FORECAST PENJUALAN

KELOMPOK :4

EGA WULANDARI

ULFIA

FAKULTAS EKONOMI DAN BISNIS ISLAM

UNIVERSITAS ISLAM NEGERI AR-RANIRY

TAHUN 2020
 BAB 1

PENDAHULUAN

A.LATAR BELAKANG

Peramalan/Forecasting merupakan bagian awal dari suatu proses pengambilan suatu

keputusan. Sebelum melakukan peramalan harus diketahui terlebih

dahulu apa sebenarnya persoalan dalam pengambilan keputusan itu, karena suatu keputusan
itu berpengaruh terhadap keadaan masa dapan yang penuh dengan resiko dan ketidak pastian.
Resiko itu menunjuk keadaan yang tingkat ketidakpastiannya lebih rendah karena telah
mempergunakan data yang tersedia untuk meramalkan terjadinya suatu keadaan tertentu.
Sedangkan ketidakpastian menunjuk ada suatu keadaan yang benar-benar tidak ada data yang
dapat dipergunakan untuk memprediksi atau meramalkan terjadinya peristiwa tertentu.
Meskipun perusahaan tidak dapat membuat peramalan yang sama persisi dengan kenyataan,
namun peramalan sangat penting sebagai pedoman dalam membuat rencana.

Peramalan dapat dilakukan untuk jangka pendek, jangka menengah, maupun jangka panjang.
Untuk peramalan jangka pendek biasanya digunakan untuk merencanankan pembelian,
penjadwalan kerja, jumlah tenaga kerja, penugasan kerja, dan tingkat produksi. Untuk
peramalan jangka menengah misalnya mencakup penjualan, anggaran produksi, anggaran
kas, dan analisis bermacam-macam operasi. Sedangkan untuk jangka panjang diguakan untuk
merencanakan produk baru, pembelanjaan modal lokasi atau pembangunan fasilitas serta
enelitian pengembangan.

Analisis time series adalah salah satu model/teknik dalam forecasting dimana banyak
dilakukan dalam berbagai bidang, misal pertanian, teknik, ekonomi, geofisik dan kedokteran.
 BAB II

PEMBAHASAN

a)      Pengertian Forecast

Sebelum mengupas lebih dalam mengenai Time Series Model alangkah lebih baik kita tahu
apa yang dimaksud dengan forecasting. Forecasting atau peramalan adalah proses untuk
membuat pernyataan atas suatu kejadian dimana kejadian tersebut belum diketahui atau
diobservasi .

Menurut (Arman hakim: 2003, hal 25) peramalan adalah proses untuk memperkirakan
beberapa kebutuhan di masa datang yang meliputi kebutuhan dalam ukuran kuantitas,
kualitas, waktu dan lokasi yang dibutuhkan dalam ranka memenuhi permintaan barang
ataupun jasa.

Menurut Heizer (2005) Peramalan/forecasting adalah seni dan ilmu untuk memperikirakan
kejadian di masa depan. Hal ini dapat dilakukan dengan melibatkan pengambilan data masa
lalu dan menempatkannya ke masa yang akan datang dengan suatu bentuk model yang
matematis, dan bisa juga dalam bentuk prediksi intuisi yang bersifat subjektif. Ataupun bisa
juga dengan menggunakan kombinasi model matematis yang disesuaikan dengan
pertimbangan yang baik dari seorang manajer.

Kemudian apakah perbedaannya peramalan dengan perencanaan?? Jelas berbeda, Rencana

adalah penentuan apa yang akan dilakukan oleh perusahaan pada waktu yang akan datang,
sedang dengan peramalan hanya perkiraan apa yang akan terjadi , namun belum tentu dapat
di laksanakan.

Setelah memahami berbagai istilah forecast menurut pendapat orang lain seperti di atas, jadi
forecast menurut saya adalah suatu kegiatan yang memperkirakan/menaksirkan suatu
kejadian yang akan datang dengan merujuk/menganalisis data-data yang ada, yang
kemungkinan dapat terjadi ataupun tidak terjadi.

b)     Model/tenik forecast

Teknik peramalan merupakan cara memperkirakan apa yang akan terjadi pada masa
mendatang secara sistematis dan pragmatis atas dasar data yang relevan pada masa yang lalu,
sehingga dengan demikian teknik peramalan diharapkan dapat memberikan objectivitas yang
lebih besar. Metode/teknik peramalan memberikan cara pengerjaan yang teratur dan terarah,
dengan demikian dapat dimungkinkan pengguna teknik-teknik pengaalisisan yang lebih maju,
yang dapat diharapkan memberikan tingkat kepercayaan atau keyakinan yang lebih besar,
karana dapat diuji dan dibuktikan penyimpangan atau deviasi yang terjadi secara ilmiah.

