MAKALAH MANAJEMEN OPERASI JASA

“PERMINTAAN PERAMALAN UNTUK LAYANAN”

Oleh Kelompok 9:
1. Kresdiyana F 201710160311333
2. Nevi Kusumaningtyas 201710160311344
3. Zuriah Ayu Lestari 201710160311356
4. Indah Febrianti Sundawa 201710160311376
5. Presia Mega Meiliana 201710160311457

PROGRAM STUDI MANAJEMEN

FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS MUHAMAMDIYAH MALANG
2019

i
 KATA PENGANTAR
Puji dan syukur kita panjatkan atas kehadirat Allah SWT yang mana telah
senantiasa memberikan kita kehidupan, jasmani dan rohani yang sehat sehingga
kami dapat membuat makalah ini dan tak lupa pula kita junjung nabi besar
Muhammad S.A.W yang mana telah membawa kita dari alam kebodohan ke alam
yang penuh dengan ilmu pengetahuan, Penulis tahu bahwasan nya makalah ini
belum dapat di katakana dan di kategorikan sempurna, seperti yang kita ketahui
tidak ada yang sempurna di dunia ini ke sempurnaan hanya milik Allah Swt, Oleh
karena itu kami memohon kritik dan saran dari seluruh pembaca agar makalah ini
bisa menjadi lebih baik dan berguna untuk semua orang yang membaca makalah
ini, selain itu kami mengucapkan banyak terimakasih kepada semua pihak yang
telah membantu kami dalam menyusun makalah ini.

Malang, Mei 2019

Penulis

ii
 DAFTAR ISI
KATA PENGANTAR .....................................................................................ii
DAFTAR ISI ...................................................................................................iii
BAB 1 PENDAHULUAN.................................................... ...........................1
.1 Latar Belakang.....................................................................................1
1.2 Rumusan Masalah................................................................................1
1.3 Tujuan ..................................................................................................1
BAB 2 PEMBAHASAN .................................................................................2
2.1 Metode Metode Dalam Permintaan Untuk Pelayanaan.......................2
2.1.1 Metode Delphi……………………………………………….….2
2.1.2 Analisis Lintas Dampak………………………………………....3
2.1.3 Analogi Sejarah……………………………………………..…...3
2.2 Model Causal……………………………………………………..…..4
2.2.1Regresi Model ………………………………………………..….4
2.2.2 Model Ekonometrik……………………………………………..4
2.3 Model Series Waktu………………………………………………….5
2.3.1 N-Periode Bergerak Rata-Rata………………………………….5
2.3.2 Penghalusan Eksponensial……………………………………....5
2.3.3 Perkiraan Gagal……………………………………………….....5
2.3.4 Hubungan Antara a Dan N …………………………………..…6
2.3.5 Penghalusan Eksponensial dengan Penyesuaian Tren ………….6
2.3.6 Cara Menghitung Eksponensial Smoothing……………………..6
2.3.7 Pengahalusan Eksponential Dengan penyesuaian Musiman…….7
2.3.8 Perataan Eksponential dengan Trend dan Penyeseuaian Musiman7
BAB 3 PENUTUPAN………………………………………………………….9
3.1 Kesimpulan…………………………………………………...………..9
3.2 Saran ……………………………………………………………...…...9

iii
 BAB I
PENDAHULUAN
1.1 Latar Belakang
Peramalan (forecasting) adalah kegiatan mengestimasi apa yang akan
tejadi pada masa yang akan datang. Peramalan diperlukan karena adanya
perbedaan kesenjagan waktu (Timelag) antara kesadaran akan dibutuhkannya
suatu kebijakan baru dengan waktu pelaksanaan kebijakan tersebut. Apabila
perbedaan waktu tersebut panjang maka peran peramalan begitu penting dan
sangat dibutuhkan, terutama dalam penentuan kapan terjadinya suatu sehingga
dapat dipersiapkan tindakan yang perlu dilakukan.
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.

1.2 Rumusan Masalah

1. Metode-metode apa saja yang digunakan dalam Permintaan Peramalan
untuk Layanan?
2. Apa saja yang terdapat dalam Model Causal?
3. Apa saja yang terdapat dalam Model Series Waktu?

