MODUL 1

PERAMALAN PERMINTAAN

1.1 TUJUAN
Tujuan pemberian tugas pada modul ini adalah sebagai berikut :
1. Mahasiswa dapat memilih metode peramalan yang tepat.
2. Mahasiswa dapat meramalkan permintaan masa mendatang.

1.2 LANDASAN TEORI

Peramalan adalah proses untuk memperkirakan berapa kebutuhan dimasa mendatang yang meliputi
kebutuhan dalam ukuran kuantitas, kualitas, waktu dan lokasi yang dibutuhkan dalam rangka memenuhi
permintaan produk dan jasa (Nasution, 2003). Seorang Manajer perlu melakukan peramalan pada beberapa
bidang penting antara lain peramalan tentang perkembangan teknologi, kondisi ekonomi dan permintaan.
Dalam bidang PPC, peramalan difokuskan pada peramalan permintaan. Peramalan permintaan akan
menjadi dasar dalam membuat perencanaan produksi, pembebanan mesin, penentuanjumlah tenaga kerja
selama proses produksi serta kebijakan pengendalian sistem persediaan.
Menurut Nasution (2003), permintaan suatu produk pada suatu perusahaan merupakan resultan dari
berbagai faktor yang paling berinteraksi dalam pasar. Berbagai faktor tersebut antara lain:
 Siklus bisnis. Penjualan produk akan dipengaruhi oleh permintaan akan produk tersebut, dan
permintaan suatu produk akan dipengaruhi oleh kondisi ekonomi yang membentuk siklus bisnis dengan
fase-fase inflasi, resesi, depresi, dan masa pemulihan.
 Siklus hidup produk. Siklus hidup produk biasanya mengikuti suatu pola yang biasa disebut kurva S.
Kurva S menggambarkan besarnya permintaan terhadap waktu, dimana siklus hidup suatu produk akan
dibagi menjadi fase pengenalan, fase pertumbuhan, fase kematangan dan akhirnya fase penurunan.
Untuk menjaga kelangsungan usaha, maka perlu dilakukan inovasi produk pada saat yang tepat.
 Faktor-faktor lain. Beberapa faktor lain yang mempengaruhi permintaan adalah reaksi balik dari
pesaing, perilaku konsumen yang berubah, dan usaha yang dilakukan sendiri oleh perusahaan seperti
meningkatkan kualitas, pelayanan, anggaran periklanan, dan kebijaksanaan pembayaran secara kredit.
Menurut Ginting(2007), metode peramalan dapat diklasifikasikan menjadi 2 macam yaitu :
a. Metode Peramalan Kualitatif
Metode kualitatif umumnya bersifat subyektif dipengaruhi oleh intuisi, emosi, pengalaman
pribadi dan pendidikan seseorang. Yang termasuk dalam metode ini adalah metode delphi, riset
pasar, dan dugaan manajemen atau panel consesus.
 b. Metode Peramalan Kuantitatif
Metode kuantitatif adalah metode yang menggunakan berbagai macam model matematis dan
statistik dalam menunjukkan hubungan antara permintaan dengan variabel waktu atau variabel
lain yang mempengaruhinya. Yang termasuk dalam metode ini adalah metode Time Series dan
Causal Method.
Secara umum, langkah-langkah peramalan permintaan adalah sebagai berikut:
1. Melakukan plotting data permintaan dan tentukan pola permintaan apakah data itu berpola trend,
musiman, siklikal, atau eratik/ random.
2. Memilih beberapa metode peramalan yang sesuai dengan pola permintaan tersebut (minimal 2
metode). Pada setiap metode, dicoba dengan parameter-parameter yang berbeda.
3. Meramalkan permintaan berdasarkan data masa lalu dan mengevaluasi tingkat kesalahan/akurasi
hasil peramalan dari masing-masing metode yang dicoba.
4. Memilih metode peramalan yang memberikan tingkat kesalahan terkecil dibanding metode lainnya.
5. Melakukan verifikasi peramalan untuk melihat apakah metode peramalan yang diperoleh
representatif terhadap data atau dengan kata lain hasil peramalan benar-benar mencerminkan data
masa lalu dan sistem sebab akibat yang mendasari permintaan tersebut
6. Melakukan peramalan permintaan masa depan dengan menggunakan metode terbaik yang telah
dipilih.
Ukuran akurasi hasil peramalan menggambarkan tingkat perbedaan antara hasil peramalan dengan
permintaan yang sebenarnya. Ada 3 ukuran yang bisa digunakan yaitu (Baroto, 2002) :
 Mean Absolute Deviation (MAD)
MAD merupakan rata-rata kesalahan mutlak selama periode tertentu tanpa memperhatikan apakah hasil
peramalan lebih besar atau lebih kecil dibandingkan kenyataannya. Secara matematis, maka MAD akan
dinyatakan dalam persamaan sebagai berikut :
m

