5.

Peramalan (forecasting) proses perkiraan keadaan pada

masa mendatang dengan menggunakan data masa lalu
(Adam dan Ebert, 1982)

Peramalan (forecasting) merupakan bagian vital

bagi setiap organisasi bisnis dalam pengambilan
keputusan manajemen, sehingga Peramalan
menjadi dasar bagi perencanaan produksi
perusahaan.
Pada Bagian Keuangan, peramalan memberikan dasar dalam
menentukan anggaran dan pengendalian biaya.
Pada Bagian Pemasaran, peramalan penjualan dibutuhkan untuk
merencanakan volume produk, kompensasi tenaga penjual, dan
beberapa keputusan tentang penjualan & pemasaran.
Pada Bagian Produksi dan Operasi menggunakan data-data
peramalan untuk perencanaan kapasitas, fasilitas, produksi,
penjadwalan, dan pengendalian persedian (inventory control).
5.2

Prosedur Peramalan dengan metode Kuantitatif dilakukan

dengan beberapa tahapan yaitu :
1. Definisikan Tujuan Peramalan
o Misalnya peramalan digunakan untuk mengukur tingkat
suatu permintaan, sehingga kita bisa mempersiapkan
tingkat produksi
2. Buatlah diagram pencar (Plot Data)
o Misalnya memplot demand versus waktu, dimana
demand sebagai ordinat (Y) dan waktu sebagai axis (X).
3. Memilih model peramalan yang tepat
o Melihat dari kecenderungan data pada diagram pencar,
maka dapat dipilih beberapa model peramalan yang
diperkirakan dapat mewakili pola tersebut.
4. Lakukan Peramalan
5. Hitung Kesalahan Ramalan (forecast error)
Keakuratan suatu model peramalan bergantung pada
seberapa dekat nilai hasil peramalan terhadap nilai data
yang sebenarnya. Perbedaan atau selisih antara nilai aktual
dan nilai ramalan disebut sebagai “kesalahan ramalan
(forecast error)” atau deviasi yang dinyatakan dalam:

et = Yt – Y’t

Maka diperoleh Jumlah Kuadrat Kesalahan Peramalan yang

disingkat SSE (Sum of Squared Errors) dan Estimasi Standar Error
yang disingkat SEE (Standard Error Estimated)

SSE =  et 2 = [Yt –Y’t]2

n
SSE  [Yt  Y' t ]2
SEE   i 1
n2 n2
6. Pilih Metode Peramalan dengan kesalahan yang terkecil.
Apabila nilai kesalahan tersebut tidak berbeda secara
signifikan pada tingkat ketelitian tertentu (Uji statistik F),
maka pilihlah secara sembarang metode-metode
tersebut

7. Lakukan Verifikasi
Untuk mengevaluasi apakah pola data menggunakan
metode peramalan tersebut sesuai dengan pola data
sebenarnya
5.3

Salah satu cara untuk mengklasifikasikan permasalahan pada

peramalan adalah mempertimbangkan skala waktu
peramalannya yaitu seberapa jauh rentang waktu data yang ada
untuk diramalkan.

Terdapat tiga kategori waktu yaitu :

Rentang Waktu Tipe Keputusan Contoh
Jangka Pendek Operasional Perencanaan Produksi,
( 3 – 6 bulan) Distribusi
Jangka Menengah Taktis Penyewaan Lokasi dan
( 2 tahun) Peralatan
Jangka Panjang Strategis Penelitian dan
(Lebih dari 2 tahun) Pengembangan atau
pembuatan produk baru
 Metode Kuantitatif tidak menggunakan
kaidah matematis, karena data yang
ada tidak cukup representatif untuk
meramalkan masa yang akan datang,
sehingga Peramalan Kualitatif
menggunakan pertimbangan
pendapat-pendapat para pakar yang
ahli atau expert di bidangnya

Metode Kuantitatif didasarkan pada

ketersediaan data mentah
(numerik) disertai serangkaian
kaidah matematis untuk
meramalkan hasil di masa depan
 Model dengan persamaan garis yang menggambarkan pola
konstan atau biasa disebut sebagai nilai rata-rata (average)

x
 Yt
a
 Yt Dimana :
Yt = data history/actual periode t
n n a = nilai konstanta ramalan
n = jml data periode peramalan
Jadi, apabila pola data berbentuk konstan, maka peramalannya
dapat didekati dengan harga rata-rata dari data tersebut

