiraan beberapa kebutuhan di masa datang yang meliputi kebutuhan dalam
ukuran kuantitas, kualitas, waktu, dan lokasi yang dibutuhkan dalam rangka memenuhi
permintaan barang dan jasa.
Peramalan tidak terlalu dibutuhkan dalam kondisi permintaan pasar yang
stabil, karena perubahan permintaan relatif kecil. Tetapi peramalan akan sangat
dibutuhkan bila kondisi permintaan pasar bersifat kompleks dan dinamis. Dalam
kondisi pasar bebas, permintaan pasar lebih banyak bersifat kompleks, dan dinamis
karena permintaan tersebut akan tergantung dari keadaan sosial, ekonomi, politik,
aspek teknologi, produk pesaing dan produk substitusi. Oleh karena itu peramalan
yang akurat merupakan informasi yang sangat dibutuhkan dalam pengambilan
keputusan manajemen.

Salah satu bentuk peramalan yang sering kali terjadi di dunia migas adalah
pada peramalan BBM dan BBK yang akan digunakan pada waktu-waktu tertentu atau
dalam bahasa lain disebut pick season time. Pick season time yang ada Indonesia
diantaranya adalah sebagai berikut : waktu-waktu di awal tahun (tahun baru), Hari
Raya Idul Fitri (Liburan), Libur Sekolah, Libur Natal, Hari Raya Idul Adha, Musim
haji, dll. Untuk produk BBM yang digunakan biasanya diperuntukkan bagi kendaraan
roda 2,4 dan selebihnya melalui jalan darat, ada pula produk BBM lain seperti HSD,
MFO yang diperuntukkan untuk bahan bakar kapal yang digunakan untuk transportasi
umum. Sedangkan, yang digunakan sebagai bahan bakar untuk pesawat terbang
disebut dengan Avtur/Jet A-1.
 Pada kasus kali ini, yang digunakan sebagai contoh pembahasannya adalah
pada produk Avtur / Jet A-1 tersebut. Untuk pesawat udara yang akan melakukan
penerbangan jarak jauh, tentu membutuhkan lebih banyak bahan bakar dibandingkan
dengan pesawat yang melakukan perjalanan hanya 1,2,3 jam saja. Sebagai penyedia
bahan bakar Avtur di Indonesia, Pertamina harus mempersiapkan persediaan yang
mencukupi agar kebutuhan Avtur oleh konsumen maskapai penerbangan jarak jauh
tercukupi.

Langkah yang diambil pertamina untuk dapat mencukupi kebutuhan Avtur

itu adalah dengan melakukan peramalan kebutuhan (forecasting), dengan melihat
angka-angka penggunaan Avtur pada beberapa tahun sebelumnya. Sehingga, pada
masa yang akan datang Pertamina dapat mengira-ngira secara akurat dan pasti
berapakah kebutuhan Avtur yang akan digunakan pada musim haji tersebut.
Forecasting juga didukung oleh penunjang lain, seperti : komunikasi yang baik antara
Pertamina dengan maskapai penerbangan, pembuatan rencana kerja yang terstruktur,
serta menampilkan beberapa kemungkinan yang akan terjadi pada musim haji agar
memberikan hasil perhitungan yang lebih signifikan dan akurat.

1.2 Rumusan Masalah

Mengingat materi yang begitu luas, maka penulis ingin merumuskan suatu
masalah agar dapat diperkecilkan ruang lingkupnya.
1. Apa yang dimaksud peramalan?
2. Apa saja manfaat peramalan?
3. Apa saja metode peramalan?
4. Apa itu ramalan serial waktu
5. Berapa jumlah avtur yang dibutuhkan tahun 2020-2022

1.3 Tujuan Penulisan

Adapun tujuan penulisan makalah ini sebagai berikut :
1. Untuk mengetahui apa yang dimakasud peramalan
2. Untuk mengetahui apa saja manfaat peramalan
3. Untuk mengetahui apa saja metode peramalan
4. Untuk mengetahui jumlah avtur yang dibutuhkan tahun 2020-2022
5. Untuk mengetahui ramalan serial waktu
 II. KAJIAN TEORI

