“ PERAMALAN (FORECASTING) ”

MANAJEMEN OPERASIONAL

DI SUSUN OLEH :

 ANDI INDAH KHAERUNNISA N (1992142041)

 ANDI IIN NUR PUTRIYANTI (1992142042)
 MAHARANI LIKSIARA AYU ANGGINI (1992142043)
 WINDA NUTRIA UTAMI (1992142044)
 ERNAWATI SENOLANGI (1992142045)
 ULAYYA ARIQAH (1992142046)
 ANDIKA (1992142047)

FAKULTAS EKONOMI

JURUSAN AKUNTANSI S1

UNIVERSITAS NEGERI MAKASSAR

TAHUN AJARAN 2020-2021

1
 KATA PENGANTAR

Assalamu’alaikum warahmatullahi wabarokatuh ...

       Puji syukur penyusun panjatkan ke hadirat Allah Subhanahu wata΄ala, karena
berkat rahmat-Nya Kami bisa menyelesaikan tugas Makalah mata kuliah
Pendidikan Pancasila yang berjudul  Peramalan.Makalah ini diajukan guna
memenuhi tugas mata kuliah Manajemen Operasional.
      Kami mengucapkan terima kasih kepada semua pihak yang telah membantu
sehingga makalah ini dapat diselesaikan tepat pada waktunya.Makalah ini masih
jauh dari sempurna, oleh karena itu Kami mengharapkan kritik dan saran yang
bersifat membangun demi kesempurnaan makalah ini.
Semoga makalah ini memberikan informasi bagi pembaca, mahasiswa dan
bermanfaat untuk pengembangan wawasan dan peningkatan ilmu pengetahuan
bagi kita semua.
           
Wassalamu’alaikum warahmatullahi wabarokatuh ...

Makassar, 14 september 2020

Penulis

1
 Daftar Isi

Sampul Makalah......................................................................................................... 1

Kata Pengantar........................................................................................................... 2

Daftar Isi..................................................................................................................... 3

BAB I PENDAHULUAN

A. Latar Belakang................................................................................................ 4
B. Rumusan Masalah.......................................................................................... 4
C. Tujuan............................................................................................................ 4

BAB II PEMBAHASAN

A. Pengertian peramalan................................................................................... 5
........................................................................................................................
B. Pentingnya Strategi peramalan..................................................................... 6
........................................................................................................................
C. Tujuh langkah dalam sistem peramalan........................................................ 8
........................................................................................................................
D. Pendekatan peramalan ................................................................................. 9
E. Peramalan runtun waktu............................................................................... 10
F. Metode peramalan asosiatif analisis regresi dan korelasi............................. 16
G. Pengawasan dan pengendalian peramalan................................................... 18
H. Peramalan dalam sektor jasa……………………………………………………………….. 19

BAB III PENUTUP

A. Kesimpulan..................................................................................................... 20
B. Saran.............................................................................................................. 20

1
 BAB I
PENDAHULUAN
A. Latar Belakang
Peramalan (forecasting) adalah kegiatan mengestimasi apa yang akan tejadi pada masa
yang akan datang. Peramalan diperlukan karena adanya perbedaan kesenjagan waktu
(Timelag) antara kesadaran akan dibutuhkannya suatu kebijakan baru dengan waktu
pelaksanaan kebijakan tersebut. Apabila perbedaan waktu tersebut panjang maka peran
peramalan begitu penting dan sangat dibutuhkan, terutama dalam penentuan kapan
terjadinya suatu sehingga dapat dipersiapkan tindakan yang perlu dilakukan.
Menurut Arman Hakim Nasution (2006), Peramalan adalah proses untuk memperkiraan
beberapa kebutuhan di masa datang yang meliputi kebutuhan dalam ukuran kuantitas,
kualitas, waktu, dan lokasi yang dibutuhkan dalam rangka memenuhi permintaan barang
dan jasa.
Peramalan tidak terlalu dibutuhkan dalam kondisi permintaan pasar yang stabil, karena
perubahan permintaan relatif kecil. Tetapi peramalan akan sangat dibutuhkan bila kondisi
permintaan pasar bersifat kompleks dan dinamis. Dalam kondisi pasar bebas, permintaan
pasar lebih banyak bersifat kompleks, dan dinamis karena permintaan tersebut akan
tergantung dari keadaan sosial, ekonomi, politik, aspek teknologi, produk pesaing dan
produk substitusi. Oleh karena itu  peramalan yang akurat merupakan informasi yang
sangat dibutuhkan dalam pengambilan keputusan manajemen