Forecast/Peramalan biasanya dapat diklasifikasikan berdasarkan horizon waktu masa depan

yang dicakupnya. Berikut ini adalah kategori peramalan berdasarkan horizon waktu:
1.      Peramalan jangka pendek

Peramalan ini mancakup jangka waktu hingga 1 tahun tetapi umumnya kurang dari 3 bulan.
Peramalan ini biasanya digunakan untuk merencanakan pembelian, penjadwalan kerja,
penjualan, jumlah tenaga kerja, penugasan kerja, dan tingkat produksi.

2.      Peramalan jangka menengah

Peramalan ini umumnya mencakup hitungan bulanan hingga waktu 3 tahun. Peramalan ini
berguna untuk merencanakan penjualan, perencanaan dan anggaran produksi, anggaran kas,
dan menganalisis bermacam-macam rencana operasi.

3.      Peramalan jangka panjang

Umunya untuk waktu perencanaan masa 3 tahun atau lebih. Permalan jangka panjang
digunakan untuk merencanakan produk baru, pembelanjaan modal, lokasi atau
pengembangan fasilitas, serta penelitian dan pengembangan (litbang).

Sedangakan tipe peramalan berdasarkan aspek strategis dalam perencanaan operasi di masa
depan antara lain:

1.      Peramalan ekonomi (economic forecast), peramalan ini menjelaskan/meramalkan siklus

bisnis dengan memprediksikan tingkat inflasi, ketersediaan uang, dana yang dibutuhkan
untuk membangun perumahan, dan indicator perencanaan lainnya.

2.      Peramalan teknologi (technological forecast), memperhatikan tingkat kemajuan

teknologi yang dapat meluncurkan produk baru yang menarik, yang membutuhkan pabrik dan
peralatan baru.

3.      Peramalan permintaan (demand forecast), adalah proyeksi permintaan untuk produk

atau layanan suatu perusahaan. Peramalan ini disebut juga Peramalan Penjualan yang
mengendalikan produksi, kapasitas, serta sistem penjadwalan dan menjadi input bagi
perencanaan keuangan, pemasaran, dan sumber daya manusia.

II.     Analisis Time Series model

Time series adalah suatu himpunan pengamatan yang dibangun secara berurutan dalam
waktu. Waktu atau periode yang dibutuhkan untuk melakukan suatu peramalan itu biasanya
disebut sebagai lead time yang bervariasi pada tiap persoalan. Berdasarkan himpunan
pengamatan yang tersedia maka time series dikatakan kontinu jika himpunan pengamatan
tersebut adalah kontinu dan dikatakan diskrit bila himpunan pengatamatan tersebut juga
diskrit.

a.        Pendekatan dalam analisis data time series:

   Pendekatan Ekonomi

   Pendekatan Statistik
   Pendekatan Visual

b.        Komponen data time series ini sebagai penentuan pola data:

1)      Siklus  Siklus merupakan fluktuasi bisnis dalam jangka yang lebih pendek (sekitar
2-10 tahun). Lamanya dan besarnya fluktuasi juga sangat beragam dari perusahaan ke
perusahaan, dan dari industri ke industri.

Gerakan / variasi siklis adalah gerakan / variasi jangka panjang disekitar garis trend (berlaku
untuk data tahunan). Gerakan siklis ini bisa terulang setelah jangka waktu tertentu dan bisa
juga terulang dalam jangka waktu yang sama. contoh gerakan siklis yakni kemakmuran
(prosperity), kemunduran (recession), depresi (depression), dan pemulihan (recovery)

Penjualan produk dapat memiliki siklus yang berulang secara periodik. Banyak produk
dipengaruhi pola pergerakan aktivitas ekonomi yang terkadang memiliki kecenderungan
periodic. Komponen siklis ini sangat berguna dalam peramalan jangka menengah. Pola data
ini terjadi bila data memiliki kecendrungan untuk naik atau turun terus-menerus.