 ft  fˆ t
MAD  t 1

m
 Mean Square of Error (MSE)
MSE dihitung dengan menjumlahkan kuadrat semua kesalahan peramalan pada setiap periode dan
mambaginya dengan jumlah periode peramalan. Secara matematis, maka MSE akan dinyatakan dalam
persamaan sebagai berikut:
 m

 ( ft  fˆ ) t
2

MSE  t 1

 Mean Absolute Procentage of Error (MAPE)

MAPE lebih berarti dibandingkan MAD karena MAPE menyatakan persentase kesalahan hasil
peramalan terhadap permintaan aktual selama periode tertentu yang akan memberikan informasi
persentase kesalahan terlalu tinggi atau rendah. Secara matematis MAPE dapat dinyatakan sebagai
berikut :
m

 ( ft  fˆ
t 1
t / ft ) x100%
MAPE 
m
Dimana :
ft = data permintaan periode ke-t

fˆt = hasil peramalan periode ke-t

m = jangka waktu peramalan

Sedangkan untuk melakukan verifikasi peramalan dapat digunakan 2 cara yaitu :
1. Membuat Peta Moving Range (Moving Range Chart).
2. Menghitung Tracking Signal (TS) yang diperoleh dengan membagi Running Sum of Forecast Errors
(RSFE) dan MAD, selanjutnya nilai TS dibandingkan dengan nilai batas kendali atas dan bawah yang
ditetapkan. Sampai saat ini tidak ada ketetapan nilai batas kendaliapakah harus menggunakan + 1, + 2,
+ 3 atau + 4. Menurut Fogarty dkk. (1997), nilai TS sebaiknya diantara -1 sampai 1. Namun dalam
beberapa kasus, nilai TS bisa berada pada range – N sampai N dimana N adalah jumlah periode
pengamatan.
Dengan menggunakan 2 cara tersebut maka dapat disimpulkan apakah sebaran nilai Moving
Range/Tracking signal masih dalam batas kendali atau tidak. Jika sebaran berada di luar kendali, maka
metode peramalan belum representatif terhadap data (metode peramalan menghasilkan solusi yang masih
bias) maka tindakan yang harus diambil adalah:
a. Mengecek kondisi yang menyebabkan di luar kendali (sebagai contoh : pabrik tutup, kesalahan data,
kampanye bagian pemasaran, dll.) dan jika penyebabnya telah ditemukan maka hasil ramalan dengan
metode tersebut tetap digunakan.
b. Menunggu bukti lebih lengkap. Jika kesimpulan berikutnya kembali dalam batas kendali maka metode
peramalan tetap dipakai.
c. Merevisi peramalan dengan mengganti metode peramalan yang lain.

1.3 APLIKASI SOFTWARE WinQSB DALAM PERAMALAN

Contoh Kasus:
Diketahui data permintaan historis selama 11 bulan ditunjukkan pada Tabel 1.1 ( diambil dari
contoh soal peramalan dengan metode SES pada Handout materi kuliah PPC).

Tabel 1.1 Data Permintaan untuk Contoh kasus

Bulan Permintaan Bulan Permintaan
Jan 200 Juli 155
Feb 135 Agustus 130
Mar 195 Sept 220
Apr 197.5 Okt 277
Mei 310 Nop 235
Juni 175

Lakukan peramalan dengan menggunakan metode Single Exponential Smoothing (SES) α = 0,1.
Berdasarkan hasil perhitungan MAPE, metode peramalan apa yang lebih baik untuk digunakan?
Langkah-langkah pengoperasian dengan menggunakan software WinQSB sebagai berikut:
1. Buka Program WinQSB kemudian pilih Modul Forecasting and Linear Regression

Gambar 1.1 Tampilan Awal dari Modul Forecasting and Linear Regression
2. Pilih Menu File kemudian Klik New Problem untuk membuat sebuah problem atau pengisian data
baru. Klik Load Problem jika ingin memanggil problem/data yang sudah dibuat sebelumnya.