B. Rumusan Masalah
1. Apa yang dimaksud peramalan (forecasting)
2. Pentingnya strategi peramalan
3. Bagaimana langkah dalam sistem peramalan
4. Apa saja jenis dari peramalan
5. Metode yang digunakan sistem peramalan

C. Tujuan pembahasan
1. Memahami 3 horizon waktu dan dimana model-modelnya diterapkan yang
masing –masing.
2. Menjelaskan kapan untuk menggunakan masing – masing dari 4 model kualitatif
3. Menerapkan metode awam, pergerakan rata rata, penghalusan eksponensial
(exponential smoothing) dan kecenderungan
4. Menghitung 3 ukuran keakuratan peramalan
5. Mengembangkan indeks musiman
6. Melaksanakan analisis regresi dan koneksi
7. Menggunakan pelacakan sinyal (signal tracking)

1
 BAB II

PEMBAHASAN

A. Pengertian Peramalan

Peramalan (forecasting) adalah suatu seni dan ilmu pengetahuan dalam

memprediksi peristiwa pada masa mendatang. Peramalan akan melibatkan mengambil
data historis ( seperti penjualan tahun lalu) dam memproyeksi mereka ke masa yang akan
datang dengan model matematika. Mungkin akan menjadi prediksi yang bersifat subjektif
atau intuitif ( misalnya,”ini adalah produk baru yang hebat dan akan terjual 20% lebih
banyak dari pada yang telah ada”). Mungkin akan didasarkan pada data yang didorong
oleh permintaan , misalnya rencana konsumen untuk membeli dan memproyeksi mereka
ke masa yang akan datang atau peramalan akan melibatkan kobinasi dari keduanya, yang
mana, model matematika disesuaikan dengan pertimbangan yang baik dari manajer.

Peramalan dapat dipengaruhi oleh posisi produk dalam siklus hidupnya-apakah

penjualan berada pada tahap perkenalan, pertumbuhan, kedewasaan, atau penurunan.
Produk lainnya dapat dipegaruhi oleh permintaan atas produk yang terkait sebgai contoh,
sistem navigasi dapat menelusuri dengan penjualan mobil baru. Karena terdapat limit
sebagaimana yang diharapkan dari permalan, kita mengembangkan ukuran tingkat
kesalahan. Memepersiapkan dan memonitor permalan dapat menegeluarkan biaya yang
mahal dan menghabiskan waktu.
1. Peramalan horizon waktu
Peramalan dapat diklasifikasikan dengan horizon waktu pada masa mendatang yang
melingkupinya. Horizon waktu dibagi dalam 3 kategori sebagai berikut.
1) Peramalan jangka pendek: Peramalan inti memiliki rentang waktu sampai dengan
satu tahu, tetapi umumnya kurang dari 3 bulan. Digunakan unruk perencanaan
pembelian, penjadwalan pekerjaan, level angkatan kerja, penugasan pekerjaan,
dan level produksi.
1
 2) Peramalan jangka menengah: Kisaran menengah, atau intermediate, peramalan
umumnya rentang waktu 3 bulan hingga 3 tahun. berguna dalam perencaan
penjualan, perencanaan produksi dan penganggaran,dan penganggaran uang kas,
dan analisis variasi dan rencana operasional.
3) Peramalan kisaran panjang: Umumnya 3 tahun atau lebih dalam rentang
waktunya, peramalan jangka panjang digunakan dalam perencanaan untuk produk
baru, pengeluaran modal, lokasi tempat fasilitas atau perluasan, dan penelitian
serta pengembangan.

