MAKALAH

TEKNIK – TEKNIK PRAKIRAAN RAMALAN

Makalah ini diajukan sebagai salah satu tugas mata kuliah Manajemen Operasi
dan Produksi

Dosen Pengampu:
Dr. H. Mustafa Hermanto. MM

Kelompok 6:
1. Samsul Arifin (B74218068)
2. Sifa Mayviola Zulfa Farliza (B94218113)
3. Yoga Septa Pratama (B74218071)

PROGRAM STUDI MANAJEMEN DAKWAH

FAKULTAS DAKWAH DAN KOMUNIKASI
UNIVERSITAS ISLAM NEGERI SUNAN AMPEL
SURABAYA
2020
 KATA PENGANTAR

Puji syukur kehadirat Allah SWT atas limpahan rahmat dan anugerah dari-
Nya kami dapat menyelesaikan makalah tentang " Teknik-teknik Prakiraan
Ramalan". Sholawat dan salam semoga tercurahkan kepada junjungan besar kita
Nabi Muhammad SAW yang telah menunjukkan kepada kita semua jalan yang
lurus berupa ajaran agama islam.

Kami sangat bersyukur karena dapat menyelesaikan makalah yang

menjadi tugas Manajemen Operasi dan Produksi dengan judul " Teknik-teknik
Prakiraan Ramalan ". Disamping itu, kami mengucapkan terimakasih kepada
pihak yang telah membantu kami selama pembuatan makalah ini berlangsung
sehingga dapat terealisasikanlah makalah ini.

Demikian yang dapat kami sampaikan, semoga makalah ini dapat

bermanfaat bagi para pembaca. Kami mengharapkan kritik dan saran terhadap
makalah ini agar kedepannya dapat kami perbaiki. Karena kami sadar, makalah
yang kami buat ini masih banyak kekurangannya.

Sidoarjo, 31 Oktober 2020

Penulis
 BAB I
PENDAHULUAN

Peramalan ini bertujuan untuk memperkirakan suatu prospek ekonomi dan

kegiatan usaha serta pengaruh lingkungan terhadap prospek tersebut.
Peramalan atau Forecasting juga merupakan salah satu bagian yang terpenting
bagi setiap perusahaan ataupun organisasi bisnis dalam setiap pengambilan
keputusan manajemen. Peramalan itu sendiri bisa menjadi sebuah dasar bagi
perencanaan jangka pendek, menengah maupun jangka panjang suatu
perusahaan. Di dalam sebuah peramalan (forecasting) juga dibutuhkan sedikit
mungkin kesalahan (error) di dalamnya. Agar dapat meminimalisirkan suatu
tingkat kesalahan tersebut, maka akan lebih baik jika peramalan tersebut
dilakukan dalam satuan angka atau kuantitatif.
Dalam melakukan forecasting tentunya terdapat teknik-teknik yang dilakukan.
Banyak teknik-teknik forecasting yang dapat dipelajari, akan tetapi ada beberapa
tenik-teknik yang dilakukan agar prakiraan ramalan dapat akurat dan benar.
Mempelajari teknik-teknik yang akurat dan benar akan mempermudah suatu
organisai, perusahaan ataupun bisnis dapat berjalan dengan lancar. Hal ini juga
bermanfaat untuk perusahaan maupun usaha bisnis yang memungkinkan di
masa yang akan datang mengalami konflik atau permasalahan, yang tentunya
beberapa masalah ini dapat diprediksi dengan teknik-teknik forecasting.

BAB II
 PEMBAHASAN
1. Pengertian Peramalan
Definisi Peramalan (Forecasting) Sofyan Assauri (1984: 1) mendefinisikan
peramalan sebagai perkiraan yang ilmiah (educated guess). Menurutnya,
setiap pengambilan keputusan yang menyangkut keadaan pada masa yang
akan datang, pasti ada peramalan yang melandasi pengambilan keputusan
tersebut.

Frechtling (2001: 8) mendefinisikan peramalan sebagai proses menyusun

informasi tentang kejadian masa lampau yang berurutan untuk menduga
kejadian pada masa depan.

