MAKALAH PERAMALAN

Disusun oleh :
1. Nurul Aini (16310375)
2. Mustika Dewi (16310467)
3. Miftakhul Ardi A. (16310404)
4. Sufi Ismiati N. (16310396)
5. Yolanda C. Mahda (16310390)
6. Lilis Hidayati (16310009)
7. Lovita Ayuningrum (16310416)
8. Diky Nur Afiyan (16310429)
9. Muhammad Jefri G. (14310527)

Dosen Pengampuh Mata Kuliah Manajemen Operasional:

Kusuma Adi Rahardjo, M.pd

PROGRAM STUDI AKUNTANSI

STIE MAHARDHIKA SURABAYA
2018
 KATA PENGANTAR

Assalamualaikum Wr. Wb

Puji dan syukur Kami panjatkan kehadirat Tuhan Yang Maha Esa
karena berkat limpahan Rahmat dan Karunia-Nya sehingga Kami dapat
menyusun makalah yang berjudul Peramalan ini untuk memenuhi tugas
mata kuliah Manajemen Operasional. Atas dukungan moral dan materi
yang diberikan dalam penyusunan makalah ini, maka Kami mengucapkan
banyak terima kasih kepada :
1. Bpk. Kusuma Adi Rahardjo, M.pd selaku dosen pengampuh mata
kuliah Manajemen Operasional, yang memberikan bimbingan,
saran, dan ide kepada Kami.
2. Semua rekan yang telah berkontribusi dengan memberikan
sumbangsih baik materi maupun pikiran.

Saya berharap makalah ini dapat berguna dalam rangka menambah

wawasan serta pengetahuan kita mengenai Peramalan dalam mata kuliah
Manajemen Operasional. Kami juga menyadari sepenuhnya bahwa
makalah ini belumlah sempurna. Oleh karena itu, Kami berharap adanya
kritik dan saran dari berbagai pihak sangat diharapkan. Mengingat tidak
ada sesuatu yang sempurna tanpa sarana yang membangun. Akhir kata,
Kami berharap semoga hasil makalah ini bermanfaat.

Wassalamu’alaikum Wr. Wb

1
 DAFTAR ISI

Kata Pengantar ………………….....…………………………………………………….

1
Daftar Isi ………………………......…………………………………………………..…
2
BAB I Pendahuluan
1. Latar Belakang ………….....…………………………………………………….
3
2. Rumusan Masalah ………....……………………………………………………
4
3. Maksud dan Tujuan ....................................................................................
4
BAB II Pembahasan
A. Pengertian Peramalan (forecasting) …...………...........………………………
5
B. Meramalkan Horizon Waktu .................................................................. 5
C. Faktor Lain yang Harus Dipertimbangkan Saat Membuat Peramalan
Penjualan ....................................................................................................
6
D. Jenis-Jenis Peramalan .........................................................................…...
7
E. Kepentinngan Strategis Peramalan ............................................................
7
F. Tujuh Langkah Sistem Peramalan ..............................................................
8
G. Berbagai Pendekatan Dalam Peramalan
....................................................10
H. Memantau dan Mengendalikan Peramalan
.................................................23
I. Peramalan Pada Sektor Jasa
.....................................................................27
BAB III Penutup

2
 Kesimpulan ………………………………......……….
………………………….28
Daftar Pustaka ……………………………………......…………………………………
29

BAB I
PENDAHULUAN

1. Latar Belakang
Peramalan (forecasting) adalah seni dan ilmu untuk memperkirakan
kejadian di masa depan. Hal ini dapat dilakukan dengan melibatkan pengambilan
data historisdan memproyeksikannya ke masa mendatang dengan suatu bentuk
model matematis. Hal ini bisa juga merupakan prediksi intuisi yang bersifat
subjektif. Hal ini pun dapat dilakukan dengan menggunakan kombinasi model
matematis yang disesuaikan dengan pertimbangan yang baik dari seorang
manajer.

Sesuatu yang berjalan dengan baik di suatu perusahaan pada suatu set
kondisi tertentu mungkin bisa menjadi bencana bagi organisasi lain, bahkan pada
departemen yang berbeda di perusahaan yang sama. Selain itu, anda akan
melihat keterbatasan dari apa yang dapat anda harapkan dari suatu peramalan.
Peramalan sangat jarang memberikan hasil yang sempurna. Peramalan juga
menghabiskan  banyak biaya dan waktu untuk dipersiapkan dan diawasi.

3
 Hanya sedikit bisnis yang dapat menghindari proses peramalan dan
hanya menunggu apa yang terjadi untuk kemudian mengambil kesempatan.
Perencanaan yang efektif baik untuk jangka panjang maupun pendek bergantung
pada peramalan permintaan untuk produk perusahaan tersebut.

Tujuan peramalan adalah untuk meredam ketidakpastian, sehingga

diperoleh suatu perkiraan yang mendekati keadaan yang sebenarnya.
Peramalan tidak akan pernah “perfect”, tetapi meskipun demikian hasil
peramalan akan memberikan arahan bagi suatu perencanaan. Suatu
perusahaan  biasanya menggunakan prosedur tiga tahap untuk sampai pada
peramalan penjualan, yaitu diawali dengan melakukan peramalan lingkungan,
diikuti dengan peramalan penjualan industri, dan diakhiri dengan peramalan
penjualan perusahaan.

2. Rumusan Masalah
a. Apa yang dimaksud dengan peramalan (forecasting)?
b. Apa sajakah kategori dalam meramalkan berdasarkan horizon waktu?
c. Faktor lain apa yang harus dipertimbangkan saat membuat peramalan
penjualan ?
d. Apa saja jenis-jenis peramalan?
e. Mengapa strategis peramalan dianggap penting?
f. Apa saja tujuh langkah sistem peramalan?
g. Apa saja yang termasuk pendekatan dalam peramalan?
h. Bagaimana cara memantau dan mengendalikan ramalan?
i. Bagaimana peramalan dalam sektor jasa itu?

