Demand Forecasting Manajemen Operasional

PERAMALAN PERMINTAAN (DEMAND FORECASTING)

Peramalan permintaan merupakan kegiatan analitis untuk memperkirakan besar dan arah
perubahan permintaan sejenis barang/jasa di masa datang berdasarkan data masa lalu dan
saat ini yang relevan. Data yang dianalisis merupakan data time-series.

Peramalan permintaan sejenis barang/jasa dapat dilakukan, jika:

1. Tersedia data masa lalu dan data saat ini yang relevan.
2. Adanya perubahan lingkungan ekonomi dan bisnis dari waktu ke waktu.
3. Tersedia metode dan teknik forecasting yang sesuai.

Faktor-faktor yang perlu diperhatikan dalam peramalan permintaan diantaranya adalah:

1. Jangkauan waktu peramalan. Semakin panjang jangkauan peramalan, maka
ketidakpastian (uncertainty) hasil peramalan semakin tinggi, sehingga akurasinya
semakin rendah.
2. Periode waktu yang mencakup data masa lalu. Jika periode data masa lalu cukup
panjang akan menghasilkan akurasi peramalan yang semakin tinggi, demikian
sebaliknya.
3. Kemampuan self-judgement terhadap kejadian spesifik selama periode waktu data masa
lalu, biasanya ditunjukkan dengan adanya data pencilan (outliers data).

Kegunaan peramalan permintaan:

1. Untuk mengetahui tingkat permintaan sejenis barang/jasa di masa datang, sehingga
dapat ditentukan rencana kapasitas produksi.
2. Untuk mengetahui pola fluktuasi permintaan sejenis barang/jasa, sehingga dapat
ditentukan saat permintaan tinggi (peak-season) dan permintaan rendah (low-season).
3. Untuk mengevaluasi strategi pemasaran saat ini dan merancang strategi pemasaran di
masa datang.
4. Peramalan permintaan dapat digunakan sebagai dasar penyusunan rencana pemasaran,
sehingga dapat meningkatkan efektivitas suatu rencana pemasaran.
5. Peramalan permintaan dapat digunakan dalam pengambilan keputusan (decisions
making), karena hasil peramalan permintaan merupakan informasi yang mendasari
keputusan para manajer.

Model Peramalan Permintaan (Demand Forecasting Model)

Top-Down Forecasting, yaitu peramalan permintaan yang dilakukan oleh para eksekutif
perusahaan dengan menggunakan data masa lalu mengenai keadaan perekonomian agregat,
yang kemudian digunakan sebagai dasar untuk membuat perencanaan, menetapkan tujuan,
kebijakan, dan program kerja perusahaan.

Bottom-up Forecasting adalah peramalan permintaan yang dimulai dengan peramalan

permintaan individual yang dilakukan oleh para distributor dan dealer, yang kemudian
dijadikan dasar peramalan permintaan perusahaan secara agregat.

Jenis-Jenis Peramalan (forecasting).

Berdasarkan sifat penyusunannya, forecasting dibedakan menjadi:
1. Subjective forecasting adalah forecasting berdasarkan self-judgement. Kemampuan
self-judgement tergantung pada (1) Pengalaman, (2) Intuisi, dan (3) Keyakinan diri
(self-confidence).

©Syamsu Rizal, Drs. ME Page 1

Demand Forecasting Manajemen Operasional

2. Objective Forecasting adalah forecasting yang dilakukan berdasarkan past data yang
relevan dan penggunaan teknik forecasting yang sesuai.

Berdasarkan jangkauan waktu peramalan, forecasting dibedakan menjadi:

1. Long-term forecasting, yaitu forecasting dengan jangkauan waktu lebih dua tahun,
seperti rencana investasi, rencana perluasan usaha, corporate planning, dsb.
2. Short-term forecasting, yaitu forecasting dengan jangkauan waktu kurang dari dua
tahun, seperti rencana budget, rencana kerja tahunan, rencana kegiatan produksi,
rencana penjualan, dsb.

Berdasarkan sifat ramalan, forecasting dibedakan menjadi:

1. Qualitatif forecasting, yaitu forecasting yang menggunakan data masa lalu yang bersifat
kualitatif. Hasilnya akan tergantung pada orang yang menyusunnya, seperti forecasting
dengan metode delphi, S-Curve, dsb.
2. Quantitatif forecasting, yaitu forecasting dengan data masa lalu kuantitatif.