Berdasarkan dua definisi di atas, pada hakikatnya peramalan merupakan

bagian awal dari proses pengambilan keputusan. Sebelum melakukan
peramalan harus diketahui terlebih dahulu persoalan dalam pengambilan
keputusan. Dalam pengertian yang lebih khusus, peramalan adalah pemikiran
terhadap suatu besaran, misalnya permintaan terhadap satu atau beberapa
produk pada periode yang akan datang. Dalam praktiknya, peramalan
merupakan suatu perkiraan (guess) dengan menggunakan teknik-teknik
tertentu. Dalam kegiatan produksi, peramalan dilakukan untuk menentukan
jumlah permintaan terhadap suatu produk yang dilakukan pada awal proses
perencanaan dan pengendalian produksi. Dalam peramalan ditetapkan jenis
produk yang diperlukan (what), jumlahnya (how many), dan waktu
dibutuhkannya (when). Peramalan pada umumnya digunakan untuk
memprediksi sesuatu yang kemungkinan besar akan terjadi, misalnya kondisi
permintaan, banyaknya curah hujan, kondisi ekonomi, dan lainlain.

Tujuan Peramalan Menurut Pangestu Subagyo (1986: 1), peramalan

bertujuan mendapatkan ramalan yang dapat meminimumkan kesalahan
meramal dan dapat diukur dengan Mean Absolute Percent Error (MAPE).
 Karakteristik Peramalan Menurut Nasution (1999), peramalan yang baik
mempunyai beberapa kriteria, antara lain akurasi, biaya, dan kemudahan.
Penjelasan dari ketiga kriteria tersebut adalah sebagai berikut.

a. Akurasi Pengertian akurasi dari suatu hasil peramalan diukur dengan

hasil kebiasaan dan kekonsistensian peramalan tersebut. Apabila hasil
peramalan dikatakan bias, peramalan tersebut terlalu tinggi atau
rendah dibandingkan dengan kenyataan yang sebenarnya terjadi.
Selanjutnya hasil peramalan dikatakan konsisten, apabila kesalahan
peramalan relatif kecil. Kondisi peramalan yang terlalu rendah akan
mengakibatkan kekurangan persediaan, sehingga permintaan
konsumen tidak dapat dipenuhi dengan segera. Hal itu akan
berdampak di perusahaan serta besar kemungkinan kehilangan
pelanggan dan keuntungan dari penjualan. Sebaliknya, apabila
peramalan yang terlalu tinggi dapat mengakibatkan terjadinya
penumpukan persediaan, sehingga banyak modal yang terserap dan
terbuang. Keakuratan dari hasil peramalan akan berfungsi
menyeimbang-kan persediaan yang ideal.

b. Biaya Biaya yang dbutuhkan dalam pembuatan peramalan bergantung

pada jumlah item/jenis yang diramalkan, jangka waktu peramalan, dan
metode peramalan yang dipakai. Ketiga faktor pemicu biaya tersebut
akan memengaruhi terhadap data yang dibutuhkan. Selain itu juga
akan bergantung pada cara pengolahan data (manual atau
komputerisasi), cara penyimpanan data, dan tenaga ahli yang
diperbantukan. Pemilihan metode peramalan harus disesuaikan
dengan dana yang tersedia dan tingkat akurasi yang ingin didapat,
misalnya item-item yang penting akan diramalkan dengan metode
yang sederhana dan murah. Oleh karena itu, Buffa (1966) menjelaskan
bahwa metode yang lebih canggih tidak menjamin memperoleh hasil
yang lebih akurat daripada metode yang lebih sederhana, lebih mudah
 diterapkan, dan lebih murah. Prinsip ini merupakan adopsi dari hukum
Pareto (Analisis ABC).

c. Kemudahan Penggunaan metode peramalan yang sederhana mudah

dibuat dan mudah diaplikasikan akan memberikan keuntungan bagi
perusahaan. Apabila memakai metode yang canggih, tetapi tidak dapat
diaplikasikan pada sistem perusahaan karena keterbatasan dana,
sumber daya manusia, dan peralatan teknologi merupakan hal yang
percuma.