3. Maksud dan Tujuan

a. Untuk memahami definisi Peramalan (forecasting). 
b. Untuk mengetahui kategori dalam meramalkan berdasarkan horizon
waktu.
c. Untuk mengetahui faktor lain yang harus dipertimbangkan saat
membuat peramalan penjualan.
d. Untuk mengetahuijenis-jenis peramalan.
e. Untuk mengetahui kepentingan strategis peramalan.

4
 f. Untuk mengetahui tujuh langkah sistem peramalan.
g. Untuk mengetahui berbagai pendekatan dalam peramalan.
h. Untuk Mengetahui cara memantau dan mengendalikan peramalan.
i. Untuk mengetahui peramalan dalam sektor jasa.

BAB II

PEMBAHASAN

A. Pengertian Peramalan (Forecasting)

Peramalan (forecasting) adalah seni dan ilmu untuk memperkirakan
kejadian di masa depan. Hal ini dapat dilakukan dengan melibatkan
pengambilan data historis dan memproyeksikannya ke masa mendatang
dengan suatu bentuk model matematis. Hal ini bisa juga merupakan prediksi
intuisi yang bersifat subjektif. Hal ini pun dapat dilakukan dengan
menggunakan kombinasi model matematis yang disesuaikan dengan
pertimbangan yang baik dari seorang manajer.

B. Meramalkan Horizon Waktu

Horizon waktu terbagi menjadi beberapa kategori :
1. Peramalan jangka pendek, peramalan ini meliputi jangka waktu hingga
satu tahun, tetapi umumnya kurang dari 3 bulan. Peramalan ini

5
 digunakan untuk merencanakan pembelian, penjadwalan kerja, jumlah
tenaga kerja, penugasan kerja, dan tingkat produksi.
2. Peramalan jangka menengah, umumnya mencakup hitungan bulan
hingga 3 tahun. Peramalan ini digunakan untuk merencanakan
penjualan, perencanaan dan anggaran produksi, anggaran kas.
3. Peramalan jangka panjang, umumnya untuk perencanaan masa tiga
tahun atau lebih. Peramalan ini digunakan untuk merencanakan produk
baru, pembelanjaan modal, lokasi atau pengembangan fasilitas, serta
penelitian dan pengembangan (litbang).

Peramalan jangka menengah dan jangka panjang dapat dibedakan dari

peramalan jangka pendek dengan melihat 3 hal :
1. Peramalan jangka menengah dan jangka panjang berkaitan dengan
permasalahan yang lebih menyeluruh dan mendukung keputusan
manajemen yang berkaitan dengan perencanaan produk, pabrik, dan
proses. Menetapkan keputusan akan fasilitas, seperti misalnya
keputusan seorang manajer umum untuk membuka pabrik manufaktur
baru di Brazil dapat memerlukan waktu 5 – 8 tahun sejak permulaan
hingga benar-benar selesai secara tuntas.
2. Peramalan jangka pendek biasanya menerapkan metodologi yang
berbeda dibandingkan peramalan jangka panjang. Teknik matematika,
seperti rata-rata bergerak, penghalusan eksponensial, dan ekstrapolasi
tren umumnya dikenal untuk peramalan jangka pendek. Metode
kuantitatif yang lebih luas dan lebih tidak kuantitatif sangatlah
bermanfaat dalam meramalkan isu-isu seperti apakah suatu produk baru
seperti perekam cakram optik perlu dimasukkan dalam lini produk
perusahaan.
3. Peramalan jangka pendek cenderung lebih tepat dibandingkan
peramalan jangka panjang. Faktor-faktor yang mempengaruhi
perubahan permintaan berubah setiap hari. Dengan demikian, sejalan
dengan semakin panjangnya horizon waktu, ketepatan peramalan
seseorang cenderung semakin berkurang. Peramalan penjualan harus
diperbarui secara berkala untuk menjaga nilai dan integritasnya.
Peramalan harus selalu dikaji ulang dan direvisi pada setiap akhir
periode penjualan.

6
C. Faktor Lain Yang Harus Dipertimbangkan Saat Membuat Peramalan
Penjualan
Faktor lain yang harus dipertimbangkan saat membuat peramalan
penjualan, terutama peramalan penjualan jangka panjang adalah siklus
hidup produk. Penjualan produk bahkan jasa tidak terjadi pada tingkat yang
konstan sepanjang hidupnya. Hampir semua produk yang berhasil melalui
empat tahapan perkenalan, pertumbuhan, kematangan, dan penurunan.

Produk dalam dua tahapan pertama siklus produk (seperti virtual reality
dan TV LCD) membutuhkan peramalan yang lebih panjang daripada produk
yang berada pada tahapan matang dan penurunan (seperti disket 3½ inchi
dan skateboard). Peramalan yang menggambarkan siklus hidup berguna
dalam memproyeksikan tingkat penempatan pekerja yang berbeda-beda,
penentuan tingkat persediaan dan kapasitas pabrik sepanjang produk
melewati tahapan awal hingga akhir.

D. Jenis-Jenis Peramalan
Pada umumnya, berbagai organisasi menggunakan 3 jenis peramalan
yang utama dalam perencanaan operasi di masa depan :
1. Peramalan ekonomi, menjelaskan siklus bisnis dengan
memprediksikan tingkat inflasi, ketersediaan uang, dana yang
dibutuhkan untuk membangun perumahan, dan indikator perencanaan
lainnya.
2. Peramalan teknologi, memperhatikan tingkat kemajuan teknologi yang
dapat meluncurkan produk baru yang menarik yang membutuhkan
pabrik dan peralatan baru.
3. Peramalan permintaan, 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.

7
 Peramalan ekonomi dan teknologi adalah teknik khusus yang mungkin
bukan termasuk bagian dari tugas manajer operasi. Karena itu, penekanan
pada buku ini adalah pada peramalan permintaan.