Gambar 1.2 Tampilan Pada Modul Forecasting and Linear Regression

3. Setelah klik New Problem, maka di layar akan muncul tampilan seperti ditunjukkan pada Gambar 1.3.

Gambar 1.3 Tampilan Problem Spesification di Modul Forecasting and Linear Regression
Selanjutnya inputkan spesifikasi problem sebagai berikut :
 Jenis metode peramalan yang akan digunakan dengan memilih radio button Time series
Forecasting atau Linear Regression,
 Nama probem yang akan dibuat pada Problem Title,
 Unit waktu yang digunakan (minggu/bulan/tahun) pada Time Unit,
 Jumlah periode masa lalu pada Number of Time Units (Periods).
Setelah terisi lengkap tekan tombol OK untuk mengisikan data permintaan historis.
4. Inputkan data permintaan historis pada kolom yang tersedia, seperti ditunjukkan pada Gambar 1.4
 Gambar 1.4 Tampilan dari Proses Entry Data

5. Pilih Solve and Analyze dan selanjutnya klik Perform Forecasting atau Klik shortcut
untuk menampilkan Menu Forecasting Setup seperti ditunjukkan pada gambar 1.5. Pada Forecasting
Setup terdapat 4 hal yang harus diinputkan yaitu:
a. Forecasting Method menyatakan metode peramalan yang tersedia di WinQSB. Klik pada radio
button sesuai metode peramalan yang akan digunakan. Terdapat 12 metode peramalan yang bisa
digunakan. Penamaan beberapa metode peramalan sedikit berbeda dengan yang diberikan di
perkuliahan kelas, sebagai contoh Double Exponential Smoothing with Trend (DEST) sama
dengan metode DES browns one parameter linier, SEST sama dengan metode holt’s two
parameter linier, dan Winters Multiplicative Algorithm sama dengan metode winter.

Gambar 1.5 Input pada Menu Forecasting Setup untuk Metode SES
b. Method Parameters : Cara menginputkan parameter α, β,  atau yang lainnya sesuai dengan
metode peramalan yang dipilih. Ada 2 cara untuk menginputkan parameter tersebut :
 1. Assign value : parameter diinputkan secara manual, sebagai contoh pada metode Single
Exponential Smoothing (SES) maka smoothing constant alpha (α) harus diisi dengan bilangan
antara 0 sampai 1. Pada metode winter, selain α harus menginputkan juga smoothing constant
beta yang memakili trend (pada materi kuliah PPC kita sama dengan ) dan smoothing constant
gamma (pada materi kuliah PPC kita sama dengan β).
2. Search the best : parameter terbaik akan dicari oleh sofware berdasarkan search criterion yang
sudah ditentukan (misalkan MAD, MAPE, MSE)
c. Number of period to forecast : jumlah periode peramalan yang diinginkan.
d. Search criterion : kriteria error yang akan digunakan.
Setelah inputan lengkap, tekan tombol OK untuk menampilkan hasil peramalannya.
6. Analisis hasil peramalan berdasarkan penyelesaian dengan menggunakan Software WinQSB
Dari gambar 1.6, ramalan untuk 3 bulan mendatang adalah 205,11; 205,11; dan 205,11 atau jika
dibulatkan sama dengan 206 untuk 3 bulan mendatang. Dengan menggunakan metode SES α = 0,1
diperoleh MAPE sebesar 24,57%. Nilai tersebut cukup besar sehingga tingkat kesalahan peramalan masih
cukup tinggi. Oleh karena itu harus dicoba untuk merubah-rubah parameter metode SES (dengan nilai α
yang lain) atau menggunakan metode peramalan yang lainnya.
Nilai Tracking Signal (TS) berada diantara -2,5 sampai 1,2. Jika kita menggunakan batas kendali +
3 MAD maka nilai TS sudah terkendali artinya metode SES α = 0,1 sudah cukup representatif/sesuai.

Gambar 1.6 Tampilan Hasil Peramalan untuk Contoh Kasus

Dengan mempertimbangkan nilai MAPE mendekati 25%, maka harus dicoba merubah nilai α atau
menggunakan metode peramalan lain yang disesuaikan dengan pola data permintaan. Metode
 peramalan yang digunakan untuk pola data permintaan adalah metode Single Exponential Smoothing,
Double Exponential Smoothing, dan Regresi Linier (Baroto, 2002).
Dengan menggunakan software WinQSB, kita dapat menampilkan chart dengan memilih menu Result
dan selanjutnya klik show the forecasting in graph atau klik shortcut