1. Teknik Perkiraan Ramalan

A. Teknik Dekomposisi Deret Waktu

Teknik dekomposisi berusaha memisahkan suatu data deret waktu menjadi
beberapa pola dan mengidentifikasi masing-masing komponen dari deret waktu
tersebut secara terpisah. Metode dekomposisi dilandasi oleh asumsi bahwa data
yang ada merupakan gabungan dari beberapa komponen, yaitu

Data = pola + kesalahan = f(trend, siklus, musiman) + kesalahan

Jadi selain komponen pola, terdapat juga kesalahan yang merupakan perbedaan
antara pengaruh dari ketiga pola di atas dengan data yang sebenarnya.

Secara matematis notasi umum dari pendekatan dekomposisi adalah:

Xt =f (It ,Tt ,Ct ,Et )

di mana: Xt adalah nilai deret berkala (data yang aktual) pada periode t,

It adalah komponen (atau Indeks) musiman pada periode t,

Tt adalah komponen trend pada periode t,

Ct adalah komponen siklus pada periode t, dan

Et adalah komponen kesalahan pada periode t.

Asumsi diatas mengandung pengertian bahwa terdapat empat komponen yang

mempengaruhi suatu deret waktu, yaitu :
 1) Pola Trend
Pada dasarnya pola data ini terjadi apabila data memiliki kecenderungan
untuk naik atau turun terus-menerus. Pola data dalam bentuk ini diilustrasikan
oleh Sofyan Assauri (1984) pada gambar berikut.

2) Pola Musim (Seasonal)

Dalam konteks ini, perkataan musim menggambarkan pola penjualan yang
berulang setiap periode. Komponen musim dapat dijabarkan dalam faktor cuaca,
libur, atau kecenderungan perdagangan. Pola musiman juga berguna dalam
meramalkan penjualan dalam jangka pendek. Pola data semacam ini terjadi
apabila nilai data sangat dipengaruhi oleh musim, misalnya permintaan bahan
baku jagung untuk makanan ternak ayam di pabrik pakan ternak selama satu
tahun. Selama musim panen harga jagung akan menjadi turun karena jumlah
jagung yang dibutuhkan tersedia dalam jumlah yang besar. Untuk mengetahui
lebih jauh mengenai pola data musiman tersebut, Sofyan Assauri (1984)
mengilustrasikannya pada gambar berikut ini.
 3) Pola Siklis (Cycle)
Penjualan produk dapat memiliki siklus yang berulang secara periodik.
Banyak produk dipengaruhi pola pergerakan aktivitas ekonomi yang terkadang
memiliki kecenderungan periodik. Komponen siklis ini sangat berguna dalam
peramalan jangka menengah. Pola data ini terjadi apabila data memiliki
kecenderungan untuk naik atau turun terus-menerus. Untuk lebih jelasnya dalam
memahami pola data dalam bentuk trend ini, sebagaimana diilustrasikan oleh
Sofyan Assauri (1984) pada gambar berikut.

4) Pola Horizontal
Pada dasarnya pola data horizontal akan terjadi apabila nilai data
berfluktuasi di sekitar nilai rata-rata. Untuk lebih memahami mengenai pola
horizontal, Sofyan Assauri (1984: 46-47) mengilustrasikannya pada gambar
berikut ini.
 B. Teknik Ramalan Tren Linear

Trend adalah pergerakan jangka panjang dalam suatu kurun waktu yang
kadang-kadang dapat digambarkan dengan garis lurus atau kurva mulus. Deret
waktu untuk bisnis dan ekonomi, yang terbaik adalah untuk melihat trend (atau
trend-siklus) sebagai perubahan dengan halus dari waktu ke waktu.