2)      Musiman  Musiman merupakan fluktuasi yang terjadi dalam lingkup satu tahun. Ada
beberapa penyebab timbulnya fluktuasi musiman seperti disebutkan di muka:

(1) Karena peristiwa tertentu, misal karena peristiwa lebaran atau tahun baru,

(2) Karena cuaca, misal musim hujan dan musim kemarau.

Perkataan musim menggambarkan pola penjualan yang berulang setiap periode. Komponen
musim dapat dijabarkan ke dalam faktor cuaca, libur, atau kecenderungan perdagangan. Pola
musiman berguna dalam meramalkan penjualan dalam jangka pendek. Pola data ini terjadi
bila nilai data sangat dipengaruhi oleh musim

Gerakan / variasi musiman adalah gerakan yang mempunyai pola tetap dari waktu ke waktu,
misalnya naiknya harga pohon cemara menjelang Natal, menurunnya harga beras pada waktu
panen, dan lain sebagainya. Walaupun pada umumnya gerakan musiman terjadi pada data
bulanan yang dikumpulkan dari tahun ke tahun, namun juga berlaku bagi data harian,
mingguan, atau satuan waktu yang lebih kecil lagi.

Pola data musiman dapat digambarkan sebagai berikut:

3)      Ketidakeraturan  Fluktuasi semacam ini disebabkan karena faktor-faktor yang

munculnya tidak teratur, dengan jangka waktu yang pendek.

Misalkan suatu perusahaan mengalami musibah karena salah satu gudangnya terbakar, maka
data keuntungan perusahaan pada periode tersebut akan terpengaruh. Dalam beberapa situasi,
analis ingin memecaha data time-series ke dalam empat komponen tersebut

Gerakan / variasi yang tidak tetap adalah gerakan / variasi yang sifatnya sporadis, misalnya
naik-turunnya produksi akibat banjir yang datangnya tidak teratur.
 4)      Trend  Trend merupakan pergerakan time series dalam jangka panjang, bisa
merupakan tren naik atau turun. Diperlukan waktu jangka panjang (15 atau 20 tahun) untuk
melihat pola tren tersebut. Tren tersebut bisa dipengaruhi oleh perubahan jumlah penduduk,
perubahan teknologi, dan semacamnya.

Gerakan trend jangka panjang adalah suatu gerakan yang menunjukkan arah perkembangan
secara umum (kecenderungan menaik / menurun). Garis trend sangat berguna untuk membuat
ramalan (forecasting) yang sangat diperlukan bagi perencanaan.

Metode Peramalan
A.   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.
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.
b.     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.
c.     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.

1.    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.

B. 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.
 Forecast berdasarkan statistik

Dalam pembahasan model dekomposisi additive ditunjukkan sebagai berikut:

                                                                                                        (5)
dengan
                  =    nilai observasi dalam time series pada periode
                  =    komponen trend pada periode t
                  =    komponen faktor musiman pada periode t
                 =    komponen siklis pada periode t
     =     komponen perubahan-perubahan yang bersifat random periode t

c.         Beberapa metode dalam time series

Seperti yang sudah di sebutkan di atas sebelumnya bahwa metode dalam time series ada
beberapa yaitu:
1.       ARIMA (Autoregressive Integrated Moving Average) pada dasarnya menggunakan fungsi
eret waktu, metode ini memerlukan pendekatan model identification serta penaksiran awal
dari paramaternya.
Model ARIMA musiman digunakan pada data yang mempunyai korelasi yang tinggi pada
periode waktu (musim) yang sama. Model ARIMA musiman satu periode dapat dinyatakan
sebagai berikut (Cryer, 1986; Wei, 1990; Box dkk., 1994).

  ,                                                (6)

dengan
            =
        =
            =
       = .
Adapun  adalah panjang periode musiman,  adalah operator mundur atau back shift operator,
dan  adalah suatu deret white noise dengan rata-rata nol dan varians konstan.