Contoh (1) :
Bulan Permintaan dalam unit
Diberikan data permintaan pabrik konveksi (t) (Y)
PT Garmen Mandiri dari bulan Januari Jan 46
sampai Juni tahun 2006. Tentukan jumlah Feb 56
permintaan untuk lima bulan selanjutnya Mar 54
dengan menggunakan model konstan! Apr 43
Mei 57
Jun 56
 Persamaan garis yang mendekati bentuk data linier adalah:
n n n
Y’t = a + b (t) n tY (t )   Y (t ) t
n n

 Y (t )  b t
b i 1 i 1
2
i 1
a i 1 i 1
n
 n 
n t    t 
2 n
i 1  i 1 
Confidence Interval
Berdasarkan sebaran t dengan (n – 2)
derajat bebas, maka pada persamaan
linier [Y’(t) = a + b(t)] dapat dibuat 1 (t o  t ) 2
Y’(t) ± t/2 SEE 
Selang Kepercayaan (confidence n (  t ) 2

intervals) dengan (1-)100% bagi nilai

tengah dari Y dan Selang Taksiran
  n
t 2

(prediction intervals) untuk setiap

nilai Y, yaitu:
1 (t o  t ) 2
Prediction Interval 1 
Prediction Interval untuk setiap nilai Y
Y’(t) ± t/2SEE n (  t ) 2

yaitu (1-)100% bila t = to.  t 2


n
Contoh (2) :
Diketahui data pada tahun 2005 pada tabel berikut ini.
Bulan (t) Permintaan dalam unit (Y)
Jan 199
Feb 202
Mar 199
Apr 208
Mei 212
Jun 194
Jul 214
Aug 220
Spt 219
Oct 234
Nov 219
Des 233

a. Tentukan demand tahun 2007

b. Hitunglah SSE (Sum of Squared Errors) dan SEE-nya (Standard Error
Estimated)
c. Tentukan Confidence Interval dan Prediction Interval dengan t = 18
serta derajat  = 0,01
Jawab :
Month Bulan Ke- Demand t2 t*Y(t)
Jan 1 199 1 199
Feb 2 202 4 404
Mar 3 199 9 597
Apr 4 208 16 832
May 5 212 25 1060
Jun 6 194 36 1164
Jul 7 214 49 1498
Aug 8 220 64 1760
Sep 9 219 81 1971
Oct 10 234 100 2340
Nov 11 219 121 2409
Des 12 233 144 2796
t=  Y(t) =  t2 =  t*Y(t) =
78 2553 650 17030
a. Diperoleh Persamaannya : Y’(t) = 193 + 3(t) sehingga
permintaan pada tahun 2007 adalah sebagai berikut:

Bulan (t) Permintaan dalam unit (Y)

Jan (25) 268
Feb (26) 271
Mar (27) 274
Apr (28) 277
Mei (29) 280
Jun (30) 283
Jul (31) 286
Aug (32) 289
Spt (33) 292
Oct (34) 295
Nov (35) 298
Des (36) 301
b. Untuk menghitung SSE dan Standard Error Estimatenya
(SEE) terlebih dahulu dihitung demand aktual dengan
menggunakan persamaan (Y’(t)) yang telah diketahui.
Month Bulan Ke- Demand Ramalan [Y(t)-Y'(t)]2
Jan 1 199 196 9
Feb 2 202 199 9
Mar 3 199 202 9
Apr 4 208 205 9
May 5 212 208 16
Jun 6 194 211 289
Jul 7 214 214 0
Aug 8 220 217 9
Sep 9 219 220 1
Oct 10 234 223 121
Nov 11 219 226 49
Dec 12 233 230 9
Maka diperoleh Jumlah Kuadrat Kesalahan

(SSE) =  e(t)2 = [Y(t)-Y’(t)]2

dan Estimasi Standard Errornya (SEE):

t
 [Y (t )  Y ' (t )]2

SEE  i 1
t 2
c. Dari Persamaan : Y’(t) = 193 + 3(t), maka untuk satu
harga t = 18 diperoleh Y’=247 dengan Standar Error
Estimatenya (SEE)= 7.28 dan t/2 = t 0,005 = 3,169 untuk
(n – 2 = 12 – 2 =10) derajat bebas