2. Tipe peramalan
Organisasi menggunakan 3 tipe peramalan utama dalam merencanakan
operasional untuk masa mendatang.
1) Peramalan ekonomi (economic forecasts) mernangani siklus bisnis dengan
memprediksi tingkat inflasi, uang yang beredar, mulai pembangunan perumahan,
dan indikator perencanaan lainnya.
2) Peramalan teknologi (technological forecasts) berkaitan dengan tingkat
perkembangan teknologi, dimana dapat menghasilkan terciptanya produk yang
menarik, yang memerlukan pabrik dan perlengkapan yang baru.
3) Peramalan permintaan (demand forecasts) adalah proyeksi atas permintaan untuk
produk dari jasa perusahaan. Peramalan mendorong keputusan sehingga para
manejer memerlukan informasi dengan segera dan akurat mengenai permintaan
yang sesungguhnya.

Peramalan ekonomi dan teknologi merupakan teknik khusus yang akan berada
diluar peranan menejer operasional.

B. Pentingnya Strategi Terhadap Peramalan

Peramalan yang baik adalah sangat penting dalam seluruh aspek bisnis.
Peramalan hanya merupakan estimasi atas permintaan hingga permintaan aktual menjadi
diketahui.Peramalan permintaan oleh karenanya akan mendorong keputusan banyak area.
Mari kita melihat dampak dari peramalan permintaan produk dalam 3 aktivitas:

1
 1. Manajemen rantai pasokan
Hubugan yang baik dengan pemasok dan menjamin keunggulan dalam inovasi
produk biaya, dan kecepatan pada pangsa pasar bergantung pada peramalan yang
akurat. Disini diperlihatkan 3 contoh berikut:
 Apple telah membangun sistem global yang efektif dimana dia mengedalikan
hamper setiap hal dalam pasokan dari desain produk hingga gerai pengecer.
Dengan data akurat dan data komunikasi cepat yang dibagikan keatas dan
kebawah rantai pasokan.
 Toyota pengembangkan peramalan mobil secara canggih denagan input dari
berbagai sumber, termasuk para diler, akan tetapi peramalan untuk aksesoris
misalnya sistem navigasi, roda spoiler dan hal umum lainnya sangat sulit.
 Walmart bekerja sama dengan para pemasok, misalnya sara lee dan procter &
gamble untuk memastikan barang yang tepat tersedia pada waktu yang tepat
dalam tempat yang tepat dan pada harga yang sesuai.

2. Sumber daya manusia

Perekrutan, pelatihan dan penempatan para pekerja semuanya bergnatung pada

permintaan yang diantisipasi. Jika depertemen sumber daya manusia harus merekrut
pekerja ttambahan tanpa pemberitahuan, jumlahh pelatihan akan menurun dan
kualitas pekerja akan menurun pula.

3. Kapasitas

Ketika kapasitas tida memadai,menghasilkan kekurangan yang dapat

mengarahkan pada kehilangan para konsumen dan panngsa pasar. Pada sisi lainnya,
ketika kelebihan dalam kapasitas terjadi biaya dapat melambung tinggi.

C. Tujuh Langkah Dalam Sistem Peramalan

1
 Peramalan mengikuti tujuh langkah dasar: kita menggunakan ‘Disney World,yaitu
profil perussahaan global, sebagai contoh untuk masing-masing langkah berikut.
1. Menentukan penggunaan dari peramalan: disney menggunakan peramalan jumlah
kehadiran di wahana untuk mendorong pengambilan keputusan mengenai susunan
kepegawaian, waktu pembukaan, ketersediaan arena bermain,dan pasokan makanan.
2. Memilih barang yang akan diramalkan: Untuk Disney World, terdapt enam wahana
utama, peramalan kehadiran setiap hari padda masing-masiing taman adalah angka
utama yang dapat menentukan tenaga kerja, pemeliharaan, dan penjadwalan.
3. Menentukan horizon waktu dari peramalan: Dalam jangka pendek,menengah, atau
jangka panjang? Disneyy mengembangkan peramalan harian, mingguan, bulanan,
tahunan, dan 5 tahun.
4. Memilih model peramalan: Disney menggunakan varietas model statistik yang akan
kita bahas,meliputi pergerakan rata-rata, ekonometrik, dan analisis regresi,juga
melaksanakan pertimbangan,atau nonkualitatif, model-model.
5. Mengumpulkan data yang diperlukan untuk membuat peramalan: Tim permalan
disney mempekerjakan 35 analis dan 70 personel lapangan untuk melakukan survei 1
juta orang/bisnis setiap tahun. Disney juga menggunakan perusahaan yang bernama
global insights untuk peramalan dalam industri perjalanan wisata dan mengumpulkan
data dalam nilai tukar mata uang, kedatangan keamerika serikat,maskapai
penerbangan khusus, kecenderungan saham wall street, dan jadwal liburan sekolah.
6. Membuat peramalan.
7. Memvalidasi dan mengimplementasikan hasilnya: Pada Disney, peramalan akan
ditinjau ulang harian pada level tertinggi untuk memastikan bahwa model, asumsi,
dan data adalah valid. Ukuran kesalahan diterapkan; kemudian peramalan digunakan
untuk menjadwlkan para personel turun kelapangan dalam interval waktu setiap 15
menit.