2.        Kalman Filter banyak digunakan pada bidang rekayasa sistem untuk memisahkan sinyal
dari noise yang masuk ke sistem. Metoda ini menggunakan pendekatan model state space
dengan asumsi white noise memiliki distribusi Gaussian.
3.      Bayesian merupakan metode yang menggunakan state space berdasarkan model dinamis
linear (dynamical linear model). Sebagai contoh: menentukan diagnosa suatu penyakit
berdasarkan data-data gejala (hipertensi atau sakit jantung).
4.      Metode smoothing dipakai untuk mengurangi ketidakteraturan data yang bersifat musiman
dengan cara membuat keseimbangan rata-rata dari data masa lampau.
a.       Metode Rata – Rata
  Metode rata-rata bergerak tunggal
  Metode rata-rata bergerak ganda
        Menghitung rata-rata bergerak pertam   
        Menghitung rata-rata bergerak kedua 
        Menentukan besarnya nilai at (konstana) 
        Menentukan besarnya nilai bt (slope).   
Dimana V= jangka waktu rata-rata bergerak
        Menentukan ramalan. 
Dimana  m =jangka waktu peramalan ke depan
   
b.      Metode Pemulusan (Smoothing) Eksponensial
Bentuk umumnya 
Ft+1 = αXt + (1 – α)Ft
Ft+1 = αXt + α(1 – α)Xt-1 +α(1 – α)2Xt-2 + ……………+ (1 – α)N Ft+(N-1)
Dengan :
Ft+1 = ramalan suatu periode ke depan
Xt = data aktual periode t
Ft = ramalan pada periode
α = parameter pemulusan (0<α<1)
5.      Regresi menggunakan dummy variabel dalam formulasi matematisnya. Sebagai contoh:
kemampuan dalam meramal sales suatu produk berdasarkan hargan
Time series regression merupakan model yang digunakan untuk tujuan peramalan dimana
variabel dependen ( yt ) dan variabel prediktor merupakan deretan waktu. Model time series
regression sebagaimana tertulis pada Bowerman dan O’Connell (1993) adalah
,                                                                     
dengan
 =  nilai observasi pada periode  t
 = trend pada periode t
 = faktor musiman pada periode t
 = error pada periode t                                                
Pada model musiman dengan pendekatan regresi maka faktor musiman  dimodelkan  melalui
variabel dummy (Cryer, 1986; Bowerman dan O’Connell, 1993)

                                                  
d.        Pemilihan Teknik dan Metode Peramalan
Dalam pemilihan teknik dan metode peramalan, pertama-tama perlu diketahui ciri – ciri
penting yang perlu diperhatikan bagi pengambil keputusan dan analisa keadaan dalam
mempersiapkan peramalan.
Ada 6 (enam) faktor utama yang diidentifikasikan sebagai teknik dan metode peramalan,
yaitu :
  Horizon Waktu
Ada 2 (dua) aspek dari Horizon Waktu yang berhubungan dengan masing – masing metode
peramalan. Pertama adalah cakupan waktu dimasa yang akan datang, kedua adalah jumlah
periode untuk peramalan yang diinginkan.
  Pola Data
Dasar utama dari metode peramalan adalah anggapan bahwa macam – macam dari pola yang
didapati didalam data yang diramalkan akan berkelanjutan.
  Jenis dari Model
Model – model merupakan suatu deret dimana waktu digambarkan sebagai unsur yang
penting untuk menentukan perubahan – perubahan dalam pola. Model – model perlu
diperhatikan karena masing – masing model mempunyai kemampuan yang berbeda dalam
analisa keadaan untuk pengambilan keputusan.
  Biaya yang Dibutuhkan
Umumnya ada 4 (empat) unsur biaya yang tercakup di dalam penggunaan suatu prosedur
peramalan, yaitu biaya – biaya pengembangan, penyimpanan (Storage) data, operasi
pelaksanaan dan kesempatan dalam penggunaan teknik – teknik dan metode lainnya.
  Ketepatan Metode Peramalan Tingkat ketepatan yang dibutuhkan sangat erat kaitannya
dengan tingkat perincian yang dibutuhkan dalam suatu peramalan.
  Kemudahan dalam Penerapan
Metode – metode yang dapat dimengerti dan mudah diaplikasikan sudah merupakan suatu
prinsip umum bagi pengambil keputusan.