Gambar 1.7 Tampilan Ploting Data Permintaan VS Peramalan

Gambar 1.7 menunjukkan bahwa deviasi antara permintaan dengan hasil peramalan masih cukup besar
pada tiap periodenya.
7. Mencoba metode peramalan yang lainnya. Langkah awal kita harus kembali ke inputan data dengan
melalui Menu Window atau klik shortcut .
a. Menggunakan fasilitas search the best pada penginputan parameter metode SES untuk
mendapatkan nilai α yang dapat meminimumkan MAPE (dalam tugas ini, kriteria kesalahan
peramalan yang lebih dipilih adalah MAPE). Gambar 1.8 menunjukkan hasil peramalan tersebut.
Besarnya ramalan untuk 3 bulan mendatang adalah sama sebesar 200 dengan nilai MAPE adalah
23,64%.
 Gambar 1.8 Hasil Peramalan dengan Metode SES Menggunakan Fasilitas Search the Best
b. Menggunakan metode regresi linier/trend linier. Inputan yang perlu diisi cukup jumlah periode
peramalan yaitu 3. Sedangkan nilai a (intercept) dan b (slope) boleh dikosongi karena software
WinQSB akan menghitung secara otomatis jika keduanya tidak diketahui. Hasil inputan dengan
metode LR dapat dilihat pada gambar 1.9 dan hasil peramalan pada gambar 1.10.

Gambar 1.9 Entry inputan pada Menu Forecasting Setup untuk Metode Linier Regresi
 Gambar 1.10 Hasil Peramalan dengan Metode Linier Regresi untuk Contoh Kasus

1.4 TUGAS
1. PT. Cemara adalah perusahaan manufaktur dengan produk unggulan yaitu sarung. Untuk dapat
merencanakan produksi kedepan, Department Marketing akan melakukan peramalan supaya dapat
memprediksi kebutuhan pasar terhadap sarung dengan catatan historis penjualan sebagai berikut:

Tabel 1.1 Data Permintaan Historis PT. Cemara

Permintaan
Bulan 2018 2019
1 3000 321X
2 3680 3750
3 3898 3965
4 3318 3468
5 311X 322X
6 3760 3786
7 3965 3978
8 3432 3450
9 321X 330X
10 3746 3800
11 3954 3998
12 3450 3410
X= Nama Kelompok
 Berdasarkan data tersebut, lakukan :
a. Plotting data permintaan dan pilih metode yang paling sesuai berdasarkan hasil plotting data tersebut.
b. Lakukan peramalan permintaan untuk 4 periode kedepan dengan perhitungan manual dan software
WinQSB dengan metode yang sesuai hasil plotting
c. Hitung MAPE untuk mengetahui metode mana yang paling sesuai untuk meramalkan permintaan 4
bulan kedepan dan lakukan validasi dengan menggunakan tracking signal
d. Analisa hasil Tracking Signal
2. PT. Pancawarna adalah perusahaan yang berkonsentrasi di sektor clothing dengan produk unggulan
yaitu jeans. Untuk merencanakan produksi ke depan, departemen pemasaran akan melakukan peramalan
agar dapat memprediksi kebutuhan pasar terhadap jeans dengan data historis sebagai berikut:
Tabel 1.2 Data permintaan historis PT. Pancawarna
Permintaan (Unit)
Bulan
2018 2019 2020

Januari 2956 295X 2951

Februari 2958 2957
Maret 2957 2959
April 2957 2951
Mei 2953 295X
Juni 295X 2957
Juli 2954 2954
Agustus 2956 2957
September 2959 2959
Oktober 295X 2957
Nopember 2953 2955
Desember 2958 2958
X= Nomer Kelompok

Berdasarkan data tersebut, lakukan :

a. Plotting data permintaan dan pilih metode yang paling sesuai berdasarkan hasil plotting data tersebut.
b. Lakukan peramalan permintaan untuk periode 5 bulan kedepan dengan perhitungan manual dan
bantuan software WinQSB dengan metode yang sesuai hasil plotting data.
c. Hintung MAPE untuk mengetahui metode mana yang paling sesuai untuk meramalkan permintaan 5
bulan kedepan dan lakukan validasi dengan menggunakan Tracking Signal
d. Analisa hasil Tracking Signal
3. PT. NeoGreen adalah perusahaan yang berkonsentrasi di sektor pertanian dengan produk unggulan yaitu
pupuk. Departement marketing akan melakukan peramalan agar dapat memprediksi kebutuhan pasar
terhadap pupuk untuk merencanakan produksi kedepan dengan data historis sebagai berikut :
Tabel 1.3 data permintaan historis PT. NeoGreen
Permintaan (kuintal)
Bulan
2018 2019
Januari 3350 499X
Februari 3563 5021
Maret 378X 5117
April 3954 5321
Mei 4060 5446
Juni 4183 55X6
Juli 4248 5620
Agustus 4432 5679
September 457X
Oktober 4541
November 4768
Desember 4821
Ket : ganti X dengan nomor kelompok