E. Kepentingan Strategis Peramalan

Peramalan yang baik sangatlah penting dalam semua aspek bisnis.
Peramalan merupakan satu-satunya prediksi mengenai permintaan hingga
permintaan yang sebenarnya diketahui. Peramalan permintaan
mengendalikan keputusan di banyak bidang. Berikut dampak peramalan
produk pada tiga aktivitas :
1. Sumber Daya Manusia
Mempekerjakan, melatih, dan memberhentikan pekerja
bergantung pada permintaan. Jika departemen SDM harus
mempekerjakan pekerja tambahan tanpa adanya persiapan, akibatnya
kualitas pelatihan menurun dan kualitas pekerja juga menurun.
Contohnya sebuah perusahaan kimia besar di Louisiana hampir
kehilangan konsumen terbesarnya saat melakukan ekspansi cepat yang
memberlakukan giliran kerja tanpa henti 24 jam yang mengakibatkan
rendahnya pengendalian kualitas pada giliran kerja kedua dan ketiga.
2. Kapasitas
Saat kapasitas tidak mencukupi, kekurangan yang diakibatkannya
bisa berarti tidak terjaminnya pengiriman, kehilangan konsumen, dan
kehilangan pangsa pasar. Contohnya terjadi pada Nabisco saat ia
melakukan kesalahan dengan menghitung terlalu rendah permintaan
untuk biskuit baru bernama Snackwell Devil’s Food yang rendah kalori
yang ternyata permintaannya sangat besar. Dengan bekerja lembur,
Nabisco bahkan tidak bisa memenuhi permintaan dan kehilangan
konsumennya. Namun, jika kapasitas dibangun berlebihan, biayanya
dapat melonjak tajam.
3. Manajemen Rantai Pasokan
Hubungan yang baik dengan pemasok, serta harga barang dan
komponen yang bersaing bergantung pada peramalan yang akurat.
Contohnya manufaktur pembuat mobil yang menginginkan TRW Corp.
menjamin ketersediaan kantong udara (airbag) yang cukup, harus
menyediakan ramalan yang akurat untuk membenarkan ekspansi pabrik

8
 TRW. Dalam pasar global, di mana komponen mahal untuk jet Boeing
777 dibuat di lusinan negara, koordinasi yang dikendalikan oleh
peramalan sangat penting. Penjadwalan transportasi ke Seattle untuk
perakitan akhir pada biaya serendah mungkin berarti tidak ada kejutan
tiba-tiba di akhir waktu yang akan menurunkan margin keuntungan yang
sudah rendah.

F. Tujuh Langkah Sistem Peramalan

Peramalan terdiri atas tujuh langkah dasar, sebagai contoh Disney World
merupakan fokus profil perusahaan global :
1. Menetapkan tujuan peramalan. Disney menggunakan peramalan
pengunjung untuk mengendalikan jumlah pekerja, jam buka taman
hiburan, ketersediaan wahana, dan banyaknya makanan yang
disediakan.
2. Memilih unsur yang akan diramalkan. Disney memiliki enam taman
hiburan utama. Peramalan jumlah pengunjung harian dari setiap taman
adalah angka utama yang menentukan jumlah pekerja, perawatan, dan
penjadwalan.
3. Menentukan horizon waktu peramalan. Apakah ini merupakan
peramalan jangka pendek, menengah, atau jangka panjang? Disney
menyusun prediksi penjualan harian, mingguan, bulanan, tahunan, dan
lima tahunan.
4. Memilih jenis model peramalan. Disney menggunakan beragam
model statistik yang akan dibahas sekarang, termasuk rata-rata
bergerak, penghalusan eksponensial, dan analisis regresi. Selain itu,
Disney juga menggunakan model dengan penilaian subjektif atau
nonkuantitatif.
5. Mengumpulkan data yang diperlukan untuk melakukan peramalan.
Tim peramalan Disney mempekerjakan 35 orang analis dan 70 orang
staf lapangan untuk melakukan survei terhadap 1 juta orang/perusahaan
per tahun. Disney juga menggunakan jasa perusahaan Global Insights
untuk membuat peramalan perjalanan kalangan industri dan
mengumpulkan data mengenai nilai tukar, jumlah pengunjung yang
memasuki Amerika Serikat, tarif khusus maskapai penerbangan, tren
Wall Street, dan jadwal liburan sekolah.

9
 6. Membuat peramalan.
7. Memvalidasi dan menerapkan hasil peramalan. Di Disney,
pengkajian terhadap peramalan dilakukan setiap hari. Pengkajian
dilakukan untuk memastikan model, asumsi, dan data yang digunakan
sudah valid. Perhitungan kesalahan dilakukan kemudian, peramalan
digunakan untuk menjadwalkan bahan, peralatan, dan pekerja pada
setiap pabrik.

Tujuh langkah ini menyajikan jalan yang sistematis untuk memulai,

merancang, dan menerapkan sistem peramalan. Apabila sistem tersebut
digunakan untuk menghasilkan ramalan berkala, maka data harus
dikumpulkan secara rutin. Kemudian, perhitungan aktualnya dibuat dengan
bantuan komputer.
Terlepas dari sistem yang digunakan oleh perusahaan seperti Disney,
setiap perusahaan menghadapi beberapa kenyataan :
1. Jarang ada peramalan yang sempurna. Hal ini berarti faktor luar yang
tidak dapat kita duga atau kendalikan sering memengaruhi peramalan.
Perusahaan harus memberikan kelonggaran untuk kenyataan ini.
2. Hampir semua teknik peramalan mengasumsikan sistem akan tetap
stabil. Oleh karena itu, beberapa perusahaan membuat peramalan,
serta hanya mengawasi produk yang mempunyai permintaan tidak
menentu.
3. Peramalan kelompok produk dan peramalan secara keseluruhan lebih
akurat daripada peramalan produk individu. Contohnya, Disney
melakukan peramalan melalui pengelompokan peramalan pengunjung
taman hiburan harian. Pendekatan ini menolong menyeimbangkan
prediksi yang mungkin kurang atau berlebih untuk keenam taman
hiburan Disney.