Disamping sistem yang perusahaan seperti Disney gunakan, tiap perusahaan

menghadapi beberapa kenytaan sebagai berikut.

1
  Faktor diluar yang tidak dapat kita prediksikan atau kendalikan sering kali
memengaruhi peramalan.
 Sebagian besar teknik peramalan mengasumsikan bahwa terdapat beberapa
stabilitas yang mendasar didalam sistem. Konsekuensinya, beberapa perusahaan
mengotomatisasi prediksi mereka dengan menggunakan perangkat lunak
peramalan yang terkomputerisasi, kemudian memonitor hanya produk barang
yangg memiliki permintaan tiddak menentu.
 Baik produk keluarga maupun peramalan yang menyeluruh lebih akurat daripada
peramalan produk individual. Disney, sebagai contoh, mengumpulkan peramalan
kehadiraan harian di wahana. Pendekatan ini membantu menyeimbangkan
prediksi yang berlebihan dan kekurangan untuk tiap-tiap 6 atraksi pertunjukan.

D. Pendekatan Peramalan

Terdapat 2 pendekatan umum untuk peramalan, hanya terdapat 2 cara untuk

mengatasi seluruh permodelan keputusan. Salah satu adalah analisis kuantitatif; yang
satunya lagi adalah pendekatan kualitatif. Namun,dalam bagian ini hanya satu pendekatan
yang akan diperinci secara detail, yaitu peramalan kualitatif. Peramalan kuanitatif
menggunaakan bermacam-macam model matemtika yang bergantung pada data historis
dan/atau variabel asosiatif untuk meramalkan permintaan. Subjektif atau peramalan
kualitatif menggabungkan faktor-faktor misalnya Intuisi dari si pengambil keputusan,
emosi, ppengalaman pribadi, dan sistemm nilai dalam mencapai peramalan.

Ikhtisar Metode Kualitatif

Dalam bagian ini, kami mempertimbangkan4 tknik peramalan kualitatif yang berbeda:
1. Opini dari dewan eksekutif : berdasarkan paddametode ini, opini dari sekelompok
dari paraahli yng mumpuni atau manajer , seringkali dikombinasikan dengan model
statistik, dikumpulkan untuk memperoleh sekumpulan estimasi permintaan.
2. Metode delphi : terdappat 3 jenis partisipan yang berbeda dalam metode delphin: si
pengambil keputusan, staf personalia, dan para responden.

1
 3. Gabungan karyawan bagian penjualan : dalamm penndekatan ini,masing-masing
karyawan bagian penjualan mengistemasi penjualan apa yang ada di dalam kawasan
mereka. Peramalan ini kemudian ditinjau ulang untuk memastikan bahwa mereka
adalah realistis. Kemudian, mereka dikombinasikan pada tingkat distrik dan
nasionaluntuk mencapai keseluruhan peramalan.
4. Survei pasar: metode ini mengumpulkan input dari para konsumen atau konsumen
yang potensial mengenai rencana pembelian pada masa mendatang.

E. Peramalan Runtun Waktu

Runtun waktu didasarkan pada urutan poin data yang ditempatkan secara merata
(mingguan, bulanan, kuartalan, dan lainnya). Contohnya meliputi penjualan mingguan
dari Nike Air Jordans, laporan pendapatan kuartalan dari saham microsoft, pengiriman
harian dari bir coors, dan indeks harga konsumen tahunan. Data peramalan runtun waktu
menngimplikasikan bahwa nilai masa mendatang diprediksikan hanya dari nilai masa
yang lalu dan variabel lannya, tidak peduli seberapa bernilainya secara potensial, akan
diabaikan.