Pada kenyataannya, anggapan bahwa trend dapat diwakili oleh beberapa

fungsi sederhana seperti garis lurus sepanjang periode untuk time series yang
diamati jarang ditemukan. Seringkali fungsi tersebut mudah dicocokkan dengan
kurva trend pada suatu kurun waktu karena dua alasan, yaitu fungsi tersebut
menyediakan beberapa indikasi arah umum dari seri yang diamati, dan dapat
dihilangkan dari seri aslinya untuk mendapatkan gambar musiman lebih jelas.
Ada tiga trend yang diigunakan untuk meramalkan pergerakan keadaan pada masa
yang akan datang, yaitu:

Trend Linier
Sering kali data deret waktu jika digambarkan ke dalam plot mendekati
garis luruus. Deret waktu seperti inilah yang termasuk dalam trend linier.
Persamaan trend linier adalah sebagai berikut:

Dengan nilai a dan b diperoleh dari formula:

Dimana Yt menunjukan nilai taksiran Y pada nilai t tertentu.

Sedangkan a adalah nilai intercept dari Y, artinya nilai Yt akkan sama
dengan a jika nilai t = 0. Kemudian b adalah nilai slope, artinya besar kenaikan
nilai Yt pada setiap nilai t. Dan nilai t sendiri adalah nilai tertentu yang
menunjukan periode waktu.
 C. Teknik Ramalan Rata-rata Bergerak (Moving Average)

Pengertian Moving Average atau Rata-rata bergerak adalah metode

peramalan yang menghitung rata-rata suatu nilai runtut waktu dan kemudian
digunakan untuk memperkirakan nilai pada periode selanjutnya. Moving Average
atau Rata-rata Bergerak diperoleh melalui penjumlahan dan pencarian nilai rata-
rata dari sejumlah periode tertentu, kemudian menghilangkan nilai terlamanya dan
menambah nilai baru.

Metode Moving Average ini digunakan untuk menghitung data yang

bersifat stabil atau data yang tidak berfluktuasi dengan tajam (data yang
perubahan naik dan turunnya sangat drastis). Hal ini dikarenakan data pada setiap
periode diberikan bobot yang sama sehingga tidak dapat mewakilkan periode-
periode tertentu yang bersifat khusus ataupun data periode terakhir yang biasanya
dinilai sebagai data yang terbaik dalam mengambarkan kondisi terkini. Oleh
karena itu, munculah Metode-metode Moving Average yang lain untuk mencoba
mengatasinya, metode moving average yang lain diantaranya adalah Metode
Weighted Moving Average (Rata-rata Bergerak Berbobot) atau disingkat dengan
WMA dan Metode Exponential Smoothing (Metode Penghalusan Bertingkat).
Sedangkan Metode Moving Average yang sederhana ini sering disebut dengan
Simple Moving Average atau disingkat dengan SMA

Rumus Moving Average atau Rata-rata Bergerak adalah sebagai berikut :

MA = ΣX / Jumlah Periode

Keterangan :

MA = Moving Average

ΣX = Keseluruhan Penjumlahan dari semua data periode waktu yang

diperhitungkan

Jumlah Periode = Jumlah Periode Rata-rata bergerak

atau dapat ditulis dengan :

MA = (n1 + n2 + n3 + …) / n

Keterangan :

MA = Moving Average

n1 = data periode pertama

n2 = data periode kedua

n3 = data periode ketiga dan seterusnya

n = Jumlah Periode Rata-rata bergerak

D. Teknik Perkiraan Ramalan Exponential Smoothing (Penghalusan

Eksponensial)

Exponential smoothing atau dalam bahasa Indonesia disebut dengan

Penghalusan Eksponensial adalah suatu metode peramalan rata-rata bergerak yang
memberikan bobot secara eksponensial atau bertingkat pada data-data terbarunya
sehingga data-data terbaru tersebut akan mendapatkan bobot yang lebih besar.
Dengan kata lain, semakin baru atau semakin kini datanya, semakin besar pula
bobotnya. Hal ini dikarenakan data yang terbaru dianggap lebih relavan sehingga
diberikan bobot yang lebih besar. Parameter penghalusan (smoothing) biasanya
dilambangkan dengan α (alpha).

Berikut ini adalah beberapa definisi ataupun pengertian Exponential

Smoothing (Penghalusan Bertingkat) menurut para ahli.