1.3 Tujuan
1. Untuk mengetahui apa saja metode-metode yang digunakan dalam
Permintaan Peramalan untuk Layanan
2. Untuk mengetahui apa saja model yang ada dalam Model Causal
3. Untuk mengetahui apa saja model yang ada dalam Model Series Waktu

1
 BAB II
PEMBAHASAN

2.1 Metode-Metode dalam Permintaan Peramalan untuk Layanan

Dalam Permintaan Peramalan untuk Layanan terdapat beberapa metode-
metode, ini termasuk metode Delphi, analisis dampak silang, dan analogi
sejarah. Metode-metode yang digunakan dalam permintaan peramalan
untuk layanan yaitu:
2.1.1 Metode Delphi
Dikembangkan di rand corporation oleh olaf helmer, metode delphi
didasarkan pada pendapat ahli. dalam bentuknya yang paling
sederhana, orang-orang dengan keahlian dalam suatu pertanyaan
diberikan pertanyaan, dan orang-orang ini tidak diizinkan untuk
berinteraksi satu sama lain. biasanya, para peserta diminta untuk
membuat perkiraan angka. misalnya, mereka mungkin diminta untuk
memprediksi rata-rata Dow Jones tertinggi untuk tahun mendatang.
Administrator tes mentabulasikan hasilnya menjadi kuartil dan
menyuplai temuan ini kepada para ahli, yang kemudian diminta untuk
mempertimbangkan kembali jawaban mereka mengingat informasi
baru. Selain itu, mereka yang pendapatnya berada di dua kuartil luar
diminta untuk membenarkan pendapat mereka. semua informasi dari
putaran pertanyaan ini ditabulasi dan sekali lagi dikembalikan kepada
peserta. pada kesempatan ini, setiap peserta yang tetap berada di luar
dua kuartil tengah mungkin diminta untuk memberikan argumen
tentang mengapa ia percaya mereka yang berada di pihak yang
berlawanan tidak benar.
Proses ini mungkin berlanjut melalui beberapa iterasi lagi, dengan
maksud akhirnya para ahli sampai pada konsensus yang dapat
digunakan untuk perencanaan masa depan. metode ini sangat padat
karya dan membutuhkan masukan dari orang-orang dengan
pengetahuan ahli. jelas, Delphi adalah metode yang sangat mahal dan
memakan waktu dan praktis hanya untuk perkiraan jangka panjang.
Contoh metode delphi dapat dilihat dalam studi industri tenaga nuklir.
sembilan puluh delapan orang setuju untuk berpartisipasi dalam
penelitian ini. orang-orang ini menduduki posisi kunci tingkat atas
dengan firma-firma teknik arsitek, pabrik reaktor, dan perusahaan-
perusahaan utilitas di sektor industri yang berkaitan dengan tenaga
nuklir serta dengan badan-badan requlatory negara, komisi energi
negara, staf kongres, dan badan pengatur nuklir di sektor publik.

2
2.1.2 Analisis Lintas Dampak
Analisis lintas dampak mengasumsikan bahwa beberapa peristiwa
di masa depan terkait dengan terjadinya peristiwa sebelumnya Seperti
dalam metode Deiphi, panel para ahli mempelajari serangkaian
korelasi antara peristiwa yang disajikan dalam sebuah matriks.
Korelasi-korelasi ini membentuk dasar untuk memperkirakan
kemungkinan peristiwa di masa depan yang terjadi. Sebagai contoh,
pertimbangkan forcast yang dilakukan pada tahun 2003 dan
mengasumsikan $ 3 per-gallor harga gas-line pada tahun 2010
(peristiwa A) dan penggandaan penumpang yang sama pada angkutan
massal pada tahun 2020 (acara B). Dengan konsensus awal, dapat
ditentukan bahwa diberikan A, probabilitas kondisional B adalah 7,
dan bahwa diberikan B, probabilitas bersyarat A adalah 6. Probabilitas
ini ditunjukkan dalam matriks di bawah ini.
Asumsikan bahwa probabilitas tak bersyarat forcensted untuk
penggandaan kapal angkutan umum massal pada tahun 2020 adalah
1,0 dan probabilitas probabilitas tak bersyarat t3 per galon untuk
bensin pada tahun 2010 adalah.3. Nilai-nilai baru ini secara statistik
tidak konsisten dengan nilai-nilai dalam matriks. Ketidakkonsistenan
akan ditunjukkan kepada para ahli di panel, kemudian akan merevisi
perkiraan mereka dalam serangkaian iterasi. Seperti halnya metode
Delphi, matriks pengalaman yang dapat digunakan untuk
menghasilkan prakiraan dan administrator diperlukan untuk mencapai
probabilitas bersyarat yang memuaskan.