Langkah-Langkah Forecasting
1. Menganalisis data masa lalu untuk mengetahui pola perkembangannya dengan cara
mentabulasi data tersebut dan kemudian memplotnya dalam suatu grafik, sehingga
menunjukkan adanya fluktuasi. Selanjutnya dapat dilakukan analisis untuk mengetahui
faktor-faktor yang menyebabkan fluktuasi data tersebut, yaitu faktor musiman, trend,
siklus, dan random.
2. Menentukan metode atau teknik forecasting yang sesuai.
3. Mempertimbangkan adanya perubahan faktor-faktor yang mempengaruhi di masa
datang, seperti perubahan kebijakan pemerintah, potensi masyarakat, teknologi, dsb.

Akurasi peramalan ditunjukkan oleh ukuran akurasi peramalan yang dihitung dengan
rumus tertentu dan berbasis kekeliruan ramalan (error forecasting). Kekeliruan ramalan
menunjukkan perbedaan antara hasil sesungguhnya dan hasil ramalan et = Xt - Ft

Ukuran-Ukuran Akurasi Forecasting.

1. Kesalahan Rata-Rata (Mean Error)
2. Deviasi Absolut Rata-Rata (Mean Absolute Deviation)
3. Kesalahan Kuadrat Rata-Rata (Mean Square Error)
4. Standar Deviasi Kesalahan (Standard Deviation Error)
5. Kesalahan Persentase (Percentage Error)
6. Mean Percentage Error
7. Mean Absolute Percentage Error

METODE PERAMALAN KUANTITATIF

Metode peramalan kuantitatif terdiri dari metode peramalan data time-series dan metode
peramalan kausal maupun non kausal.

Metode peramalan data time-series terdiri dari metode: (1) Naïve forecasting, (2) Rata-
Rata Kumulatif, (3) Single Moving Average, (4) Double Moving Average, (5) Single
Exponential Smoothing, dsb. Metode peramalan kausal maupun non kausal menggunakan
metode regresi.

©Syamsu Rizal, Drs. ME Page 2

Demand Forecasting Manajemen Operasional

Metode peramalan dengan data time-series adalah peramalan yang dilakukan dengan
mengidentifikasi pola-pola fluktuasi data masa lalu.

Fluktuasi suatu data time-series akan menunjukkan pola-pola teridentifikasi dengan empat
komponen pola yaitu:
1. Horisontal
2. Musiman (seasonal)
3. Siklus
4. Trend

Pola Horisontal
Pola Horisontal terjadi ketika tidak ada trend dalam data time-series, sehingga secara
statistis disebut juga sebagai pola stasioner.

Probabilitas nilai masa datang akan berada di atas rata-rata adalah sama dengan
probabilitas nilai masa datang tersebut akan berada di bawah rata-rata.

Biasanya pola horisontal selalu ada untuk forecasting jangka pendek yang memiliki
keadaan stabil.

Pola Musiman (Seasonal)

Pola musiman terjadi ketika suatu data time series berfluktuasi sesuai dengan beberapa
faktor musiman. Dalam peramalan variabel ekonomi-bisnis, pola musiaman dapat
disebabkan oleh faktor internal dan faktor eksternal.

Misalnya penjualan barang-barang yang memiliki pola musiman adalah :

1. Minuman ringan (soft drink)
2. Tiket KA/Bis
3. Tiket taman hiburan
4. Hunian hotel
5. Penjualan restoran
6. Buku tulis dan alat-alat tulis

Pola Siklis
Pola siklis serupa dengan pola musiman, tetapi panjang suatu siklus umumnya lebih dari
satu tahun, seperti penjualan rumah, GNP, Pengangguran, dsb.

Pola siklus biasanya sulit diidentifikasi, karena jangkauannya lebih panjang dan interval
waktu pengulangannya tidak seragam.

Pola Trend
Pola trend terjadi ketika terdapat peningkatan dan penurunan secara umum dalam nilai
variabel sepanjang waktu, seperti penjualan pada banyak perusahaan, harga, indikator-
indikator perekonomian makro lainnya.