G. Berbagai Pendekatan Dalam Peramalan

Terdapat dua pendekatan umum untuk peramalan sebagaimana ada dua
cara mengatasi semua model keputusan yaitu peramalan kuantitatif dan
peramalan kualitatif. Peramalan kuantitatif menggunakan model matematis
yang beragam dengan data masa lalu dan variabel sebab-akibat untuk
meramalkan permintaan, sedangkan peramalan kualitatif menggabungkan

10
faktor seperti intuisi, emosi, pengalaman pribadi, dan sistem nilai pengambil
keputusan untuk meramal.
 Gambaran Umum Metode Kualitatif, empat teknik peramalan kualitatif
yang berbeda.
1. Juri dari opini eksekutif. Dalam metode ini, pendapat sekumpulan
kecil manajer atau pakar tingkat tinggi umumnya digabungkan dengan
model statistik, dikumpulkan untuk mendapatkan prediksi permintaan
kelompok. Contohnya Bristol-Meyers Squibb menggunakan 220
ilmuwan terkenal sebagai pendapat juri eksekutif untuk mendapatkan
tren masa depan di bidang penelitian medis.
2. Metode Delphi. Ada 3 jenis partisipan dalam metode Delphi yaitu
pengambil keputusan, karyawan, dan responden. Pengambil
keputusan biasanya terdiri atas 5-10 orang pakar yang akan
melakukan peramalan. Karyawan membantu pengambil keputusan
dengan menyiapkan, menyebarkan, mengumpulkan, serta meringkas
sejumlah kuesioner dan hasil survei. Responden adalah sekelompok
orang yang biasanya ditempatkan di tempat yang berbeda di mana
penilaian dilakukan. Kelompok ini memberikan input pada pengambil
keputusan sebelum peramalah dibuat.
3. Komposit tenaga penjualan. Dalam pendekatan ini, setiap tenaga
penjualan memperkirakan berapa penjualan yang dapat ia capai dalam
wilayahnya. Kemudian, peramalan ini dikaji untuk memastikan apakah
peramalan cukup realistis. Kemudian, peramalan tersebut
digabungkan pada tingkat wilayah dan nasional untuk mendapatkan
peramalan secara keseluruhan.
4. Survei pasar konsumen. Metode ini meminta input dari konsumen
mengenai rencana pembelian mereka di masa depan. Hal ini tidak
hanya membantu dalam menyiapkan peramalan, tetapi juga
memperbaiki desain produk dan perencanaan produk baru. Survei
konsumen dan gabungan tenaga penjualan bisa jadi tidak benar
karena peramalan yang berasal dari input konsumen yang terlalu
optimis. Hancurnya industri telekomunikasi di tahun 2001 merupakan
hasil ekspansi berlebihan untuk memenuhi “ledakan permintaan
konsumen”. Dari manakah data ini berasal? Oplink Communications,
pemasok Nortel Network, mengatakan, “Beberapa tahun terakhir,

11
 peramalan perusahaan hanya didasarkan pada percakapan informal
dengan para konsumen”.

 Gambaran Umum Metode Kuantitatif

Bab ini menjelaskan lima metode peramalan yang menggunakan data
historis. Kelima metode ini dibagi ke dalam dua kategori :
1. Model Deret-Waktu, membuat prediksi dengan asumsi bahwa masa
depan merupakan fungsi dari masa lalu. Dengan kata lain, mereka
melihat apa yang terjadi selama kurun waktu tertentu dan
menggunakan data masa lalu tersebut untuk melakukan peramalan.
Contohnya, penjualan mingguan.

Menganalisis deret-waktu berarti membagi data masa lalu menjadi

komponen-komponen, kemudian memproyeksikannya ke masa depan.
Deret waktu mempunyai empat komponen :
1. Tren merupakan pergerakan data sedikit demi sedikit meningkat
atau menurun. Perubahan pendapatan, populasi, penyebaran umur,
pandangan budaya dapat memengaruhi pergerakan tren.
2. Musim adalah pola data yang berulang pada kurun waktu tertentu,
seperti hari, minggu, bulan, atau kuartal.
3. Siklus adalah pola dalam data yang terjadi setiap beberapa tahun.
Siklus ini biasanya terkait pada siklus bisnis dan merupakan satu
hal penting dalam analisis dan perencanaan bisnis jangka pendek.
Memprediksi siklus bisnis sulit dilakukan karena adanya pengaruh
kejadian politik atau kerusuhan internasional.
4. Variasi acak merupakan satu titik khusus dalam data yang
disebabkan oleh peluang dan situasi yang tidak lazim. Variasi acak
tidak mempunyai pola khusus sehingga tidak dapat diprediksi.

Model deret-waktu terbagi 4 metode :

 Pendekatan Naif, yaitu teknik peramalan yang mengasumsikan
permintaan periode berikutnya sama dengan permintaan pada
periode terakhir.
 Rata-Rata Bergerak, yaitu suatu metode peramalan yang
menggunakan n rata-rata periode terakhir data untuk meramalkan

12
periode berikutnya. Rata-rata bergerak berguna jika kita dapat
mengasumsikan bahwa permintaan pasar akan stabil sepanjang
masa yang kita ramalkan. Rata-rata bergerak ada 2 jenis yaitu :
1. Rata-Rata Bergerak Sederhana, berikut ini merupakan
rumusnya:

Rata-rata bergerak =
∑ Permintaan dalam periode sebelumnya
n

n adalah jumlah periode dalam rata-rata bergerak.

Contoh : Donna’s Garden Supply membutuhkan peramalan rata-

rata bergerak 3 bulanan, termasuk peramalan penjualan Januari
mendatang.