2.1.3 Analogi Sejarah

Historis mengasumsikan bahwa pola pengenalan dan pertumbuhan
layanan baru akan meniru pola yang sama. konsep yang datanya
tersedia. Analogi historis sering digunakan untuk memperkirakan
penetrasi pasar atau siklus hidup layanan baru. Konsep siklus hidup
produk seperti yang digunakan dalam tahap invalves pemasaran,
seperti pengenalan, pertumbuhan, kematangan, dan penurunan
Penggunaan analogi historis yang terkenal adalah prediksi penetrasi
pasar oleh televisi berwarna berdasarkan pengalaman dengan hitam-
putih. televisi hanya beberapa tahun sebelumnya. Tentu saja, analogi
yang tepat tidak selalu begitu jelas. Sebagai contoh, pertumbuhan
permintaan untuk layanan perawatan rumah tangga dapat mengikuti
kurva pertumbuhan untuk layanan perawatan anak. Karena pola data
sebelumnya dapat memiliki banyak interpretasi dan laporan dapat
dipertanyakan, kredibilitas setiap ramalan menggunakan metode ini
sering dicurigai. penerimaan perkiraan analogi historis tergantung pada
pembuatan analog yang meyakinkan Perkiraan jangka pendek dapat

3
 dibuat dengan mudah ketika kita diprioritaskan dengan informasi
statistik yang tidak rumit, beberapa di antaranya mungkin relevan
untuk membuat prakiraan yang menguntungkan r, organisasi layanan
kompetitif harus berurusan dengan kekayaan dan beberapa di
antaranya torecast harus dilakukan untuk vear berikutnya - atau untuk
dekade berikutnya bukan hanya untuk hari, minggu, atau bulan
berikutnya. ramalan jangka panjang memiliki potensi untuk mengeja
kesuksesan atau kehancuran bagi organisasi. Oleh karena itu, kami
memerlukan cara untuk memisahkan informasi kritis kami dan
mengolahnya untuk membantu kami membuat perkiraan yang tepat
mungkin tidak relevan. Dalam situasi-situasi ini, model kausal juga
lebih memungkinkan untuk mempertimbangkan bahwa ada hubungan
yang dapat diperbaiki di antara informan yang ingin kami ramalkan
dan faktor-faktor lainnya. Model-model ini berkisar dari yang sangat
sederhana, di mana ramalan itu didasarkan pada teknik yang disebut
regresi unclyris, hingga yang dikenal sebagai sistem persamaan
ekonomeiri. Asumsi yang serupa dengan model deret waktu (yang ada)
bahwa data mengikuti pola yang dapat diidentifikasi dari waktu ke
waktu dan bahwa Model.

2.2 Model Causal

2.2.1 Regresi Model
Regresi adalah hubungan antara faktor yang diabaikan sebagai
dependen yang dapat diartikan (atau n, dan faktor-faktor yang
menentukan nilai Y yang ditetapkan sebagai variabel independen atau
(X). Jika ada r independen varinblcs, maka hubungan antara variabel
dependen Y dan variabel independen X, dinyatakan sebagai yang
dideskripsikan.
Nilai ao u, a, adalah koefisien yang ditentukan oleh program yang
digunakan. Jika perhitungan dilakukan dengan tangan, nilai ditentukan
dengan menggunakan persamaan regresi yang ditemukan dalam
statistik dasar texs. Kualitas layanan fasilitas.
2.2.2 Model Ekonometrik
Model Econometrie adalah versi model regresi yang melibatkan
sistem tions. Persamaan terkait satu sama lain, dan koefisien
ditentukan sebagai model regresi yang lebih sederhana. Model
ekonometrik terdiri dari satu set persamaan simult yang menyatakan
variabel dependen dalam hal beberapa kemampuan yang berbeda.
Model ekonometrik membutuhkan pengumpulan data yang luas dan
analisis yang canggih dibuat, oleh karena itu, mereka umumnya
digunakan untuk variasi independen forecasis jangka panjang.