©Syamsu Rizal, Drs. ME Page 3

Demand Forecasting Manajemen Operasional

NAÏVE FORECASTING

Ada dua jenis naïve forecasting (ramalan sederhana) yang sering digunakan, yaitu Metode
Ramalan Sederhana Satu (RS-1) dan Metode Ramalan Sederhana Dua (RS-2).

Metode Ramalan Sederhana Satu (RS-1).

Metode RS-1 atau NF-1 (Naive Forecasting 1 Methods) yang menentukan nilai ramalan
periode berikutnya berdasarkan nilai aktual terakhir dari periode sebelumnya: Ft+1 = Xt

RS-1 akan menghasilkan nilai ramalan yang baik, jika data time-series yang dianalisis
tidak memiliki variasi musiman dan mengikuti pola random walk, sehingga metode RS-1
disebut juga sebagai random walk model.

Perilaku random walk sering ditemukan dalam data time-series di bursa saham, valas, dan
bursa komoditi atau bursa perdagangan berjangka (future trading).

Metode Ramalan Sederhana Dua (RS-2)

Metode RS-2 atau NF-2 digunakan jika data time-series memiliki variasi musim (seasonal
variation). Untuk itu, pengaruh musiman terhadap data time-series aktualnya harus
dihilangkan lebih dulu.

Selanjutnya nilai ramalan ditentukan sebagaimana metode RS-1, yaitu nilai ramalan
periode berikutnya ditentukan berdasarkan nilai aktual terakhir yang telah bebas dari
pengaruh musimannya. Biasanya ukuran akurasi hasil forecasting dengan metode RS-2
lebih baik daripada RS-1.

METODE RATA-RATA KUMULATIF

Metode ini menentukan nilai ramalan pada periode tertentu berdasarkan rata-rata sejumlah
nilai observasi pada periode sebelumnya.

Pada bulan Januari jumlah penjualan sebesar Rp 90 juta, maka nilai ramalan penjualan
pada bulan Pebruari sama dengan Rp 90 juta. Kemudian jika pada bulan Pebruari
diperoleh nilai penjualan sebenarnya sebesar Rp 80 juta, maka nilai ramalan penjualan
pada bulan Maret sama dengan (90+80)/2 yaitu Rp 85 juta. Selanjutnya jika pada bulan
Maret diperoleh nilai penjualan sebenarnya sebesar Rp 90 juta, maka nilai ramalan
penjualan pada bulan April sama dengan (90+80+90)/3 yaitu Rp 87 juta, dan seterusnya.

METODE RATA-RATA BERGERAK TUNGGAL

Metode rata-rata bergerak tunggal (Single Moving Average) yang disingkat sebagai metode
MA(N), dengan N adalah jumlah periode sebelumnya yang dihitung rata-ratanya untuk
menentukan ramalan periode berikutnya.

Metode Single Moving Average (Metode SMA) dilakukan berdasarkan anggapan bahwa
semua informasi masa lalu (past data) pada interval waktu tertentu (N) sama pentingnya
dalam menentukan nilai ramalan, maka setiap nilai aktual pada interval waktu tersebut
diberi bobot (weighted) yang sama dalam menghitung nilai ramalan periode berikutnya.

©Syamsu Rizal, Drs. ME Page 4

Demand Forecasting Manajemen Operasional

Metode SMA digunakan untuk mengurangi atau menghilangkan pengaruh randomness

dalam peramalan data time-series, dengan cara menghitung rata-rata sekelompok data pada
interval waktu tertentu.

Secara matematis, nilai ramalan periode ke-(t+1) dengan MA(N) dirumuskan sebagai
berikut :
X + X + …+ X t N X i
F t+1 = 1 2 =∑
N i=1 N

METODE SINGLE EXPONENTIAL SMOOTHING (SES)

Metode SES menentukan nilai ramalan berdasarkan data observasi periode sebelumnya
dengan bobot (weighted) yang berbeda. Data observasi terakhir diberi bobot yang lebih
tinggi dibanding data observasi sebelumnya.

Tujuan penerapan metode SES adalah melakukan smoothing terhadap data observasi masa
lalu untuk mengurangi pengaruh randomness terhadap nilai ramalan, sehingga forecasting
error dapat diminimumkan.