Penguraian Dari Runtun Waktu

Menganalisis runtun waktu berarti menguraikan data tahun-tahun yang lalu kedalam
komponen dan kemudian memproyeksikan mereka kedepan. Runtun waktu memiliki 4
komponen sebagai berikut.
1. Kecenderengan adalah pergerakan data secara bertahap keatas atau kebawah selama
bertahun-tahun. Perubahan dalam pendapatan, distribusi umur, atau pandangan
budaya yang mempertanggungjawabkan pergerakan dalam kecenderungan.
2. Musiman adalah pola data yang mengulang dengan sedirinya setelah satu periode
hari, minggu, bulan, atau kuartalan.terdapat 6 pola musiman secara umum

LAMANYA PERIODE LAMANYA MUSIM JUMLAH POLA

DALAM MUSIM

1
 Minggu Hari 7
Bulan Minggu 4 - 4½
Bulan Hari 28- 31
Tahun Kuartalan 4
Tahun Bulan 12
Tahun Minggu 52

3. Siklus adalah pola dalam data yang terjadi setiap beberapa tahun. Mereka biasanya
diikuti dalam siklus bisnis dan sangat penting dalam analisis bisnis dalam jangka
pendek dan perencanaan.
4. Variasi secara acak adalah “ blip” didalam data yang disebabkan oleh adanya
peluang dan situasi yang tidak seperti bisanya. Mereka mengikuti pola yang tidak
dapat diikuti sehingga mereka tidak dapat diprediksikan.

Pendekatan awam

Cara paling sederhana dalam mengasumsikan bahwa permintaan dalam periode

selanjutnya akan setara dengan permintaan dalam periode yang paling baru. Dengan kata
lain jika penjualan sebuah produk—katakanlah, ponsel Nokia ---adalah 68 unit pada
januari, kita dapat meramalkan bahwa penjualan pada februari juga akan sebesar 68 unit.

Apakah hal ini masuk akal? Jika ditemukan bahwa untuk beberapa lini
produk,pendekatan awam (naive approach) ini adalah model peramalan yang paling
efektif dalam biaya dan tujuan yang efisien.

Pergerakan Rata- Rata

Peramalan pergerakan rata-rata ( moving-average) menggunakan sejumlah nilai data

aktual historis untuk menghasilkn peramalan. Pergerakan rata-rata bermanfaat jika kita
dapat mengasumsikan bahwa permintaan pasar akan tetap kokoh secara wajar selama
bertahun-tahun.

Secara matematis pergerakan rata-rata yang sederhana (yang berfungsi sebagai estimasi
permintaan periode berikutnya) dicerminkan dengan hal berikut.

1
 Ʃ permintaandalam periode n sebelumnya
pergerakan rata−rata=
n

dimana n adalah jumlah periode dalam pergerakan rata-rata—sebagai contoh 4, 5, 6

bulan,masing-masing untuk 4, 5, 6- periode pergerakann rata.

Penghalusan Eksponensial

Peghalusan eksponensial adalah metode peramalan pergerakan rata-rat bobot lainnya.

Formula penghalusan eksponensial dasar dapat diperlihatkan sebagai berikut.

Peramalan baru = peramalan periode sebelumnya + α (permintan aktual

periode sebelumnya – peramalan periode sebelumnya)

Dimana α adalah bobot, atau penghalusan konstan ( smoothing constant), dipilih oleh
peramal yang memiliki nilai lebih tinggi daripada atau setara dengan 0 dan kurang dari
atau setara dengan 1. Persamaan tersebut dapat juga ditulis ditulis secara matematis
sebagai berikut.

F=F t−1+ α ( A t−1−F t−1 )

Dimana F = peramalan yang baru

F t−1 = peramalan periode sebelumnya

α = pennghalusan (atau bobot) konstan (0 ≤=α ≤=1 ¿

At −1 = permintaan aktual periode sebelumnya

Mengukur Kesalaan Peramalan

Keseluruhan keakuratan beberapa model peramalan –pergerakan rata-rata,penghalusan

eksponensial, atau yang lainnya—dapat ditentukan dengan membandingkan nilai yang
diramalkan dengan nilai yang aktual atau yang diamati. Jika F₁ menunjukkan peramalan
dalam periode t₁ dan A₁menandakan permintaan aktual dalam periode t₁ kesalahan
peramalan (atau deviasi ) didefinisikan sebagai berikut.