1 (t o  t ) 2
Confidence Interval = Y’(t) ± t/2 SEE 
n (  t ) 2

t 2  n
1 (18  6,5) 2
= 247 ± (3,169)(7,28) 
12 (78) 2
650 
12

1 (t o  t ) 2
1 
Prediction Interval = Y’(t) ± t/2SEE n ( t ) 2
t  n
2

1 (18  6,5) 2
= 247 ± (3,169)(7,28) 1 
12 782
650 
12
Tebel di bawah ini menunjukkan hasil No. X Y No. X Y
penjualan televisi oleh 20 kelompok 1 10 5 11 110 36
2 20 7 12 120 40
sales (N) PT SUKSES SELALU. Tiap 3 30 10 13 140 51
kelompok sales tersebut terdapat 4 40 12 14 150 55
beberapa orang (x) yang bertugas 5 50 17 15 160 62
menawarkan televisi. Hasil data 6 60 19 16 160 65
7 70 22 17 160 58
penjualan televisi (y) diberikan kepada 8 80 25 18 170 70
perusahaan setelah semua data-data 9 90 28 19 170 74
dari tiap-tiap kelompok dikumpulkan. 10 100 31 20 170 63

Buatlah:
1. Persamaan regresinya
2. Standar Error Estimatenya
3. Confidence Interval dan Prediction Intervald engan tingkat
kepercayaan 95% dan anggota kelompok sales 35 orang
4. Bila suatu ketika ada 35 orang sales, berapa perkiaraan TV terjual
Metode rata-rata bergerak banyak digunakan untuk
menentukan trend dari suatu deret waktu. Dengan
menggunakan metode rata-rata bergerak ini, deret
berkala dari data asli diubah menjadi deret rata-rata
bergerak yang lebih mulus. Metode ini digunakan untuk
data yang perubahannya tidak cepat, dan tidak
mempunyai karakteristik musiman atau seasonal. Model
rata-rata bergerak mengestimasi permintaan periode
berikutnya sebagai rata-rata data permintaan aktual dari
n periode terakhir.

Yt  Yt 1  Yt 2  .... Yt n1
Simple Moving Average (SMAt)=
n
Contoh (3) :
Diberikan data harga penutupan akhir minggu surat-surat berharga
perusahaan “Mandala” yang bergerak dalam bidang maskapai
penerbangan t 1 2 3 4 5 6 7 8 9 10 11 12
Y 46 56 54 43 57 56 67 62 50 56 47 56

Maka Moving Average 3 mingguan (SMA3) terhadap harga

penutupan akhir minggu saham diperoleh dari perhitungan
berikut:
Minggu Permintaan Simple Moving Average
(t) (Y) 3 Mingguan (MA3)
Jawab : 1 46 -
2 56 -
3 54 52
4 43 51
5 57 51,33
6 56 52
7 67 60
8 62 61,17
9 50 59,17
10 56 56
11 47 51
12 56 53
Dalam model rata-rata bergerak (Moving Average) dapat
dilihat bahwa, untuk semua data observasi memiliki bobot
yang sama yang membentuk rata-ratanya.
Padahal, data observasi terbaru seharusnya memiliki bobot
yang lebih besar dibandingkan dengan data observasi di
masa yang lalu. Hal ini dipandang sebagai kelemahan model
peramalan Moving Average.
Untuk itu, digunakanlah metode Exponential Smoothing agar
kelemahan tersebut dapat diatasi.

Y'( t)  Y'(t 1)   (Y( t-1) - Y'(t -1) )

Contoh (4) :
Tabulasi data berikut ini merupakan actual sales dalam unit untuk 6
bulan dan peramalan dimulai dari bulan januari
Month Jan Feb Marc Apr May June
Actual Sales 100 94 106 80 68 94
a. Hitunglah estimasi nilai ramalannya menggunakan simple
exponensial smoothing dengan  = 0.2 jika inisial estimasi periode
Januari = 80.
b. Hitunglah Mean Absolute Deviation (MAD)
Jawab : Bulan Actual Sales Forecast Error (Y-Y')2
January 100 80 20 400
February 94 84 10 100
March 106 86 20 400
April 80 90 -10 100
May 68 88 -20 400
June 94 84 10 100
July 86 0
Total 542 598 90 1500
a. Estimasi nilai ramalan periode kedua (February) adalah:

Y'( t)  Y'(t 1)   (Y( t-1) - Y'(t -1) )

Y ' 2  80  0.2(100  80 )  84

b. Mean Absolute Deviation (MAD)

 Y (t )  Y ' (t ) MAD 
30
5
MAD  t 1
6
n