Menurut Render dan Heizer (2005), Penghalusan exponential adalah teknik

peramalan rata-rata bergerak dengan pembobotan dimana data diberi bobot oleh
sebuah fungsi exponential.

Menurut Trihendradi (2005), analisis exponential smoothing merupakan salah

satu analisis deret waktu, dan merupakan metode peramalan dengan memberi nilai
pembobot pada serangkaian pengamatan sebelumnya untuk memprediksi nilai
masa depan.
Menurut T. Hani Handoko (2011), Exponential Smoothing adalah suatu tipe
teknik peramalan rata-rata bergerak yang melakukan penimbangan terhadap data
masa lalu dengan cara eksponensial sehingga data paling akhir mempunyai bobot
atau timbangan lebih besar dalam rata-rata bergerak.

Peramalan dengan Exponential Smoothing atau Metode Penghalusan

Eksponensial ini, yaitu dengan memasukan prakiraan permintaan sekarang dengan
data permintaan nyata atau data permintaan aktual ke dalam rumus Exponential
Smoothing. Berikut ini adalah rumus untuk menghitung exponential smoothing :

Rumus Exponential Smoothing (Penghalusan Eksponensial)

Ft = Ft – 1 + α (Dt-1 – Ft-1)

Dimana :

Ft = Prakiraan Permintaan sekarang

Ft-1 = Prakiraan Permintaan yang lalu

α = Konstanta Eksponensial

Dt-1 = Permintaan Nyata

E. Teknik Perkiraan Ramalan Hubungan Kasual

Model / metode kausal (causal/explanatory model), mengasumsikan variabel

yang diramalkan menunjukkan adanya hubungan sebab akibat dengan satu atau
beberapa variabel bebas (independent variable).

Casual model (model sebab akibat) model peramalan yang

mempertimbangkan variabel-variabel atau vaktor-vaktor yang bisa mempengaruhi
jumlah yang sedang diramalkan. Atau lebih mudahnya bahwa Metode ini
menggunakan pendekatan sebab-akibat, dan bertujuan untuk meramalkan keadaan
di masa yang akan datang dengan menemukan dan mengukur beberapa variabel
bebas (independen) yang penting beserta pengaruhnya terhadap variabel tidak
bebas yang akan diramalkan. Pada metode kausal terdapat tiga kelompok metode
yang sering dipakai :
Metoda regresi dan korelasi memakai teknik kuadrat terkecil (least square).
Metoda ini sering digunakan untuk prediksi jangka pendek. Contohnya:
meramalkan hubungan jumlah kredit yang diberikan dengan giro, deposito dan
tabungan masyarakat.

Metoda ekonometri berdasarkan pada persamaan regresi yang didekati secara

simultan. Metoda ini sering digunakan untuk perencanaan ekonomi nasional
dalam jangka pendek maupun jangka panjang. Contohnya: meramalkan besarnya
indikator moneter buat beberapa tahun ke depan, hal ini sering dilakukan pihak BI
tiap tahunnya.

Metoda input output biasa digunakan untuk perencanaan ekonomi nasional jangka
panjang. Contohnya: meramalkan pertumbuhan ekonomi seperti pertumbuhan
domestik bruto (PDB) untuk beberapa periode tahun ke depan 5-10 tahun
mendatang. Tahapan perancangan peramalan Secara ringkas terdapat tiga tahapan
yang harus dilalui dalam perancangan suatu metoda peramalan, yaitu :

– Melakukan analisa pada data masa lampau. Langkah ini bertujuan untuk
mendapatkan gambaran pola dari data bersangkutan.

– Memilih metoda yang akan digunakan. Terdapat bermacam-macam metoda

yang tersedia dengan keperluannya. Metoda yang berlainan akan menghasilkan
sistem prediksi yang berbeda pula untuk data yang sama. Secara umum dapat
dikatakan bahwa metoda yang berhasil adalah metoda yang menghasilkan
penyimpangan (error) sekecilkecilnya antara hasil prediksi dengan kenyataan
yang terjadi.
– Proses transformasi dari data masa lampau dengan menggunakan metoda
yang dipilih. Kalau diperlukan, diadakan perubahan sesuai kebutuhannya

F. Kejituan Prakiraan Ramalan

Dalam mencapai tujuan prakiraan ramaln yang jitu dan baik, prakiraan
tersebut harus akurat dan sesuai dengan kenyataan yang sedang terjadi di
lapangan. Dalam penulisan prakiraan ramaln dituis secara tertulis dan dapat
dipercaya. Ada beberapa langkah juga dalam menentukan prakiraan ramlan agar
dapat tetap sasaran.