Bulan Penjualan Rata-rata Bergerak Tiga

Aktual Bulanan
Januari 10
Februari 12
Maret 13
2
April 16 (10 + 12 + 13)/3 = 11
3
2
Mei 19 (12 + 13 + 16)/3 = 13
3
Juni 23 (13 + 16 + 19)/3 = 16
1
Juli 26 (16 + 19 + 23)/3 = 19
3
2
Agustus 30 (19 + 23 + 26)/3 = 22
3
September 28 1
(23 + 26 + 30)/3 = 26
3
Oktober 18 (26 + 30 + 28)/3 = 28
1
November 16 (30 + 28 + 18)/3 = 25
3
2
Desember 14 (28 + 18 + 16)/3 = 20
3

Jadi, peramalan untuk bulan januari adalah (18 + 16 + 14)/3 = 16

13
 2. Rata-Rata Bergerak Tertimbang (Weight Moving Average),
berikut ini merupakan rumusnya :

WMA =
∑ ( Bobot periode n ) ( Permintaan dalam periode n)
∑ Bobot

Contoh : Donna’s Garden Supply memutuskan untuk

meramalkan penjualan alat pemotong rumput dengan
memberikan bobot pada tiga bulan terakhir sebagai berikut.
Bobot yang Diberikan Periode
3 Bulan lalu
2 Dua bulan lalu
1 Tiga bulan lalu
6 Jumlah total bobot

Ramalan untuk bulan ini adalah :

3× Penjualanbln lalu+2 × Penjualan 2bln lalu+ 1× Penjualan 3 bln lalu

Jumla h pembobo tan

Bulan Penjualan Rata-rata Bergerak Tiga

Aktual Bulanan
Januari 10
Februari 12
Maret 13
[(3×13) + (2 × 12) + (10)]/6 =
April 16
1
12
6
[(3 × 16) + (2 × 13) + (12)]/6 =
Mei 19
1
14
3
Juni 23 [(3 × 19) + (2 × 16) + (13)]/6 =
17
[(3 × 23) + (2 × 19) + (16)]/6 =
Juli 26
1
20
2
Agustus 30 [(3 × 26) + (2 × 23) + (19)]/6 =

14
 5
23
6
September 28 [(3 × 30) + (2 × 26) + (23)]/6 =

1
27
2
[(3 × 28) + (2 × 30) + (26)]/6 =
Oktober 18
1
28
3
[(3 × 18) + (2 × 28) + (30)]/6 =
November 16
1
23
3
[(3 × 16) + (2 × 18) + (28)]/6 =
Desember 14
2
18
3

Baik rata-rata bergerak sederhana maupun rata-rata bergerak

tertimbang sangat efektif dalam meredam fluktuasi pada pola
permintaan untuk menghasilkan prediksi yang stabil. Rata-rata
bergerak mempunyai tiga persoalan :
1. Bertambahnya jumlah n (jumlah periode yang dirata-ratakan)
memang meredam fluktuasi dengan lebih baik, tetapi membuat
metode ini kurang sensitif terhadap perubahan nyata pada data.
2. Rata-rata bergerak tidak dapat menggambarkan tren dengan
baik. Karena merupakan rata-rata, mereka akan selalu berada
dalam tingkat yang sebelumnya dan tidak akan memprediksikan
perubahan ke tingkat yang lebih tinggi atau lebih rendah yang
merupakan nilai aktual sesungguhnya.
3. Rata-rata bergerak membutuhkan data masa lalu yang ekstensif.

 Penghalusan Eksponensial merupakan metode peramalan rata-rata

bergerak dengan pembobotan yang canggih, tetapi masih mudah
digunakan. Metode ini menggunakan pencatatan data masa lalu
yang sangat sedikit. Rumus penghalusan eksponensial dasar
sebagai berikut :

15
Peramalan baru = Peramalan periode terakhir + α (permintaan
sebenarnya periode terakhir – Peramalan periode terakhir)

35

30

25

20
Penjualan Aktual
15 Rata-Rata Bergerak
Rata-Rata Bergerak
10 Tertimbang

0
n b r r i i li t t t v s
Ja Fe Ma Ap Me Jun Ju gus Sep Ok No De
A

F t = F t−1 + α ¿ )

di mana :
Ft = peramalan baru
F t−1 = peramalan sebelumnya
a = konstanta penghalusan (pembobotan) (0≤ α ≤1)
At −1 = permintaan aktual periode lalu

Menentukan peramalan melalui penghalusan eksponensial

Pada bulan Januari, seorang penjual mobil memprediksi

permintaan Ford Mustang di bulan Februari sebanyak 142 mobil.
Permintaan aktual bulan Februari adalah 153 mobil. Dengan
menggunakan konstanta penghalusan yang dipilih oleh pihak
manajemen, α = 0,20. Kita dapat meramalkan permintaan di bulan
Maret dengan menggunakan model penghalusan eksponensial.

Solusi :
F t = F t−1 + α ¿ )

16
 = 142 + 0,2 (153 – 142)
= 142 + 2,2
= 144,2

Jadi, peramalan permintaan bulan Maret untuk Ford Mustang

dibulatkan menjadi 144.

 Proyeksi Tren, teknik ini mencocokkan garis tren pada serangkaian

data masa lalu, kemudian memproyeksikan garis pada masa datang
untuk peramalan jangka menengah atau jangka panjang. Beberapa
persamaan tren matematis dapat dikembangkan (contohnya,
eksponensial atau kuadratis). Pada bab ini, kita akan melihat pada
tren linier (garis lurus). Jika kita memutuskan untuk membuat garis
tren lurus dengan metode statistik, kita dapat menerapkan metode
kuadrat terkecil.
Berikut di bawah ini merupakan persamaan garis kuadrat terkecil :
^y =a+bx

di mana :
^y = nilai terhitung dari variabel yang akan diprediksi (disebut
variabel terikat),
a = persilangan sumbu y
b = kemiringan garis regresi (atau tingkat perubahan pada y untuk
perubahan yang terjadi di x
x = variabel bebas (waktu)

Para pakar statistik telah membuat persamaan yang dapat kita

gunakan untuk menemukan nilai a dan b untuk setiap garis regresi.
Kemiringan b ditemukan dengan :

b=
∑ xy−n x́ ý
∑ x 2−n x́ 2
di mana :
b = kemiringan garis regresi
Ʃ = tanda penjumlahan total

17
x = nilai variabel bebas yang diketahui
y = nilai variabel terkait yang diketahui

Kita dapat menghitung titik potong sumbu y , a , sebagai berikut.