Kesalahan peramalan = permintaan aktual – nilai peramalan

1
 = A₁ - F₁

Beberapa ukuran yang digunakan untuk menghitung keseluruhan dalam kesalahan

peramalan. Tiga ukuran yanng paling terkenal adalah Deviasi rata-rata yang absolut (
mean absolute deviation—MAD), kesalahan rata-rata yang dikuadratkan ( mean squared
error—MSE), dan kesalahan presentase rata-rata yang absolut ( mean absolute percent
error—MAPE ).

Deviasi rata-rata yag absolut ukuran pertama atas keseluruhan dalam kesalahan
peramalan untuk model adalah deviasi rata-rata yang absolut ( mean absolute deviation—
MAD). Nilai ini dihitung dengan mengambil jumlah nilai absolut kesalahan peramalan
individual (deviasi) dan membaginya dengan jumlah periode data (n):

MAD= Ʃ∨ Aktual−Peramalanl ∨ ¿ ¿
n

Kesalahan rata-rata yang dikuadratkan ( mean squared error—MSE) adalah cara kedua
untuk mengukur keseluruhan dalam kesalahan peramalan. MSE adalah rata-rata
perbedaan yang dikuadratkan diantara nilai yang diramalkan dengan yang diamati.

MSE=Ʃ ∨kesalahan peramalan∨ ¿ ¿

n

Presentase kesalahan rata-rata yang absolut permasalahan dengan baik MAD maupun
MSE adalah bahwa nilai bergantung pada besarnya barang yag diramalkan. Jika
peramalan barang diukur dalamm ribuan, nilai MAD dan MSE dapat menjaddi sangat
besar. Untuk mengatasi permasalahan ini, kita dapat menggunakan kesalahan presentasi
rata-rata yang absolut ( mean absolute percent error – MAPE).

n
| Aktuall− Aktuali|
∑ 100 Aktuali
MSE= i−l
n

Penghalusan Eksponensial dengan Penyesuaian Kecenderungan

Penghalusan eksponensial yang sederhana, teknik yang baru saja kita ilustrasikan, seperti
teknik pergerakan rata-rata: dia gagal untuk merespon terhadap kecenderungan. Untuk

1
meningktkan peramalan kita, mari kit ilustrasikan model penghalusan eksponensiall yang
lebih rumit, salah satu penyesuaian terhadapp kecenderungan. Gagasannya adalah untuk
menghitung rata-rata data penghalusan eksponensial dan kemudian menyesuaikan dengan
ketertinggalan positif atau negatif dalam kecenderungan.

Peramalan meliputi kecenderungan ( FIT l) = rata-rata peramalan penghalusan

eksponensial ( F l) + kecenderungan penghalusan eksponensial (T l).

Proyeksi Kecenderungan

Metode peramalan runtun waktu sebelumnya (time series forecasting method ) yang akan
kita bahas adalah proyeksi kecenderungan (trend projection). Teknik ini menyesuaikan
garis kecenderungan dengan rangkaian poin data historis dan kemudian,
memproyeksikkan kemiringan garis kedalam peramalan masa mendatag atau dalam janga
menengah hingga jangka panjang. Jika kita memutuskan untuk mengembangkan garis
kecenderungan linear dengan metode statistik ysng persis tepat, kita dapat mmenerapkan
metode kuadrat kecil (least-square method).

Sebuah garis kuadrat kecil digambarkan dalam istilah dari intersepsi / potongan y-nya
sendiri ( tingginya diimana memotong sumbu y) dan harapannya berubah (kemringan).
Apabila kita dapat menghitung perpotongan y dan kemiringannya, kita dapat
menggambarkan garis dengan persamaan berikut.

ẏ=α +bx

Dimana ẏ (dbaca “topl y”) = nilai variabel yang telah dihitung untuk kemudian
diprediksikan ( disebut sebagai variabel dependen/terikat)

α = perpotongan sumbu ẏ

b = kemiringan dari garis regresi ( tingkat perubahan

dalam y untuk perubahan yang dimiliki dalam x)

x = variiabel independen (tidak terkat) (dimana dalam

kasus inni adalah waktu ).