Berdasarkan data tersebut, lakukan :

a. Plotting data penjualan dan pilih metode yang paling sesuai dengan hasil plotting data tersebut.
b. Lakukan peramalan permintaan untuk 4 bulan kedepan dengan perhitungan manual dan bantuan
software WinQSB dengan metode yang sesuai dengan hasil plotting data.
c. Hitung MAPE untuk mengetahui metode mana yang paling sesuai untuk meramalkan permintaan 4
bulan kedepan dan lakukan validasi dengan menggunakan Tracking Signal.
d. Analisa hasil Tracking Signal.

4. PT. Indah Darmawangsa ingin mengetahui permintaan pasar untuk produk Gucca selama 6 bulan
kedepan dengan menggunakan data histori pada tahun 2018 dan 2019. Diketahui data historis adalah
sebagai berikut :
Tabel 1.4 Data Permintaan Historis PT. Indah Darmawangsa
Permintaan
Bulan
2018 2019
Januari 1156 1248
Februari 1179 1232
Maret 1165 + X 1255
April 1153 1258
Mei 1159 1267
Juni 1177 123X
Juli 118X 1280
 Agustus 1175 1287
September 1200 129X
Oktober 1200 1300
November 121X 1320
Desember 1234 1325 + X
X= Nomer Kelompok

Berdasarkan data tersebut, lakukan :

a. Plotting data permintaan diatas dan pilih metode yang paling sesuai berdasarkan hasil plotting dasar
diatas.
b. Ramalkan permintaan 6 bulan kedepan secara manual dan WinQSB dengan salah satu metode yang
ditentukan oleh asisten.
c. Hitung MAPE metode yang tekah ditentukan oleh asisten dan lakukan validasi dengan menggunakan
tracking signal, serta lakukan analisis.
d. Ramalkan permintaan 6 bulan kedepan dengan beberapa metode yang sesuai menggunakan manual
dan perkuat dengan WinQSB. Metode mana yang paling sesuai. Lakukan analisa MAPE.

5. PT. Agro Samanta adalah perusahaan yang bergerak dibidang agribisnis dengan produk unggulannya
sari buah jeruk yang dikemas dalam kemasan botol 250 ml. Dengan banyaknya permintaan yang ada
saat ini, perusahaan tidak ingin terjadi kekurangan ataupun kelebihan produksi sehingga kebutuhan
pasar tidak terpenuhi atau bahkan berlebih. Untuk itu, Departemen Marketing melakukan peramalan
permintaan untuk sari buah jeruk dengan data sebagai berikut :
Tabel 1.5 Data historis permintaan PT. Agro Samanta
Permintaan (unit)
Bulan
2018 2019 2020
Januari 3222 2690 2139
Februari 321x 2657 2110
Maret 3070 2615
April 2990 25x9
Mei 2990 2510
Juni 2876 2478
Juli 2847 24x4
Agustus 2820 2370
September 28x9 230x
Oktober 2789 2270
November 272x 22x5
Desember 2700 216x
X= Nomer Kelompok
 Berdasarkan data tersebut, lakukan :
a. Plotting data permintaan dan pilih metode yang paling sesuai berdasarkan hasil plotting data tersebut.
b. Lakukan peramalan permintaan untuk periode 6 bulan kedepan dengan perhitungan manual dan
bantuan software WinQSB dengan metode yang sesuai hasil plotting data.
c. Hitung MAPE untuk mengetahui metode mana yang paling sesuai untuk meramalkan permintaan 5
bulan kedepan dan lakukan validasi dengan menggunakan Tracking Signal.
d. Analisa hasil Tracking Signal.

DAFTAR PUSTAKA
Baroto, T., 2002. Perencanaan dan Pengendalian Produksi, UMM.
Fogarty, D.W., John H. B. and Thomas R. H., 1997. Production & Inventory Management, South-Westrn
Publishing Co., Ohio.
Ginting, R. 2007. Sistem Produksi, Graha Ilmu.
Makridakis, S., 1988. Metode dan Aplikasi Peramalan, Erlangga.
Nasution, A.H., 2003. Perencanaan dan Pengendalian Produksi, Guna Widya.