α = ý −b x́

Melakukan Peramalan Dengan Kuadrat Terkecil

Permintaan daya listrik pada N.Y. Edison selama periode 2001 –

2007 ditunjukkan pada tabel di bawah dalam satuan megawatt.
Berapa peramalan permintaan tahun 2008 dengan menempatkan
satu tren garis lurus yang paling sesuai pada data berikut.

Tahun Permintaan Daya Listrik

2001 74
2002 79
2003 80
2004 90
2005 105
2006 142
2007 122

Solusi :
Permintaan
Periode
Tahun Daya Listrik ( x2 xy
Waktu ( x )
y)
2001 1 74 1 74
2002 2 79 4 158
2003 3 80 9 240
2004 4 90 16 360
2005 5 105 25 525
2006 6 142 36 852
2007 7 122 49 854
Ʃ 28 692 140 3.063

x́ =
∑ x = 28 = 4 ý =
∑ y = 692 = 98,86
n 7 n 7

18
 ∑ xy−n x́ ý 3.063−( 7 )( 4 ) (98,86) 295
b= = = = 10,54
∑ x 2−n x́ 2 140−( 7 ) ( 42 ) 28

a = ý−b x́ = 98,86 – 10,54(4) = 56,70

Jadi, persamaan tren kuadrat terkecil adalah = 56,70 + 10,54 x .

Permintaan di tahun 2008 = 56,70 + 10,54(8)
= 141,02 dibulatkan menjadi 141.

Variasi Musiman Pada Data

Variasi musiman pada data adalah pergerakan yang reguler baik

meningkat maupun menurun dalam kurun waktu tertentu yang
terkait dengan kejadian berulang, seperti cuaca atau liburan.
Contohnya, permintaan untuk batu bara dan bahan bakar mencapai
puncaknya saat musim dingin.
Variasi musiman dapat diterapkan dalam pola yang diamati dalam
jam, hari, minggu, bulan, atau pola berulang lainnya. Contoh,
restoran siap saji mengalami waktu sibuknya setiap hari pada
tengah hari dan berulang lagi pada jam lima sore.
Begitu pula, pemahaman variasi musiman sangat penting untuk
perencanaan kapasitas pada suatu organisasi untuk menangani
beban puncak.

2. Metode Peramalan Asosiatif (Analisis Regresi dan Korelasi)

Model Asosiatif (atau hubungan sebab-akibat), seperti regresi linier,
menggabungkan banyak variabel atau faktor yang mungkin
memengaruhi kuantitas yang sedang diramalkan. Contohnya, model
asosiatif dari penjualan mesin pemotong rumput mungkin
memasukkan faktor seperti adanya perumahan baru, anggaran
iklan, dan harga pesaing.

Menggunakan Analisis Regresi untuk Peramalan

19
 Kita dapat menggunakan model matematis yang sama yang kita
gunakan pada metode kuadrat terkecil dari proyeksi tren untuk
melakukan analisis regresi linier. Variabel terikat yang kita
ramalkan akan tetap sama, yaitu
^y =a+bx
Dimana:
^y =¿ nilai variabel terikat (dalam contoh kita adalah penjualan)
a = Perpotongan sumbu y
b = Kemiringan garis regresi
x = Variabel bebas
Contoh:
Menghitung persamaan regresi linier
Nodel Construction merenovasi sejumlah rumah tua di West
Bloomfield, Michigan. Seiring dengan waktu, perusahaan tersebut
mendapati biaya pekerjaan renovasinya bergantung pada tingkat
penghasilan penduduk, yaitu jumlah upah lokal di West
Bloomfield. Manajemen ingin membuat suatu hubungan
matematika untuk membantu meramalkan penjualan.

Penjualan Upah Lokal Penjualan Upah Lokal

Nodel (dalam Nodle (dalam
(dalam miliaran$),x (dalam miliaran$),x
jumlah $),y jutaan$),y
2,0 1 2,0 2
3,0 3 2,0 1
2,5 4 3,5 7

Solusi: Kita dapat menemukan sebuah persamaan matematis

dengan menggunakan pendekatan regresi kuadrat terkecil.
Penjualan,y Upah,x x2 xy
2,0 1 1 2,0
3,0 3 9 9,0
2,5 4 16 10,0
2,0 2 4 4,0
2,0 1 1 2,0
3,5 7 49 24,5
∑ y=15,0 ∑ x =18 ∑ x 2=80 ∑ xy =51,5

20
x́ =
∑ x = 18 = 3
6 16

ý =
∑y 15
= 16 = 2,5
6

b=
∑ xy−n . x́ . ý = 51,5−( 6 )( 3 ) ( 2,5 )
=0,25
∑ x 2−n . x́ 2 80− ( 6 ) ( 32 )

a= ý−b x́ =2,5−( 0,25 )( 3 ) =1,75

Berikut persamaan regresi yang diperkirakan
^y =1,75+ 0,25 x
Atau
Penjualan = 1,75 + 0,25 (upah)
Jika kantor perdagangan lokal memperkirakan upah wilayah West
Bloomfield akan menjadi $6 miliar tahun depan, kita dapat
memperkirakan penjualan Nodel dengan persamaan regresi.
Penjualan ( dalam ratusan ribu ) = 1,75+0,25(6)
= 1,75 + 1,50 = 3,25
Atau
Penjualan = $ 3.250.000
Pemahaman: Dengan asumsi terdapat hubungan garis lurus
antara upah dan penjualan, saat ini, kita telah memiliki indikasi
kemiringan dari hubungan tersebut. Penjualan meningkat dengan
kenaikan satu juta dolar untuk setiap kenaikan upah lokal sebesar
seperempat juta dolar. Ini terjadi karena b=0,25.

Kesalahan Standar Estimasi

Peramalan sebesar $3.250.000 untuk penjualan Nodel

pada perhitungan diatas disebut titik prediksi y . Titik prediksi
adalah retara (mean) atau nilai harapan (expected value) dari
suatu distribusi nilai penjualan yang mungkin.