Persamaan peramalan SES dapat diturunkan dari persamaan peramalan SMA sebagai
berikut:

Ft+1 = (Xt + Xt-1 + Xt-2 + ... + Xt-N+1)/N

= (Xt/N) + (Xt-1 + Xt-2 + ... + Xt-N+1)/N

Karena Ft = (Xt-1 + Xt-2 + ... + Xt-N+1 + Xt-N )/N maka

Ft+1 = (Xt/N) + {(Xt-1 + Xt-2 + ... + Xt-N+1 + Xt-N )/N} - (Xt-N/N)

= (Xt/N) + Ft - (Xt-N/N)
Ft+1 = Ft + (Xt - Xt-N)/N

Jika Xt-N tidak tersedia, maka Xt-N = Ft

Sehingga Ft+1 = Ft + (Xt - Ft)/N

= Ft + Xt/N - Ft/N

Ft+1 = Xt/N + Ft - Ft/N → Ft+1 = (1/N) Xt + {1 - (1/N)} Ft

Ft+1 =  Xt + (1 - ) Ft ........... (I)
Ft+1 = Ft +  (Xt - Ft) ............ (II)
Ft+1 = Ft +  (et) ............ (III)

Dalam persamaan tersebut  adalah parameter smoothing yang nilainya minimum sama
dengan nol dan maksimum sama dengan satu ( 0 ≤  ≤ 1 ).

Nilai  yang optimal diperoleh dengan membandingkan MSE dari penggunaan beberapa
. Selanjutnya,  yang memberikan MSE terkecil akan dipilih sebagai nilai  optimal.
Jika untuk  yang mendekati nol menghasilkan MSE yang semakin kecil, maka dapat
diartikan bahwa data obsevasi hampir mendekati random.

©Syamsu Rizal, Drs. ME Page 5

Demand Forecasting Manajemen Operasional

Untuk Persamaan III, jika dipilih  = 0 maka nilai ramalan periode berikutnya tidak
memiliki kekeliruan ramalan periode sebelumnya. Sebaliknya, jika dipilih  = 1 maka
nilai ramalan periode berikutnya memiliki kekeliruan ramalan periode sebelumnya.

Nilai  menentukan bobot observasi sebelumnya dalam menghitung nilai ramalan.

Besarnya bobot setiap observasi semakin menurun secara eksponensial sejalan dengan
semakin usangnya (out of date) observasi tersebut. Perhatikanlah perluasan Persamaan (I)
berikut :

Ft+1 =  Xt + (1 - ) Ft
Ft+1 =  Xt + (1 - ){  Xt-1 + (1 - ) Ft-1}
Ft+1 =  Xt +  (1 - ) Xt-1 + (1 - )2 Ft-1
Ft+1 =  Xt +  (1 - ) Xt-1 + (1 - )2 {  Xt-2 + (1 - ) Ft-2}
Ft+1 =  Xt +  (1 - ) Xt-1 +  (1 - )2 Xt-2 + (1 - )3 Ft-2

Persamaan selengkapnya adalah:

Ft+1 =  Xt +  (1 - ) Xt-1 +  (1 - )2 Xt-2 +  (1 - )3 Xt-3 +  (1 - )4 Xt-4 + ...

Misalnya akan dihitung nilai ramalan periode ke-6 berdasarkan data observasi sebelumnya,
X5, X4, X3, X2, dan X1. Jika kita pilih  = 0,2 maka bobot (weighted) untuk setiap observasi
tersebut adalah:

X5 →  = 0,2
X4 →  (1 - ) = 0,2(1 - 0,2) = 0,16
X3 →  (1 - )2 = 0,2(1 - 0,2)2 = 0,128
X2 →  (1 - )3 = 0,2(1 - 0,2)3 = 0,1024
X1 →  (1 - )4 = 0,2(1 - 0,2)4 = 0,08192

Sehingga nilai ramalan periode ke-6 adalah:

F6 = 0,2 X5 + 0,16 X4 + 0,128 X3 + 0,1024 X2 + 0,08192 X1

Hal lain yang perlu diperhatikan dalam penggunaan SES adalah inisialisasi yaitu
penentuan nilai ramalan pertama (F1). Untuk itu bisa diambil F 1 = X1 atau hasil rata-rata
dari beberapa observasi.