1. Mengevaluasi dan menganalisis data yang sesuai

Langkah ini melibatkan identifikasi data apa yang diperlukan dan data apa
saja yang tersedia. Pengidentifikasian data ini akan berdampak pada
pemilihan metode peramalan nanti. Misalnya, jika kita ingin meramalkan
jumlah penjualan pada suatu produk baru, mungkin kita tidak memiliki
data historis penjualan.
2. Memilih dan menguji metode peramalan.
Setelah data dievaluasi, langkah selanjutnya adalah memilih dan
menentukan model atau metode peramalan yang tepat. Umumnya, Metode
Peramalan yang dipilih adalah metode yang telah mempertimbangkan
faktor-faktor seperti biaya dan kemudahan penggunaannya. Selain itu, satu
faktor yang terpenting adalah faktor keakuratan peramalan. Cara yang
paling umum adalah dengan mencari dua atau tiga metode yang terbaik
kemudian mengujinya pada data historis untuk melihat metode atau model
forecasting mana yang paling akurat.
3. Memantau keakurasian peramalan
kita harus mencatat apa yang sebenarnya terjadi (aktual) dan kemudian
menggunakan informasi tersebut untuk memantau keakurasian peramalan
kita. Perlu diketahui bahwa metode peramalan yang terbaik pada masa lalu
belum tentu bisa memberikan hasil yang terbaik untuk masa depan. Oleh
karena itu, kita harus selalu bersiap-siap untuk merevisi metode peramalan
kita seiring dengan perubahan data kita.
 BAB III
PENUTUP

Teknik-teknik prakiraan ramalan terbagi menjadi 5. Pertama yaitu teknik

dekomposisi deret waktu adalah Teknik dekomposisi yang berusaha memisahkan
suatu data deret waktu menjadi beberapa pola dan mengidentifikasi masing-
masing komponen dari deret waktu tersebut secara terpisah. Teknik dekomposisi
deret waktu memiliki beberapa macam, yaitu pola trend, pola musim (seasonal),
pola siklis (cycle), dan pola horizontal. Kedua yaitu teknik ramalan tren linier,
yaitu Trend adalah pergerakan jangka panjang dalam suatu kurun waktu yang
kadang-kadang dapat digambarkan dengan garis lurus atau kurva mulus. Deret
waktu untuk bisnis dan ekonomi, yang terbaik adalah untuk melihat trend (atau
trend-siklus) sebagai perubahan dengan halus dari waktu ke waktu. Ketiga yaitu
teknik ramalan rata-rata bergerak adalah metode peramalan yang menghitung rata-
rata suatu nilai runtut waktu dan kemudian digunakan untuk memperkirakan nilai
pada periode selanjutnya. Keempat yaitu teknik ramalan exponential smoothing
ialah suatu metode peramalan rata-rata bergerak yang memberikan bobot secara
eksponensial atau bertingkat pada data-data terbarunya sehingga data-data terbaru
tersebut akan mendapatkan bobot yang lebih besar. Kelima sistem ramalan
hubungan kasual ialah menggunakan pendekatan sebab-akibat, dan bertujuan
untuk meramalkan keadaan di masa yang akan datang dengan menemukan dan
mengukur beberapa variabel bebas (independen) yang penting beserta
pengaruhnya terhadap variabel tidak bebas yang akan diramalkan.

Kejituan teknik prakiraan ramalan secara singkat dapat dilihat dari

beberapa unsur, yaitu ramaln disusun dengan tepat waktu dan tanggap terhadap
informasi yang terkait dan juga akurat dan bersifat nyata.