Modul

Peramalan
2,3 (Forecasting)

Mata Kuliah:
Perencanaan dan Pengendalian Produksi
 Pengertian & Konsep Dasar Peramalan

• Merupakan prediksi tentang apa yang akan terjadi di

masa depan.

• Forecasting merupakan proses yang tidak pasti

(uncertain), dimana tidak mungkin untuk memprediksikan
secara konsisten apa yang akan terjadi di masa depan.

• Strategi perencanaan yang sukses menghendaki

peramalan akurat akan produk dan pasar di masa yang
akan datang.
Akibat Peramalan yang Tidak Akurat
(Inaccurate Forecasting)
 Tujuan Peramalan

• Tujuan Peramalan: meramalkan permintaan di masa yang

akan datang, sehingga diperoleh perkiraan yang mendekati
sebenarnya.
• Horizon waktu peramalan:
– Peramalan jangka panjang, umumnya 2-10 tahun  perenca-
naan produk dan perencanaan sumber daya
– Peramalan jangka menengah, umumnya 1-24 bulan  menen-
tukan aliran kas, perencanaan produksi, perencanaan anggaran
– Peramalan jangka pendek, umumnya 1-5 minggu  untuk
mengambil keputusan perlu tidaknya lembur, penjadwalan kerja
dan lain-lain keputusan kontrol jangka pendek
• Dalam bidang perencanaan dan pengendalian produksi,
peramalan yang difokuskan adalah peramalan permintaan.
 Metode Peramalan

Metode peramalan kualitatif

(Qualitative Forecast Methods)
= Jury of Executive Opinion
Metode subjektif, berdasarkan
judgment, opini, past experience, atau
Metode Peramalan best guesses.
 Contoh : Delphi (menggunakan
serangkaian kuesioner untuk
membangun konsensus peramalan)

Metode peramalan kuantitatif

(Quantitative Forecast Methods)
Berdasarkan pada formula matematika
Contoh : Time Series, Regresi
Bentuk Forecast Movement
 Proses Peramalan

• Mengeplot data historis permintaan

• Menentukan metode peramalan yang
cocok dengan pola data
• Mengukur akurasi peramalan
• Jika peramalan tidak akurat, metode lain
dapat dicoba
 TIME SERIES METHOD

• Merupakan teknik statistik yang menggunakan data

historis pada periode waktu tertentu.

• Metode Time Series mengasumsikan bahwa apa yang

terjadi di masa lalu akan terjadi di masa depan.

• Seperti namanya Time Series, metode ini menghubung-

kan forecast dengan hanya 1 faktor yaitu waktu.

• Termasuk dalam metode ini adalah moving average,

exponential smoothing, linear trend line.
 Naive Method

• Naive Method menggunakan permintaan pada periode

sekarang untuk memprediksi permintaan periode
berikutnya.

• Contoh: jika permintaan minggu ini 100 unit, maka

peramalan untuk minggu depan adalah 100 unit

• Peramalan ini tidak mempertimbangkan perilaku data

historis.
 Moving Average

• Moving Average adalah metode yang menggunakan permintaan

untuk urutan periode yang tetap

Dimana :
Di = demand atau permintaan pada periode ke-i
n = jumlah periode dalam moving average
 Contoh Moving Average

• Diketahui data permintaan sebagai berikut:

• Peramalan untuk bulan Nopember dengan MA3 dan MA5 adalah

 Weighted Moving Average

• Pada Weighted Moving Average, diberikan bobot

terhadap data yang lebih baru.

Dimana :
Wi = bobot pada periode ke-i, antara 0-100 persen
∑Wi = 1
Di = demand atau permintaan pada periode ke-i
n = jumlah periode dalam moving average
 Contoh Weighted Moving Average

• Jika perusahaan ingin menghitung dengan weighted moving

average 3 bulan, dimana bobot 50% diberikan pada data Oktober,
33% untuk data September dan 17% untuk data Agustus, maka
dapat dihitung peramalan sebagai berikut:
 Exponential Smoothing

• Exponential smoothing merupakan metode rata-rata yang

memberikan data terbaru dengan bobot yang lebih kuat.

• Metode ini berguna jika perubahan data yang lebih baru itu
signifikan dan unpredictable, tidak seperti fluktuasi random yang
lebih cocok dengan simple moving average.

• Merupakan salah satu teknik peramalan yang sering dan populer

digunakan. Banyak perusahaan selama bertahun-tahun
menggunakannya sebagai metode peramalan yang akurat.

• Metode ini membutuhkan faktor pembobotan yaitu konstanta

pemulusan.
• Formula Exponential Smoothing adalah:

Dimana :
Ft+1 = peramalan periode berikutnya
Dt = demand atau permintaan aktual pada periode saat ini
Ft = peramalan periode saat ini yang ditentukan sebelumnya
α = faktor pembobotan yang diacu sebagai konstanta
pemulusan
• α adalah bobot antara 0 dan 1 , merefleksikan bobot yang diberikan
pada data permintaan yang lebih baru.
• Sebagai contoh jika α =0,2, maka:
 Contoh Exponential Smoothing

• Diketahui data service calls sebagai berikut:

• Dengan menggunakan α = 0,3 maka:

• Dengan menggunakan α =0,3 dan 0,5 maka diperoleh
hasil peramalan sebagai berikut:
 Adjusted Exponential Smoothing

• Merupakan peramalan exponential smoothing dengan adjustmen

untuk trend.
• Sehingga formula peramalannya adalah:

• Dimana T adalah faktor trend pemulusan eksponensial.