1
Garis miring b ditemukan dengan :

Ʃxy −n xy
´
b= 3
Ʃ x −n x́ ³

Dimana:

b = kemiringan dari garis regresi

Ʃ = tanda jumlah

x = nilai dari variabel independen

y = nilai dari variabel dependen yang diketahui

x́ = rata-rata dari nilai x

ý = rata-rata dari nilai y

n = jumlah poin data atau observasi

Variasi Musiman Dalam Data

Variasi musiman (seasonal variation) dalam data adalah pergerakan secara teratur dalam
yang terkait dengan kejadian yang berulang. Memahami variasi musiman sangat penting
untuk perencanaan keputusan dalam organisasi yang menangani lonjakan muatan barang.

Kehadiran dari musiman membuat penyesuaian dalam peramalan garis kecenderungan

sangat dibutuhkan. Musiman dicerminkan dalam istilah yang nilai aktualnya berbeda dari
nnilai rata-rata dalam runtun waktu.

Variasi Siklus pada Data

Siklus (cycles) seperti variasi musiman pada data, yang terjadi setiap beberapa tahun,
bukan minggu, bulan, atau kuartal. Peramalan variasi siklus dalam runtun waktu sulit
dilakukan. Hal ini disebabkan oleh siklus meliputi bermacam-macam faktor yang
menyebabkan ekonomi bergerak dari resesi menuju perluasan menuju resesi selama
bertahun-tahun.

1
F. Metode Peramalan Asosiatif: Analisis Regresi dan korelasi

Tidak seperti peramalan runtun waktu, model peramalan asosiatif biasanya

mempertimbangkan beberapa variabel yang terkait dengan kuantitas yang akan
diprediksikkan. Ketika variabel yang terkait ini telah diketahhui, model statistika akan
dibuat daan digunakan untuk meramalkan barang menarik. Pendekaan ini lebih kuat
daripada metode runtun waktu yang hanya menggunakan nilai historis untuk peramalan
variabel.

Penggunaan Analisis Regresi untuk Peramalan

Kita dapat menggunakkan model matematika yang sama yang kita terapkan dalam
metode kuadrat kecil atas proyeksi kecenderungan untuk membuat analsis regresi linear.
Variabel yang dependen yang akan kita ramalkan tetap adalah ẏ. Akan tetapi,sekarang
vriabel independen x tidak lagi waktu. Kita menggunakan persamaan:

ẏ=α +bx

dimana:

ẏ = nlai dari variabel dependen

α = perpotongan sumbu y

b = kemiringan garis regresi

x = variabel indepeden

Standar Kesalahan dari Estimasi

Untuk mengukur keakuratan dari estimasi regresi, kita harus menghitung

standarkesalahan dari estimasi ( standard error of the estimate) S y , x . Penghitungan ini
dinamakan dengan standar deviasi dari regresi. Ini mengukur kesalahan dari variabel
yang dependen y, terhadappgaris regresi, bukan terhadap rata-rata.

1
 Ʃ ( y − y t )²
Sy , x=
√ n−2

Dimana:

y = nilai y tiap-tiap poin data

y t = nilai variabel dependen yang hitung, dari persamaan regresi

n = jumlah poin data

Koefisien Korelasi untuk Garis Regresi

Persamaan regresi adalah salah satu cara untuk menggambarkan sifat dan hubungan
diantara 2 variabel. Garis regresi bukan hubungan “sebab dan akibat”.

Cara lainnya untuk mengevaluasi hubungan diantara 2 variabel adalah dengan enghitung
koefisien terhadap korelasi (coefficient correlation). Ukuran ini mencerminkan derajat
atau kekuatan hubungan linear (tetapi catatan bahwa korelasi tidak selalu berarti
hubungan sebab akibat). Biasanya didefinisikan sebagai r, koefisien korelasi dapat
menjadi banyak angka diantara +1 dan -1.