2.1 Kajian Teori

Pengertian Peramalan
Peramalan (forecasting) adalah seni dan ilmu untuk memperkirakan kejadian
dimasa depan. Hal ini dapatdilakukan dengan melibatkan pengambilan data
historisdan memproyeksikannya ke masa mendatang dengan suatu bentuk model
matematis. Hal ini bisa juga merupakan prediksi intuisi yang bersifatsubjektif. Hal
inipun dapat dilakukan dengan menggunakan kombinasi model matematis yang
disesuaikan dengan pertimbangan yang baik dari seorang manajer. Sesuatu yang
berjalan dengan baik di suatu perusahaan pada suatu set kondisi tertentu mungkin bisa
menjadi bencana bagi organisasi lain, bahkan pada departemenyang berbeda di
perusahaan yang sama. Selain itu, anda akan melihat keterbatasan dari apa yang dapat
anda harapkan dari suatu peramalan. Peramalan sangat jarang memberikan hasil yang
sempurna. Peramalan juga menghabiskan banyak biaya dan waktu dan waktu untuk
dipersiapkan dan diawasi.
Menurut Arman Hakim Nasution (2006), Peramalan adalah proses untuk
memperkiraan beberapa kebutuhan di masa datang yang meliputi kebutuhan dalam
ukuran kuantitas, kualitas, waktu, dan lokasi yang dibutuhkan dalam rangka memenuhi
permintaan barang dan jasa.
Peramalan tidak terlalu dibutuhkan dalam kondisi permintaan pasar yang
stabil, karena perubahan permintaan relatif kecil. Tetapi peramalan akan sangat
dibutuhkan bila kondisi permintaan pasar bersifat kompleks dan dinamis. Dalam
kondisi pasar bebas, permintaan pasar lebih banyak bersifat kompleks, dan dinamis
karena permintaan tersebut akan tergantung dari keadaan sosial, ekonomi, politik,
aspek teknologi, produk pesaing dan produk substitusi. Oleh karena itu peramalan
yang akurat merupakan informasi yang sangat dibutuhkan dalam pengambilan
keputusan manajemen.

Manfaat Peramalan
1) Menentukan apa yang dibutuhkan untuk ekspansi pabrik (ramalan jangka
panjang)
2) Menentukan perencanaan lanjutan bagi produk-produk yang ada untuk
dikerjakan dengan fasilitas-fasilitas yang ada (ramalan fasilitas)
3) Menentukan penjadwalan jangka pendek produk-produk yang ada untuk
dikerjakan berdasarkan peralatan yang ada (ramalan perencanaan produksi)
Metode – metode Peramalan
Meramalkan permintaan dari pasar yang dimasuki oleh perusahaan adalah
suatu pekerjaan yang perlu dilakukan oleh setiap manajer perusahaan dalam rangka
memprediksi berapa besar peluang pasar yang tersedia di masa depan. Peramalan
permintaan merupakan usaha untuk mengetahui jumlah produk atau sekelompok
produk di masa yang akan datang dalam kendala satu set kondisi tertentu.
Hal yang perlu diingat adalah bahwa aktivitas peramalan permintaan tidaklah
dapat diartikan sebagai aktivitas yang bertujuan untuk mengukur permintaan di masa
yang akan datang secara pasti, melainkan sekedar usaha untuk mengurangi
kemungkinan terjadinya hal yang berlawanan antara keadaan yang sungguh-sungguh
terjadi di kemudian hari dengan apa yang menjadi hasil peramalan. Dengan kata lain,
hasil maksimal dari aktivitas peramalan adalah melakukan minimisasi ketidakpastian
yang mungkin terjadi di masa yang akan datang.