21
Untuk menghitung akurasi regresiyang diperkirakan, kita harus
menghitung kesalahan standar estimasi, S y , x . Perhitungan ini
disebut standar deviasi regresi yang menghitung kesalahan dari
variabel terikat y , terhadap garis regresi, dan bukan terhadap
retara.

Sy , x = √∑ ¿ ¿ ¿ ¿

Di mana:

y = nilai y untuk setiap titik data

y c = nilai terhitung variabel terikat dari persamaan regresi

n = jumlah data

Koefisien Korelasi Untuk Garis Regresi

Persamaan regresi adalah satu cara untuk menyatakan

hubungan antara dua variabel. Garis regresi bukanlah hubungan
“sebab-akibat”. Garis regresi menjelaskan hubungan antar
variabel. Persamaan regresi menunjukkan bagaimana satu
variabel berhubungan pada nilai dan perubahan pada variabel
lain.

Cara lain untuk mengevaluasi hubungan antara dua

variabel adalah menghitung koefisien korelasi. Ukuran ini
menyatakan derajat atau kekuatan hubungan linier. Biayasnya
diidentifikasi sebagai r . Untuk menghitung r , kita menggunakan
data yang sama yang dibutuhkan sebelumnya untuk menghitung a
dan b untuk garis regresi. Berikut persamaan untuk r.
n ∑ xy −∑ x ∑ y
r= ¿¿

Analisis Regresi Majemuk

22
 Regresi majemuk adalah lanjutan praktis dari model
regresi sederhana. Regresi majemuk dapat kita gunakan untuk
menciptakan sebuah model dengan beberapa variabel bebas,
bukan hanya dengan satu variabel. Sebagai contoh jika Nodel
ingin memasukkan tingkat bungan tahunan rata-rata dalam model
peramaln penjualannya maka persamaan yang tepat adalah
sebagai berikut:
ý=a+b1 x 1+ b2 x 2

ý = variabel terikat, penjualan

a = sebuah konstanta
x 1 dan x 2 = nilai dua variabel bebas berturut-turut, upah
wilayah dan tingkat suku bunga
b 1 dan b2 = koefisien dari dua variabel bebas

Matematika dari regresi majemuk cukup rumit (dan biasanya

dikerjakan menggunakan komputer).

H. Memantau dan Mengendalikan Ramalan

Satu cara mengawasi peramalan berjalan dengan baik adalah
menggunakan sebuah sinyal penelurusan. Sinyal penelusuran adalah sebuah
perhitungan seberapa baik suatu peramalan dalam memprediksi nilai aktual.
Sejalan dengan peramalan yang diperbarui setiap minggu, bulan atau kuartal,
data perintaan baru yang tersedia dibandingkan dengan nilai peramalan.
Sinyal penelusuran dihitung sebagai running sum of the forecast errors
(RSFE) dibagi dengan mean absolute deviation (MAD)
Signal
( Penelusuran )= RSFE
MAD

∑ ( permintaan aktual permintaan peramalan

−¿ Pada periodei pada periode i )
¿
MAD

di mana MAD ¿
∑ |aktual− peramalan|
n

23
 Sinyal Penelusuran positif menandakan permintaan lebih besar dari
ramalan. Sinyal negatif berarti permintaan lebih sedikit dari ramalan. Sinyal
penelusuran yang bagus adalah yang memiliki RSFE rendah, mempuunyai
kesalahan kesalahan positif yang sama dengan kesalahan negatifnya.
Dengan kata lain divisi kecil tidaklah menjadi persoalan. Namun, kesalahn
positif dan negatif harus seimbang satu sama lain dan pusat sinyal
penelusurannya haruslah disekitar nol. Kecenderungan konsisten peramalan
untuk bernilai lebih besar atau lebih kecil dari nilai aktual ( yaitu untuk RSEF
tinggi ) disebut kesalahn bias. Bias dapat terjadi jika variabel atau lini trennya
salah digunakan atau jika indeks musimnya salah diterapkan.
Sinyal penelusuran dihitung dan dibandingkan untuk menetapkan batas
kendali. Saat sinyal penelusuran melebihi batas kendalinatas atau bawah,
ada masalah dengan metode peramalan dan manajemen mungkin harus
mengevaluasi kembali cara mereka meramalkan permintaan.

Contoh: Menghitung sinyal penelusuran di Carlson Bakery

Carlson Bakery ingin mengevaluasi kinerja peramalan untuk penjualan
croissant yang dijualnya.
Pendekatan: Buatlah sinyal penelusuran untuk peramalannya dan perhatikan
apakah sinyal penelusurannya tetap berada dalam batas yang dapat diterima
yang didefinisikan sebagai ±4 MAD

Solusi: Dengan menggunakan peramalannya dan data permintaan untuk

penjualan croissant selama 6 kuartal terakhir, kita buat sinyal penelusurannya
dalam tabel berikut.

Sinyal melebihi batas

Sinyal penelusuran
+ Batas kontrol atas

0 MDS kisaran yang dapat diterima

-
Batas kontrol bawah

24
 Waktu

Kuart Permin Permint Kesala RS Kesalah Kesalah MA Sinyal

al taan aan han FE an an D Penelusu
Aktual Peramal Perama Peramal ran
lan
an an (RSFE/M
Absolut
Absolut AD)
Kumulati
f
1 90 100 -10 -10 10 10 10, -10/10 =
0 -1
2 95 100 -5 -15 5 15 7,5 -15/7,5 =
-2
3 115 100 +15 0 15 30 10, 0/10 =
0 -1
4 100 100 -10 -10 10 40 10, -10/10 =
0 -1
5 125 100 +15 +5 15 55 11, +5/11 =
0 +0,5
6 140 100 +30 +3 30 85 14, +35/14,2
5 2 = +2,5

Pada akhir kurtal 6, MAD =

∑ |Kesala h an peramalan|= 85 = 14,2
n 6

RSFE 35
Dan sinyal penelusuran ¿ = = 2,5 MA D s
MAD 14,2

Pemahaman : Karena sinyal penelusurannya bergerak dari -2 MAD ke +2,5 MA

Ds ( antar 1,6 dan 2,0 standar deviasi), dapat kita simpulkan bahwa sinyal
penelusurannya berada dalam batas yang dapat diterima.