PERAMALAN DENGAN METODE REGRESI

Berdasarkan variabel bebas yang ada dalam persamaan regresi, peramalan dengan metode
regresi akan terdiri dari persamaan non causal dan persamaan causal. Kedua persamaan
ramalan tersebut sama-sama diperoleh dengan menganalisis data time-series secara regresi,
baik regresi linear maupun non linear. Perbedaannya adalah variabel bebas dalam
persamaan ramalan yang bersifat non causal merupakan variabel waktu, sedangkan dalam
persamaan ramalan yang bersifat causal merupakan variabel yang secara teoritis maupun
empiris mempengaruhi variabel tidak bebas.

Persamaan ramalan non causal yang linear: Yt = f(t) → Yt = a + b(t) yang merupakan
persamaan trend linear dengan a adalah intersep dan b adalah koefisien trend (slope).

©Syamsu Rizal, Drs. ME Page 6

Demand Forecasting Manajemen Operasional

Persamaan ramalan non causal yang non linear, antara lain:

 Kuadratik → Yt = a + b(t) + c(t)2
 Kubik → Yt = a + b(t) + c(t)2 + d(t)3
 Eksponensial → Yt = abt
 Trend logistik → Yt = atb

Persamaan ramalan causal yang linear: Yt = f(Xt) → Yt = a + bXt yang merupakan

persamaan regresi linear dengan a adalah intersep dan b adalah koefisien regresi.
n n n
n ∑ X t Y t −∑ X t ∑ Y t
t =1 t=1 t =1
b= n n 2

n ∑ X 2t −
t =1
(∑ )
t=1
Xt

a=Ý −b X́

Persamaan ramalan causal yang non linear, antara lain:

 Kuadratik → Yt = a + b(Xt) + c(Xt)2
 Kubik → Yt = a + b(Xt) + c(Xt)2 + d(Xt)3
 Eksponensial → Yt = abXt
 Trend logistik → Yt = aXtb

ANALISIS TREND LINEAR

Analisis trend linear merupakan salah satu teknik untuk mendapatkan persamaan ramalan
yang bersifat non causal, yaitu dengan meregresikan suatu variabel tak bebas terhadap
variabel waktu tertentu. Persamaan ramalan yang diperoleh akan merupakan persamaan
trend linear, yang dapat menunjukkan bahwa suatu data time-series memiliki trend
meningkat atau menurun dari waktu ke waktu dengan peningkatan atau penurunan yang
konstan.

Persamaan trend menaik: Yt = a + b(t), persamaan trend menurun: Yt = a – b(t)

Persamaan trend linear tersebut diperoleh dengan metode kuadrat terkecil (least-square
error), sedemikian sehingga diperoleh rumus sebagai berikut:
n n n
n ∑ X t Y t −∑ X t ∑ Y t
t =1 t=1 t =1
b= n n 2

n ∑ X 2t −
t =1
(∑ )
t=1
Xt

a=Ý −b X́

Keterangan: Xt adalah variabel waktu yang dikoding

©Syamsu Rizal, Drs. ME Page 7

Demand Forecasting Manajemen Operasional

Tabel berikut menunjukan jumlah permintaan (Q) dan harga (P) sejenis barang selama
tahun 2019.

Bulan Q (juta unit) P (USD) Bulan Q (juta unit) P (USD)

Januari 7.38 3.85 Juli 7.10 3.80
Pebruari 8.51 3.75 Agustus 8.00 3.85
Maret 9.52 3.70 September 7.89 3.90
April 7.50 3.70 Oktober 8.15 3.90
Mei 9.33 3.60 Nopember 9.21 3.65
Juni 7.87 3.80 Desember 8.50 3.55

1. Hitung ramalan penjualan/permintaan pada bulan Januari 2020 dengan menggunakan

persamaan trend linear, peramalan sederhana, rata-rata kumulatif, rata-rata bergerak 3
bulan, single exponential smoothing α = 0,1
2. Hitung ramalan penjualan pada bulan Januari 2020 dengan menggunakan persamaan
regresi linear sederhana, jika diperkirakan harga pada bulan Januari 2020 sebesar
USD4.05

REFERENSI

 Spyros Makridakis and Steven Wheelwrigt. Metode dan Aplikasi Peramalan. Penerbit
Erlangga, Jakarta, 1992.
 Hanke, J.E., Wichern, D.W., and Reitsch, A.G. Peramalan Bisnis. Ed. 7. Penerbit PT.
Prenhallindo, Jakarta, 2003.

©Syamsu Rizal, Drs. ME Page 8