e.         Ukuran Akurasi Hasil Peramalan

Untuk mendapat hasil peramalan yang lebih akurat adalah ramalan yang bias
meminimalkan kesalahan meramal (forecast error). Besarnya (forecast error) dihitung
dengan   ei = Xi − Fi
Dimana :    Xi  = data periode ke-i
Fi  =ramalan period eke-i
            Untuk mengukur kesalahan ramalan (error forecast) biasanya digunakan mean
absolute error, mean square error, atau mean absolute percentage error.
        Percentage error
        Absolut percentage error (APE)   kesalahan persentase absolute
        Mean percentage error (MPE) persentase rata-rata kesalahan absolute
        Mean percentage error (MPE)  persentase rata-rata kesalahan absolute
X : data sebenarnya terjadi
Ft : data ramalan dihitung dari model yang digunakan pada waktu atau tahun t
n : banyak data hasil ramalan

Contoh Kasus
1.     A. Dibawah ini menunjukkan data PT FAFAUZI tahun 2009-2013.
NO TAHUN PENJUALAN (Y)

1 2009 110

2 2010 125

3 2011 150

4 2012 185

5 2013 210

JUMLAH 5 780

Berapakah ramalan penjualan untuk tahun yang akan datang atau tahun 2014?
JAWAB:
ANALISIS MENGGUNAKAN METODE LEAST SQUARE DATA GANJIL
PT FAFAUZI
NO TAHUN PENJUALA PREDIKSI X^2 XY
N (Y) (X)

1 2009 110 -2 4 -220

2 2010 125 -1 1 -125

3 2011 150 0 0 0

4 2012 185 1 1 185

5 2013 210 2 4 420

 JUMLAH 5 780 0 10 260

Mencari nilai a dan b

a = 780   = 156
5

b = 260   =   26
5
maka persamaan least squarenya adalah dimana nilai
Y  =  a + bX
Y  =  156 + 26X
Maka ramalan penjualan untuk tahun 2014 yang memiliki angka X=3 tahun yang berikutnnya
yang dicari:
Y (2014)  =  156 + 26 (3)
Y (2014)  =  156 + 78
Y (2014)  =  234 unit

b. Dibawah ini adalah data ramalan penjualan PT ABANGJUNK pada tahun 2009-2012.
NO TAHUN PENJUALAN (Y)

1 2009 145

2 2010 150

3 2011 165

4 2012 170

      Berapakah ramalan penjualan untuk tahun 2013?

JAWAB:
ANALISIS MENGGUNAKAN METODE LEAST SQUARE DATA GENAP
PT ABANGJUNK
NO TAHUN PENJUALAN PREDIKSI X^2 XY
(Y) (X)

1 2009 145 -3 9 -435

2 2010 150 -1 1 -150

 3 2011 165 1 1 165

4 2012 170 3 9 510

JUMLAH 5 630 0 20 90

Mencari nilai a dan b

a = 630= 157,5
      4
b = 90 =  4,5
      20 
maka persamaan least squarenya adalah
Y  =  a + bX
Y  =  157,5 + 4,5X
Maka ramalan penjualan untuk tahun 2013 :
Y (2013)  = 157.5 + 4,5 (5)
Y (2013)  = 157.5  + 22,5
Y (2013)  =  180 unit.

2.     Dibawah ini adalah permintaan musiman untuk penjualan sepatu olahraga PT SHOEZI
setiap triwulan dari tahun 2009-2013 (dalam ribuan lusin)
Tahun Tri wulan I Tri wulan II Tri wulan III Tri wulan IV

2009 25 275 150 525

2010 30 310 220 610

2011 34 360 285 705

2012 42 420 350 810

2013 50 500 425 900

Berapakah permintaan musiman untuk penjualan sepatu olahraga PT SHOEZI pada tahun
2014 mendatang?