• Dimana:
Tt = faktor trend periode terakhir
β = konstanta pemulusan untuk trend
 Contoh Adjusted Exponential Smoothing

• Dengan menggunakan soal sebelumnya dengan α=0,5

dan diketahui β = 0,3, maka dapat dihitung sebagai
berikut:
 Linear Trend Line

• Merupakan model regresi linear yang menghubungkan demand

dengan waktu. Ketika demand menunjukkan trend, maka least
square regression line atau linear trend line dapat digunakan
untuk meramalkan demand.

• Dimana:
a = intercept (pada periode 0)
b = slope (kemiringan garis)
x = periode waktu
y = peramalan permintaan pada periode x
x = rata-rata nilai x
y = rata-rata nilai y
Contoh Linear Trend Line
• Persamaannya menjadi:

• Untuk menghitung peramalan

periode 13:
 Seasonal Adjustment

• Pola musiman (seasonal) merupakan pengulangan peningkatan

atau penurunan demand.
• Beberapa demand produk mengikuti perilaku musiman seperti
pakaian hangat meningkat di musim gugur dan dingin dan
menurun di musim semi dan panas.
• Permintaan lain seperti mainan, peralatan olahraga dan lain-lain
meningkat ketika musim liburan.
• Ada beberapa metode yang merefleksikan pola musiman pada
peramalan time series, di sini akan dibahas metode termudah
yaitu seasonal factor.
• Seasonal factor adalah nilai numerik yang dikalikan
dengan peramalan normal untuk mendapatkan
peramalan yang disesuaikan dengan musiman.
• Satu metode untuk mengembangkan demand untuk
faktor musiman adalah membagi demand untuk setiap
periode musiman dengan total demand tahunan
berdasarkan formula berikut:

• Hasil seasonal factor antara 0 dan 1

 Contoh Seasonal Adjustment

Perternakan Wishbone Farms memelihara kalkun untuk dijual ke

perusahaan daging olahan. Peak season adalah selama kuarter
ke-4 dari Oktober sampai Desember.
• Karena terdapat 3 tahun demand, maka dapat dihitung seasonal
factor dengan membagi total quarterly demand untuk 3 tahun
dengan total demand:
• Selanjutnya adalah mengalikan ramalan permintaan dengan
setiap seasonal factor untuk mendapatkan ramalan permintaan
setiap kuarter. Kita menginginkan ramalan permintaan tahun
2011. Pada kasus ini karena data demand memiliki trend maka
dihitung linear trend line untuk data 3 tahun itu untuk mendapat-
kan estimasi peramalan:

• Hasil ramalan adalah 58,17 atau 58.170 kalkun.

• Dengan menggunakan ramalan permintaan tahunan,
maka ramalan yang di adjust dengan musiman SFi
untuk tahun 2011 adalah:
 Kriteria Performa Peramalan

• Ukuran akurasi hasil peramalan : ukuran kesalahan

peramalan yaitu tingkat perbedaan antara hasil
peramalan dengan permintaan yang sebenarnya terjadi.

• Terdapat 4 ukuran yang biasa digunakan:

1. MAD (Mean Absolute Deviation)
2. MSE (Mean Square Error)
3. MFE (Mean Forecast Error)
4. MAPE (Mean Absolute Percentage Error)
 MAD (Mean Absolute Deviation)

• Adalah rata-rata kesalahan mutlak selama periode

tertentu tanpa memperhatikan apakah hasil peramalan
lebih besar atau lebih kecil dibandingkan kenyataannya.

• Rumus MAD

• Dimana:
At = Permintaan Aktual pada periode t
Ft = Peramalan Permintaan (Forecast) pada periode t
n = Jumlah periode peramalan yang terlibat
 MSE (Mean Square Error)

• Dihitung dengan menjumlahkan kuadrat semua

kesalahan peramalan pada setiap periode dan
membaginya dengan jumlah periode peramalan.

• Rumus MSE

• Dimana:
At = Permintaan Aktual pada periode t
Ft = Peramalan Permintaan (Forecast) pada periode t
n = Jumlah periode peramalan yang terlibat
 MFE (Mean Forecast Error)

• Untuk mengetahui apakah suatu hasil ramalan selama

periode tertentu terlalu tinggi atau terlalu rendah.
• Bila hasil peramalan tidak bias, nilai MFE akan
mendekati nol.
• Rumus MFE

• Dimana:
At = Permintaan Aktual pada periode t
Ft = Peramalan Permintaan (Forecast) pada periode t
n = Jumlah periode peramalan yang terlibat
 MAPE (Mean Absolute Percentage Error)

• Merupakan ukuran kesalahan relatif, menyatakan

persentase kesalahan hasil peramalan terhadap
permintaan aktual selama periode tertentu.
• Rumus MAPE

• Dimana:
At = Permintaan Aktual pada periode t
Ft = Peramalan Permintaan (Forecast) pada periode t
n = Jumlah periode peramalan yang terlibat
 Contoh

Permintaan Ramalan Deviasi Deviasi Kuadrat Persentase Persentase

Aktual Absolut Kesalahan Kesalahan Kesalahan
Absolut
120 125 -5 5 25 -4,17 4,17
130 125 +5 5 25 3,85 3,85
110 125 -15 15 225 -13,64 13,64
140 125 +15 15 225 10,71 10,71
110 125 -15 15 225 -13,64 13,64
130 125 +5 5 25 3,85 3,85
-------- ---------- ----------- ---------
-10 60 750 49,86

MAD = 60 / 6 = 10
MSE = 750 / 6 = 125
MAPE = 49,86 / 6 = 8,31%
MFE = -10 / 6 = -1,67