Metode Kuantitatif
Metode Peramalan Kuantitatif dapat dikelompokkan menjadi dua jenis, yaitu :
1. Model seri waktu / metode deret berkala (time series) metode yang dipergunakan
untuk menganalisis serangkaian data yang merupakan fungsi dari waktu.
Model Seri Waktu / Metode deret berkala, terbagi menjadi :
a. Rata-rata bergerak (moving averages),
Rata-Rata Bergerak Sederhana (simple moving averages) : bermanfaat jika
diasumsikan bahwa permintaan pasar tetap stabil.
b. Rata-Rata Bergerak Tertimbang (weighted moving averages) : apabila ada pola
atau trend yang dapat dideteksi, timbangan bisa digunakan untuk menempatkan
lebih banyak tekanan pada nilai baru.
c. Penghalusan eksponensial (exponential smoothing),
Penghalusan Eksponensial : metode peramalan dengan menambahkan parameter
alpha dalam modelnya untuk mengurangi faktor kerandoman. Istilah eksponensial
dalam metode ini berasal dari pembobotan/timbangan (faktor penghalusan dari
periode-periode sebelumnya yang berbentuk eksponensial.
d. Proyeksi trend (trend projection)
Metode proyeksi trend dengan regresi, merupakan metode yang dignakan baik
untuk jangka pendek maupun jangka panjang. Metode ini merupakan garis trend
untuk persamaan matematis.
2. Model / metode kausal (causal/explanatory model)
Mengasumsikan variabel yang diramalkan menunjukkan adanya hubungan sebab
akibat dengan satu atau beberapa variabel bebas (independent variable).
Merupakan metode peramalan yang didasarkan kepada hubungan antara variabel
yang diperkirakan dengan variabel alin yang mempengaruhinya tetapi buakn waktu.
Dalam prakteknya jenis metode peramalan ini terdiri dari :
1. Metode regresi dan kolerasi, merupakan metode yang digunakan baik untuk
jangka panjang maupun jangka pendek dan didasarkan kepada persamaan
dengan teknik least squares yang dianalisis secara statis.
2. Model Input Output, merupakan metode yang digunakan untuk peramalan
jangka panjang yang biasa digunakan untuk menyusun trend ekonomi jangka
panjang.
3. Model ekonometri, merupakan peramalan yang digunakan untuk jangka panjang
dan jangka pendek.

Metode Kualitatif
Metode kualitatif umumnya bersifat subjektif, dipengaruhi oleh intuisi,
emosi, pendidikan dan pengalaman seseorang. Oleh karena itu hasil peramalan dari
satu orang dengan orang lain dapat berbeda. Meskipun demikian, peramalan kualitatif
dapat menggunakan teknik/metode peramalan, yaitu :
1. Juri dari Opini Eksekutif : metode ini mengambil opini atau pendapat dari
sekelompok kecil manajer puncak/top manager (pemasaran, produksi, teknik,
keuangan dan logistik), yang seringkali dikombinasikan dengan model-model
statistik.
2. Gabungan Tenaga Penjualan : setiap tenaga penjual meramalkan tingkat
penjualan di daerahnya, yang kemudian digabung pada tingkat provinsi dan
nasional untuk mencapai ramalan secara menyeluruh.
3. Metode Delphi : dalam metode ini serangkaian kuesioner disebarkan kepada
responden, jawabannya kemudian diringkas dan diberikan kepada para ahli
untuk dibuat peramalannya. Metode memakan waktu dan melibatkan banyak
pihak, yaitu para staf, yang membuat kuesioner, mengirim, merangkum hasilnya
untuk dipakai para ahli dalam menganalisisnya. Keuntungan metode ini hasilnya
lebih akurat dan lebih profesional sehingga hasil peramalan diharapkan
mendekati aktualnya.
4. Survai Pasar (market survey) : Masukan diperoleh dari konsumen atau
konsumen potensial terhadap rencana pembelian pada periode yang diamati.
Survai dapat dilakukan dengan kuesioner, telepon, atau wawancara langsung.
Ramalan Serial Waktu
Analisis serial waktu dimulai dengan memplot data pada suatu skala waktu,
mempelajari plot tersebut, dan akhirnya mencari suatu bentuk atau pola yang konsisten
atas data. Pola dari serangkaian data dalam serial waktu dapat dikelompokkan dalam
pola dasar sebagai berikut :

1. Konstan, yaitu apabila data berfluktuasi di sekitar rata-rata secara stabil. Polanya
berupa garis lurus horizontal.Pola seperti ini terdapat dalam jangka pendek atau
menengah, jarang sekali suatu variabel memiliki pola konstan dalam jangka
panjang.
2. Kecenderungan (trend), yaitu apabila data dalam jangka panjang mempunyai
kecenderungan, baik yang arahnya meningkat dari waktu ke waktu maupun
menurun. Pola ini disebabkan antara lain oleh bertambahnya populasi,
perubahan pendapatan, dan pengaruh budaya.
3. Musiman (seasonal), yaitu apabila polanya merupakan gerakan yang berulang-
ulang secara teratur dalam setiap periode tertentu, misalnya tahunan, semesteran,
kuartalan, bulanan atau mingguan. Pola ini berhubungan dengan faktor
iklim/cuaca atau faktor yang dibuat oleh manusia, seperti liburan dan hari besar.
4. Siklus (cyclical), yaitu apabila data dipengaruhi oleh fluktuasi ekonomi jangka
panjang, seperti daur hidup bisnis. Perbedaan utama antara pola musiman dan
siklus adalah pola musiman mempunyai panjang gelombang yang tetap dan
terjadi pada jarak waktu yang tetap, sedangkan pola siklus memiliki durasi yang
lebih panjang dan bervariasi dari satu siklus ke siklus yang lain.
5. Residu atau variasi acak, yaitu merupakan satu titik khusus dalam data yang
disebabkan oleh pekuang dan situasi tidak lazim,dan data tidak mempunyai pola
khusus sehingga tidak dapat diprediksi.
 III. HASIL DAN PEMBAHASAN