JAWAB:
A.   ANALISIS MENGGUNAKAN METODE TIME SERIES (RATA-RATA BERGERAK
SEDERHANA / SIMPLE MOVING AVERAGE).
 Tahun Tri Tri Tri Tri ∑y x x.y
wulan wulan wulan wulan
(Tri
I II III IV wulan)

2009 25 275 150 525 975 -2 4 -

1.950

2010 30 310 220 610 1.170 -1 1 -

1.170

2011 34 360 285 705 1.384 0 0 0

2012 42 420 350 810 1.622 1 1 1.622

2013 50 500 425 900 1.875 2 4 3.750

∑ 181 1.865 1.430 3.550 7.026 0 10 2.252

Rata-rata 0,025 0,265 0,203 0,505 0,998

Adjustment 0,026 0,265 0,204 0,505 1

Rata-rata = Tri wulan

                        ∑Y
Kemudian mencari nilai a dan b
 a= ∑Y    =   7.026    =   1.405,2
        n              5

b= ∑x.y    =   2.252    =  225.2
       ∑              10
maka persamaan simple moving average adalah
Y  =  a + bX
Y  =  1.405,5 + 225,2X
Maka permintaan untuk ramalan penjualan tahun 2014 :
Y (2014)  = 1.405,5 + 225,2 (3)
Y (2014)  = 1.405,5  +675,6
Y (2014)  =  2.080,8
            Jadi, permintaan ramalan untuk penjualan tahun 2014 setiap Tri Wulan adalah:
            Tri Wulan I      =  0,026 x 2.080,8       =  55
            Tri Wulan II    =  0,0265 x 2.080,8     =  552
            Tri Wulan III   =  0,204 x 2.080,8       =  425
             Tri Wulan IV   =  0,505 x 2.080,8       =  1.051
            Semua jawaban dibulatkan ke atas karena satuan unit.
B.    ANALISIS MENGGUNAKAN METODE TIME SERIES (RATA-RATA BERGERAK
TERTIMBANG / WIGHTED MOVING AVERAGE).
TAHUN TRI VOLUME RATA- TITIK IM =
Tahun WULAN PENJUALA
Tri wulan Tri wulan RATA Tri 4 TENGAH
Tri VP∑y: TT
N PERIODE
wulan (TT)
wulan
2009 I I 25 II (Tri wulan)
II 275 III IV
III 150
2009 IV - 525 - 0,6138 2,1053 2,7191
2010 I 30
II 310
2010 0,1143 1,0948 0,7509 2,0350 3,995
III 220
IV 610
2011 2011 I 0,1083 341,0774 0,8213 1,9821 3,9891
II 360
2012 III 0,1132 2851,0704 0,8010 1,9401 3,9247
IV 705
2012 2013 I 0,1144 421,0929 - - 1,2073
II 420
∑ III 0,4522 350 4,3405 3,0460 8,0625 15,9012
IV 810
2013
Rata-rata I 0,1131 501,0852 0,7615 8,0625
II 500
III 425
IV 900
Maka,
permintaan
peramalan pernjualan untuk tahun 2014 masing-masing Tri Wulan adalah:
Cara menghitung = (Rata-rata masing-masing Tri Wulan x titik tengah paling tinggi)
                        Tri Wulan I      =  0,1131 x 436,875    =
                        Tri Wulan II    =  1,0852 x 457,5        =
                        Tri Wulan III   =  0,7615 x                  =
                        Tri Wulan IV   =  8,0625 x                  =
 BAB III

PENUTUP

KESIMPULAN

Jadi dapat ditarik kesimpulan bahwa:

Forecasting berperan sangan penting dalam pengambilan keputusan khususnya dalam dunia
bisnis.
Ada 2 pendekatan yang dapat di pakai dalam peramalan yakni analisis kuantitatif dan kualitatif.
Analisis kuantitatif menggunakan model matematis dengan data historis dan kausal.
Sedangkan analisis kualitatif menggunakan pendekatan yang bersifat subjectif.
 Time series sangat tepat dipakai untuk meramalkan permintaan yang berpola permintaan dimasa
lalunya cukup konsisten dalam periode waktu yang lama, sehingga pola tersebut masih akan
teteap berlanjut
 Analisa deret waktu didasarkan komponen-komponen, yaitu: Pola kecenderungan (T), Pola

siklus/cycle (C), Pola musim (S), Variasi acak(R)

Untuk mengukur tingkat kesalahan peramalan keseluruhan dapat dilakukan degan menganalisis
MSE, MAD, MAPE.

DAFTAR PUSTAKA

Nyongandri.blogspot.com/2012/03/teknik-teknik-dalam-forecasting.html