4
2.3 Model Series waktu
2.3.1 N-Periode Bergerak Rata-Rata
Pengamatan yang dilakukan selama periode waktu tampaknya
memiliki pola acak; akibatnya, kami tidak merasa percaya diri dalam
mendasarkan perkiraan pada mereka. Sebagai contoh, pemilik hotel
telah mencatat peningkatan hunian selama dua hari Sabtu terakhir dan
berharap ractice menawarkan tingkat diskon.

2.3.2 Penghalusan Eksponensial Sederhana

Dapat mengakomodasi tren dan Penghalusan Eksponensial
Sederhana. Peramalan sederhana diberi bobot yang semakin sedikit,
dan perhitungannya sederhana dan membutuhkan data terbaru.
Smoothing eksponensial sederhana didasarkan pada konsep umpan
balik kesalahan forecet untuk memperbaiki nilai smoothed
sebelumnya.
2.3.3 Perkiraan Gagal
Meskipun hal ini jelas terlihat pada tahun 1412 bahwa lengkungan
yang terjadi di lengkungan itu telah mengentalkan puncak-puncak dan
lembah-lembah iata yang sebenarnya, dengan beberapa lagkah.
Pertama, kita harus mengharapkan perkiraan yang tidak bias terhadap
pelacakan yang sebenarnya berarti untuk dhiu. Jadi, jumlah kesalahan
prakiraan hendaknya cenderung ke angka nol, mempertimbangkan
perbedaan postive maupun negatif. Jika itu terjadi, maka kita harus
mencari penyebab yang jelas dari tren atau seson dan bertanggung
jawab untuk itu. Kita menggunakan persamaan (b) dan hasil yang
ditunjukkan di meja 14.3 untuk menghitung kesalahan perkiraan
kumulatif (CFE) sampai sm 31.
Hal yang paling umum dari perkiraan masa depan adalah
penyimpangan yang berarti penyimpangan total (gila) yang dikalkulasi
menggunakan persamaan (7), di meja 143, yang berarti penyimpangan
absolut adalah 6.6. Kami akan terus menggunakan gila, whnich GVCS
berat setara dengan setiap etror, sebagai langkah kami dari kesalahan
ramalan sepanjang sisa bab.
Jika kesalahan besar adalah partisi yang sangat serius, menghambat
kesalahan akan memberikan lebih banyak beban. The mean kuadrat
(MSE) untuk hasil di tabel 143 dihitung menggunakan persamaan (8)
dan hasil dalam nilai 76,6, yang memuat kesalahan besar dalam
periode 5 dan 6

5
2.3.4 Hubungan Antara α dan N
Memilih nilai untuk α adalah masalah penilaian, sering didasarkan
pada pola data histori, dengan nilai-nilai besar memberikan banyak
bobot untuk data terbaru untuk mengantisipasi biaya. Untuk
membantu memilih, suatu hubungan dapat bergerak-membalas metode
dan konstanta menghaluskan eksponensia α.
Jika kita mengasumsikan bahwa kedua metode serupa ketika usia rata-
rata data masa lalu adalah sama, maka hasil hubungan berikut ini
Rata-rata bergerak :
N
Rata-rata usia :
( 0+1+2+… ..+ N−1 )
N
= ( )
( N −1 )
2 =
N −1
2
N

2.3.5 Penghalusan Eksponensial dengan Penyesuaian Tren

Penghalusan Eksponensial adalah suatu metode peramalan rata-rata
bergerak yang memberikan bobot secara eksponensial atau bertingkat
pada data-data terbarunya sehingga data-data terbaru tersebut akan
mendapatkan bobot yang lebih besar. Dengan kata lain, semakin baru
atau semakin kini datanya, semakin besar pula bobotnya. Hal ini
dikarenakan data yang terbaru dianggap lebih relavan sehingga
diberikan bobot yang lebih besar. Parameter penghalusan (smoothing)
biasanya dilambangkan dengan α (alpha)

2.3.6 Cara Menghitung Exponential Smoothing

Peramalan dengan Exponential Smoothing atau Metode
Penghalusan Eksponensial ini cukup mudah, yaitu dengan memasukan
prakiraan permintaan sekarang dengan data permintaan nyata atau data
permintaan aktual ke dalam rumus Exponential Smoothing. Berikut ini
adalah rumus untuk menghitung exponential smoothing :
Rumus Exponential Smoothing (Penghalusan Eksponensial)
Ft = Ft – 1 + α (Dt-1 – Ft-1)
Dimana :
Ft = Prakiraan Permintaan sekarang
Ft-1 = Prakiraan Permintaan yang lalu
α = Konstanta Eksponensial
Dt-1 = Permintaan Nyata