3.1 Data Penelitian

DPPU Adi Sumarmo melayani penerbangan Hajj Flight. Tabel 1
menunjukkan data penjualan avtur khusus untuk masa keberangkatan dan kedatangan
Hajj Flight selama tahun 2013-2019. Tabel 2 menunjukkan jumlah penerbangan
selama masa keberangkatan dan kedatangan Hajj Flight tahun 2013-2019.

Tabel 1. Penjualan Avtur selama Hajj Flight 2013-2019

Penjualan Penjualan
Tahun (KL) (KL)

Keberangkatan Kepulangan

2013 2.295.389 5.464.000

2014 2.352.000 5.478.255

2015 2.372.305 5.768.000

2016 2.440.000 5.775.421

2017 2.680.000 5.600.000

2018 2.719.470 6.032.951

2019 2.902.360 6.525.000

Tabel 2. Jumlah Penerbangan selama Hajj Flight 2013-2019

Jumlah Jumlah
Tahun Penerbangan Penerbangan
Keberangkatan Kepulangan
2013 599 557
2014 593 567
2015 449 515
2016 487 543
2017 612 659
2018 635 678
2019 652 691
3.2 Pembahasan
Untuk mengetahui data yang tersedia akan diolah dengan menggunakan
metode apa, maka kita harus membuat grafik terlebih dahulu, lalu kita baru dapat kita
simpulkan dengan metode apa yang akan cocok digunakan.
3.2.1 Menentukan Grafik Menggunakan Minitab
Langkah awal untuk menentukan metode peramalan, yaitu membuat grafik
pada software (pada kesempatan ini memakai software minitab). Dengan cara, klik
Stats → time series → time series plot → simple, ok → pilih data yang akan digunakan.

Dari grafik diatas dapat disimpulkan, bahwa terdapat 2 kemungkinan metode

yang akan digunakan, yaitu trend analysis dan double exp smoothing.
Trend Analysis adalah analisis yang digunakan untuk mengamati kecenderungan data
secara menyeluruh pada suatu kurun waktu yang cukup panjang. Trend dapat
dipergunakan untuk meramalkan kondisi apa data di masa mendatang, maupun dapat
dipergunakan untuk memprediksi data pada suatu waktu dalam kurun waktu tertentu.
Sedangkan, Double Exp Smoothing merupakan salah satu analisis deret waktu, dan
merupakan metode peramalan dengan memberi nilai pembobot pada serangkaian
pengamatan sebelumnya untuk memprediksi nilai masa depan.
Setelah ditemukan hasil seperti kedua grafik di atas, maka selanjutnya yang
dapat kita lakukan adalah dengan membuat analisis pada masing-masing keadaan
tersebut seperti grafik di bawah ini.
3.2.2 Menggunakan Metode Trend Analysis
3.2.3 Menggunakan Double Exp Smoothing
3.2.4 Membandingkan Kedua Metode
Untuk memilih dari metode yang ada, maka kita harus memilih angka error
yang paling kecil, yaitu MAPE, MAD, MSD.

Tabel 3. Perbandingan MSE, MAD dan MAPE Kebutuhan Avtur

Keberangkatan
Ukuran Metode Peramalan
Double Exp
Ketepatan Trend Analysis
Smoothing
MAPE 2 2
MSD 3.358.830.291 5.784.151.327
MAD 52.165 44.687

Tabel 4. Perbandingan MSE, MAD dan MAPE Kebutuhan Avtur Kepulangan

Ukuran Metode Peramalan
Double Exp
Ketepatan Trend Analysis
Smoothing
MAPE 2,36274 4,36017
MSD 32.877.400.000 93.530.700.000
MAD 138.744 248.283