Penghalusan Adaptif

Peramalan adaptif mengacu pada pemantauan sinyal

penelusuran menggunakan komputer serta penyesuaian diri jika suatu

25
sinyal melampaui batas yang ditentukan. Sebagai contoh, saat
menerapkan penghalusan eksponsial, koefisien α dan β dipilih pertama
kali berdasarkan nilai yang dapat meminimalkan kesalahan peramalan,
kemudisn disesuaikan kapan saja komputer mengenali adanya sinyal
penelusuran. Proses ini disebut penghalusan adaptif.

Peramalan Fokus

Alih-alih menyesuaikan diri dengan memilih suatu konstanta

penghalusan, komputer memperbolehkan kita untuk mencoba beberapa
variasi model peramalan. Pendekatan ini disebut peramalan fokus.
Peramalan fokus didasarkan pada dua prinsip.

1. Model peramalan canggih tidak selalu lebih baik daripada model yang
sederhana.
2. Tidak ada satupun teknik yang dapat digunakan untuk semua produk
dan jasa.

Bernard Smith, seorang manajer persediaan pada America

Hardware Supply, mengenalkan istilah peramalan fokus. Pekerjaan Smith
adalah meramalkan jumlah dari 100.000 macam produk yang akan dibeli
oleh 21 pembeli. Ia mendapati pembeli tidak memercayai atau memahami
model penghalusan eksponensial. Malah, mereka menggunakan
pendekatan sendiri yang sangat sederhana. Jadi, Smith membangung
sistem berbasis komputer baru untuk memilih metode peramalan.

Smith memilih tujuh metode peramalan untuk diuji. Metode

peramalan ini bertingkat mulai dari yang sederhana yang biasa digunakan
pembeli (seperti pendekatan naif) hingga model statistik. Setiap bulan,
Smith menerapkan peramalan dengan ketujuh model tersebut pada
setiap produk dalam persediaan. Pada percobaan simulasi ini, nilai
peramalan diambil dari permintaan aktual terkini yang menghasilkan
kesalahan peramalan yang disimulasikan. Metode peramalan yang
memberikan kesalahan terkecil dipilih oleh komputer yang kemudian
digunakan untuk membuat peramalan bulan berikutnya. Walaupun

26
 pembeli masih mampu menolak, American Hardware menganggap
peramalan fokus memberikan hasil yang memuaskan.

I. Peramalan Dalam Sektor Jasa

Peramalan pada sektor jasa mempunyai tantangan yang unik. Teknik utama
pada sektor eceran adalah melihat permintaan dan membuat catatan jangka
pendek yang teliti. Sebagai contoh, tempat potong rambut untuk kaum laki-laki
dapat memperkirakan puncak kesibukan dalam bisnis tersebut adalah pada hari
Jumat dan Sabtu. Oleh karena itu hampir semua tempat potong rambut ditutup
pada hari Minggu dan Senin., serta membutuhkan lebih banyak tenaga kerja
pada hari jumat dan sabtu. Restoran di pusat kota, di sisi lain, mungkin harus
merespon jadwal-jadwal pertemuan besar dan liburan untuk peramalan jangka
pendek yang efektif. Bagian penerapan MO “Peramalan di Pusat Pelayanan
Pelanggan FedEx” memberikan contoh dalam industri sektor jasa yang besar.

Toko eceran khusus seperti toko bunga, mungkin mempunyai pola

permintaan yang unik dan pola berbeda sesuai dengan hari libur. Sebagi contoh,
saat hari Valentine jatuh di akhir pekan, bunga tidak bisa diantarkan ke kantor-
kantor, mereka yang romantis cenderung merayakan hari Valentine ini dengan
berjalan-jalan ke taman atau disuatu tempat udara terbuka daripada
merayakannya dengan saling berkirim bunga. Jika hari libur jatuh pada hari
senin, maka sebagian dari perayaannya mungkin juga berlangsung di akhir
pekan sehingga akan mengurangi penjualan bunga. Walaupun demikian, saat
hari Valentine jatuh ditengah pekan, jadwal tengah pekan yang sibuk sering
menjadikan bunga sebagai cara yang paling mudah untuk merayakannya.

Restoran siap saji sangat peka tidak hanya terhadap variasi permintaan
mingguan, harian, dan jam, tetapi bahkan hingga variasi 15 menitan yang dapat
mempengaruhi penjualan. Karena itu dibutuhkan peramalan permintaan yang
terperinci.

27
 BAB III

PENUTUP

Kesimpulan:

Peramalan adalah bagian penting dari fungsi manajer operasi. Peramalan

permintaan mengarahkan produksi, kapasitas, dan sistem penjadwalan
perusahaan, serta mempengaruhi fungsi keuangan, pemasaran, dan
perencanaan karyawan.

Ada beberapa teknik peramalan kualitatif dan kuantitatif. Pendekatan

kualitatif menggunakan penelitian, pengalaman, perasaan dan faktor lain yang
sulit diukur. Peramalan kuantitatif menggunakan data masa lalu, sebab-akibat,
atau asosiatif untuk diproyeksi pada permintaan dimasa datang.

Tidak ada metode peramalan yang sempurna dalam semua kondisi.

Bahkan, sekali manajemen telah menemukan pendekatan yang memuaskan,
manajemen masih harus terus mengawasi dan mengendalikan peramalan untuk
memastikan kesalahan masih bisa dikendalikan. Peramalan sering memberikan
banyak tantangan, tetapi juga kepuasan yang merupakan bagian dari
pengolahan.

28
 DAFTAR PUSTAKA

Jay Heizer dan Berry Rendar. 2011. Manajemen Operasi,Jakarta: Penerbit

Salemba Empat

29