Perataan eksponensial adalah cara yang relatif mudah dan langsung

untuk membuat prakiraan jangka pendek. Ini memiliki banyak atribut,
termasuk:
 Semua data masa lalu dipertimbangkan dalam proses perataan.
 Data terbaru diberi bobot lebih dari data yang lebih lama.
 Hanya data terbaru yang diperlukan untuk memperbarui perkiraan

6
  Model ini mudah diterapkan pada komputer pribadi menggunakan
perangkat lunak spreadsheet.
 Konstanta smoothing memungkinkan kita untuk mengubah
kecepatan di mana model merespons perubahan dalam pola yang
mendasarinya dalam data.

2.3.7 Penghalusan Eksponensial dengan Penyesuaian Musiman

Variasi musiman data adalah pergerakan yang regular baik
meningkat maupun menurun dalam kurun waktu tertentu yang terkait
dengan kejadian berulang seperti cuaca atau liburan. Menganalisis data
dalam waktu bulanan atau kuartalan, biasanya memudahkan pakar
statistik untuk melihat pola musiman.Dengan apa yang disebut sebagai
model variasi.
Dengan apa yang disebut sebagai model variasi musiman
multiplicative (multiplicative seasonal model) faktor musiman
dikalikan dengan suatu prediksi permintaan rata-rata untuk
menghasilkan peramalan musiman.
Berikut adalah langkah yang akan diikuti oleh sebuah perusahaan
yang memiliki musim 1 bulan:
1. Temukan rata-rata permintaan historis untuk setiap musim
denganmenjumlahkan permintaan bulan tersebut dalam setiap
bulan, dibagidengan jumlah tahun yang tersedia.
2. Hitung rata-rata permintaan untuk semua bulan dengan membagi
rata-rata permintaan tahunan total dengan jumlah musim.
3. Hitunglah indeks musiman untuk setiap musim dengan membagi
permintaan histroris actual bulan itu (dari langkah pertama) dengan
rata-rata permintaan pada seluruh bulan (dari langkah kedua)
4. Estimasi permintaan tahunan total untuk tahun depan.
5. Dengan indeks musiman bulan tersebut, hal ini menghasilkan
peramalan musiman (Weeks).

2.3.8 Perataan Eksponensial dengan Tren dan Penyesuaian

Musiman
Penyesuaian hanya untuk tren atau musiman akan memberikan
perkiraan rata-rata terbaik saat ini; di sisi lain, ramalan dapat
ditingkatkan dengan mempertimbangkan semua faktor secara
bersamaan. Kami dapat menyertakan penyesuaian tren dan musiman
dalam smoothing eksponensial dengan memberi bobot pada nilai
smoothing basis dengan indeks tren dan musiman untuk
memperkirakan periode berikutnya. Persamaan yang sesuai adalah

7
8
 BAB III
PENUTUP

3.1 Kesimpulan
Peramalan begitu penting dan sangat dibutuhkan, terutama dalam
penentuan kapan terjadinya suatu sehingga dapat dipersiapkan tindakan
yang perlu dilakukan. 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 Permintaan Peramalan untuk Layanan terdapat beberapa
metode-metode, yaitu metode Delphi, analisis dampak silang, dan analogi
sejarah. Model lain dari peramalan ialah model casual yang memiliki dua
jenis yakni regresi model dan model ekonometrik. Selain itu juga ada
model series waktu yang memiliki beberapa jenis, yakni N-Periode
bergerak rata-rata, penghalusan eksponensial sederhana, dan perkiraan
gagal
3.2 Saran
Sehubungan dengan kurangnya literatur yang kami ketahui untuk
membahas materi ini secara lebih dalam, maka saran yang dapat kami
berikan kepada pembaca dan penulis makalah dengan topik yang sama
adalah untuk menambah dan melengkapi materi ini dengan literatur lain
yang mungkin tidak ada atau belum disajikan dalam makalah ini.
Sehubungan dengan hal itu, pembaca diharapkan dapat memberikan saran
maupun kritik yang dapat kami gunakan untuk melengkapi makalah ini,
karena kami menyadari bahwa makalah yang kami buat masih belum bisa
dinilai sempurna.