Tujuan optimalisasi statistik seringkali dilakukan untuk memilih suatu model

agar nilai MSD minimal, tetapi ukuran ini mempunyai dua kelemahan. Pertama ukuran
ini menunjukkan pencocokkan (fitting) suatu model terhadap data historis.
Pencocokan seperti ini tidak selalu mengimplikasikan peramalan yang baik. Suatu
model yang terlalu cocok (over fitting) dengan deret data berarti sama dengan
memasukkan unsur random sebagai bagian proses bangkitan, adalah sama buruknya
dengan tidak berhasil mengenai pola non acak dalam data. Kekurangan kedua dalam
MSD sebagai ukuran ketepatan model adalah berhubungan dengan kenyataan bahwa
metode berbeda akan menggunakan prosedur yang berbeda pula dalam fase
pencocokan.
Dalam fase peramalan penggunaan MSD dan MAD sebagai suatu ukuran
ketepatan juga dapat menimbulkan masalah. Ukuran ini tidak memudahkan
perbandingan antar deret berskala yang berbeda dan untuk selang waktu yang
berlainan, karena MSD dan MAD merupakan ukuran absolut yang sangat tergantung
pada skala dari data deret waktu. Lagi pula, interpretasi nilai MSD tidak bersifat
intuitif, karena ukuran ini menyangkut pengkuadratan sederetan nilai.
 Karena alasan tersebut dalam hubungan dengan keterbatasan MSD dan MAD
sebagai ukuran ketepatan peramalan, maka dipakai ukuran alternatif sebagai salah satu
indikasi ketepatan dalam peramalan, yaitu MAPE.
Dari hasil perhitungan pada tabel di atas, dapat kita ketahui pada tabel 3
dinyatakan nilai MAPE adalah 2 untuk masing-masing metode peramalan, karena
nilainya adalah sama, maka kita tidak dapat menentukan manakah yang akan menjadi
keutamaan dalam keputusan tersebut. Maka, selanjutnya kita akan melihat nilai MSD
dan MAD, yang memiliki hasil perhitungan yang berbeda, sehingga kita akan lebih
mudah untuk mengidentifikasinya. Menurut informasi yang penulis peroleh, dari
kedua hasil tersebut tidak dapat dibedakan manakah yang akan didahulukan. Namun,
pada kali ini penulis akan memilih MSD dulu baru kemudian melihat MAD karena
sesuai dengan urutan tabel. Karena nilai MSD lebih kecil dibandingkan dengan MAD,
maka yang akan dipilih adalah trend analysis, meskipun nilai MADnya trend analysis
lebih besar dibandingkan double exp smoothing.
Lain halnya dengan hasil yang ditunjukkan pada tabel 4, yang menyatakan
perbedaan angka yang signifikan antara trend analysis dan double exp smoothing. Pada
tabel 4, tertulis bahwa nilai yang paling kecil adalah pada trend analysis, sehingga
disimpulkanlah solusi yang paling tepat adalah dengan menggunakan trend analysis
dibandingkan menggunakan solusi double exp smoothing.
Sehingga kita dapat mengetahui dari dua model peramalan dan dua model
data di atas, MSD trend analysis lebih kecil dari pada Double Exp Smoothing. Oleh
karena itu untuk data Kebutuhan Avtur Keberangkatan dan Kepulangan dapat
dikerjakan menggunakan metode trend analysis. Maka hasil dari forecast untuk tahun
2020-2022 untuk menjaga kebutuhan stock avtur sebagai berikut.
Tabel 5. Perkiraan Kebutuhan Avtur Hajj Flight Tahun 2020 – 2022

Kebutuhan Kebutuhan Total

Tahun
Berangkat Pulang Jumlah
2020 2.946.439 6.395.431 9.341.870
2021 3.048.708 6.542.731 9.591.439
2022 3.150.978 6.690.031 9.841.009
Jumlah 9.146.125 19.628.193 28.774.318
 IV. KESIMPULAN

Dari hasil perhitungan dan pemilihan keputusan di atas, maka diperoleh

kesimpulan bahwa data tersebut dapat diselesaikan dengan menggunakan metode
trend analysis menggunakan software minitab, dan dihasilkan nilai jumlah kebutuhan
yang akan menjadi angka forecasting bahan bakar Avtur untuk keberangkatan dan
kepulangan Hajj Flight adalah sebesar 28.774.318 KL.
 DAFTAR PUSTAKA

http://rismaayuok.blogspot.com/2016/12/makalah-lengkap-peramalan
forecasting.html
http://miccaherlina23.blogspot.com/2016/10/makalah-peramalan-forecasting.html
http://rankingpertama.blogspot.com/2017/04/makalah-forecasting.html
http://ratihsubagyo.blogspot.com/2010/12/trend-analysis.html
http://mjnurul.blogspot.com/2014/03/exponential-smoothing.html