EKONOMI MANAJERIAL
PERAMALAN PERMINTAAN
• Peramalan permintaan (demand forecasting) merupakan upaya untuk
meramalkan kondisi ekonomi di masa mendatang dan menilai efek
dari kondisi tersebut terhadap kegiatan perusahaan.
• Peramalan permintaan menjadi hal penting yang harus dilakukan oleh
manajer untuk memperkirakan jumlah produksi barang atau jasa yang
ditawarkan pada periode-periode mendatang
ketidakpastian (uncertainty) yang terjadi dimasa datang
(menghindari kelebihan ataupun kekurangan kapasitas)
Kemampuan dan sumber daya perusahaan yang terbatas
Melayani konsumen dengan baik, melalui tersedianya hasil
produksi yang baik
Model peramalan
• Model peramalan dibedakan menjadi dua, yaitu model terstruktur
(structural models) dan model tidak terstruktur (nonstructural
models).
• Model terstruktur mengidentifikasi bagaimana suatu variabel
pengamatan tergantung pada variabel ekonomi yang lain. Contoh:
analisis regresi.
• Model tidak terstruktur digunakan untuk mengidentifikasi pola
pergerakan dari variabel-variabel ekonomi dari waktu ke waktu.
Metode: analisis deret waktu (time series analysis) dan analisis
barometrik (barometric analysis)
Analisis Deret Waktu
• Model deret waktu mencoba memperkirakan hasil di masa datang
dengan cara mengacu pada pola perilaku di masa lalu
• Data deret waktu (time series data) adalah nilai dari variabel yang
disusun secara kronologis menurut hari, minggu, bulan, kuartal, atau
tahun.
• Pola deret waktu dibedakan menjadi empat:
(1) trend,
(2) siklus bisnis (business cycle),
(3) variasi musim (seasonal variation), dan
(4) fluktuasi acak (random fluctuations)
Analisis Deret Waktu
Proyeksi Trend
• Proyeksi trend adalah cara memproyeksikan trend masa lalu dengan
menempatkan garis lurus pada data baik secara visual maupun
melalui analisis regresi.
• Ada dua macam model proyeksi trend, yaitu model linier dan non
linier.
Proyeksi Trend – Model Linier
Model linier menggambarkan perubahan yang konstan ke masa depan
Model pada persamaan ini menunjukkan bahwa penjualan pada periode dasar adalah sebesar 10 unit dan
penjualan meningkat rata-rata sebesar 0,3 atau 30% untuk setiap 1 satuan periode waktu.
Atas dasar model ini, dapat diramalkan besarnya penjualan untuk waktu-waktu mendatang dengan cara
menentukan nilai waktu t untuk suatu periode tertentu.
Misal bila periode dasar adalah kuartal 1 tahun 2016, maka nilai waktu untuk kuartal 1 tahun 2016 adalah t= 0.
Bila akan meramalkan besarnya penjualan untuk kuartal 2, 3, dan 4 tahun 2017 maka perlu ditentukan nilai t
untuk masing-masing kuartal.
Bila kuartal 1 tahun 2016, t = 0 maka,
Kuartal 2 tahun 2017, t = 5 sehingga S5 = 10 + 0,3(5) = 11,5
Kuartal 3 tahun 2017, t = 6 sehingga S6 = 10 + 0,3(6) = 11,8
Kuartal 4 tahun 2017, t = 7 sehingga S7 = 10 + 0,3(7) = 12,1
dan seterusnya.
Gambar Garis Trend Linier
Proyeksi Trend – Model Non Linier
• Model non linier menggambarkan laju pertumbuhan atau persentase
perubahan yang konstan.
• Bila penjualan diasumsikan tumbuh secara konstan sebesar g, maka
proyeksi trend dapat dinyatakan dengan model berikut
• Hal yang sama untuk peramalan penjualan pada kuartal 2 tahun 2018
(t=18) = , + , , = ,
Teknik Penghalusan (Smoothing Technique)
• Teknik penghalusan digunakan apabila data deret waktu berubah
secara acak atau tidak reguler (random/irreguler variation).
• Bila data deret waktu bervariasi secara acak, maka kondisi di masa
datang tidak dapat diproyeksikan dengan tepat.
• Dengan teknik penghalusan, variasi yang ada dihaluskan dan nilai di
masa datang diperkirakan atas dasar nilai rata-rata dari beberapa
observasi di masa lalu.
• Teknik penghalusan yang dibahas adalah rata rata bergerak dan
eksponensial
Rata-Rata Bergerak (Moving Average)
• Teknik rata-rata bergerak merupakan teknik untuk menentukan nilai
yang diramalkan dari suatu deret waktu berdasar dari nilai rata-rata
sejumlah periode tertentu
• Semakin banyak periode yang digunakan dalam rata-rata bergerak,
semakin besar efek penghalusan (smoothing effect) yang dihasilkan
karena setiap observasi baru menerima bobot lebih kecil
Contoh (Rata-rata bergerak 3 periode)
Contoh (Rata-rata bergerak 5 periode)
RMSE (Root Mean Square Error)
• Rata-rata bergerak yang lebih baik adalah yang menghasilkan peramalan
yang mendekati nilai yang sebenarnya/aktual.
• Hal ini dapat dientukan dengan metode RMSE (Root Mean Square Error)
atau kesalahan akar rata-rata kuadrat, yaitu rata-rata bergerak yang lebih
baik adalah yang menghasilkan RMSE terkecil.
• Langkah selanjutnya adalah memilih bobot mana yang memberikan hasil peramalan yang
lebih baik. Hal ini ditentukan dengan memilih bobot yang mempunyai RMSE terkecil
• Oleh karena RMSE untuk w = 0,3 lebih kecil dari RMSE untuk w = 0,5 maka dapat
dikatakan bahwa peramalan dengan bobot w = 0,3 memberikan hasil yang lebih baik dan
dengan demikian kita lebih percaya bahwa penjualan pada kuartal 13 adalah 30,73 unit
daripada sebesar 25,08 unit.