Untuk menghitung r, kita menggunakn banyak data yang sama yang diperlukan lebih
awal untuk menghitung a dan b untuk garis regresi.

nƩxy − ƩxƩy
r=
√ [nƩx ²−( Ʃx )²][nƩ y 2−( Ʃy ) ²]
Analisis Regresi Multipel

Regresi multipel ( multiple reggression) adalah perluasan praktis dari model regresi
sederhana yang baru saja kita pelajari. Ini memungkinkan kita untuk membangun model
dengan beberapa variabel independen bukan hanya satu variabel.

y=a+b ₁ x ₁+b ₂ x ₂

1
 Dimana:

y = variabel dependen,penjualan

α = α konstan, perpotongan y

x₁ dan x₂ = nilai dari 2 variabel independen, area sistem penggajian dan tingkat
bunga masing-masing

b₁ dan b₂ = koefisien untuk 2 variabel independen

G. Pengawasan dan Pengendalian Peramalan

Salah satu cara untuk memonitor peramalan untuk memastikan bahwa mereka
berjalan dengan baik adalah dengan menggunakan sinyal penelusuran. Sinyal penelusuran
( tracking signal) adalah pengukuran mengenai seberapa baiknya peramalan dalam
memprediksikan nilai aktualnya
Sinyal penelusuran akan dihitung sebagai kumulatif kesalahan dibagi dengan rata-
rata deviasi yang absolut (MAD), yaitu:
kesalahan kumulatif
sinyal penelusuran=
MAD
=

Ʃ ( permintaan aktualdlam periode i−¿ peramalan permintaan dalam periode i)

MAD

Dimana:

MAD= Ʃ∨ Aktual−Peramalan∨ ¿ ¿
n

Penghalusan Adaptif

Peramalan adaptif mengacu pada komputer yang memonitor sinyal penelusuran dan
menyesuaikan sendiri jika sinyal melewati limit yang telah ditetapkan. Misalnya, ketika
diterapkan pada penghalusan eksponensial,koefisien α dan β yang pertama dipilih pada

1
 nilai basis yang meminimalkan kesalahan peramalan dan kemudian disesuaikan menurut
kapan pun komputer mencatat sinyal penelusuran yang menyimpang. Proses ini disebut
penghalusan adaptif (adaptive smoothing).

Peramalan Fokus

Daripada mengadaptasi dengan memilih penghalusan konstan, komputer akan

memungkinkan kita untuk mencoba model peramalan yang bermacam-macam.
Pendekatan seperti ini dinamakan peramalan fokus. Peramalan fokus ( focus forecasting)
ddasarkan pada2 prinsip berikut.

1. Model peramalan yang canggih yang tidak selalu lebih baik daripada yang sederhana.
2. Tidak terdapat teknik tunggal yang akan digunakan untuk seluruh produk atau jasa.

H. Peramalan Dalam Sektor Jasa

Peramalan dalam sektor jasa menyajikan beberapa tantangan yang tidak biasa.
Teknik utama dalam sektor ritel adalah menelusuri permintaan dengan mempertahankan
laporan catatan dalam jangka pendek yang baik. Misalnya, ahli potong rambut
menawarkan katering kepada pria dan mengharapkan lonjakan akan mengalirpada jum’at
dan sabtu. Tentu saja, sebagian besar ahl potong rambut akan tutup pada minggu dan
senin serta banyak panggilan untuk meminta bantuan pada jum’at dan sabtu. Restoran di
pusat kota, disisi lainnya, membutuhkan untuk menelusuri konvensi penting dan hri libur
untuk peramalan dalam jangka pendek yang efektif.

BAB III

PENUTUP

A. Kesimpulan
Peramalan merupakan bagian yang sangat penting dari funsi manajer operasional.
Peramalan permintaaan mendorong produksi perusahaan, kapasitas, dan sistem
penjadwalan dan mempengaruhi fungsi perencanaan keuangan, pemasaran, dan
personalia.

1
 Terdapat beragam teknik peramalan jenis kuantitatif dan kualitatif. Pendekatan kualiatif
menggunakan pertimbangan, pengalaman, intuisi, dan sumber faktor lainnya yang sulit
untuk menghitungnya. Peramalan kuantitatif menggunakan data historis dan hubungan
sebab akibat, atau asosiatif, hubungan dengan proyeksi permintaan pada masa
mendatang.
Tidak adametode peramalan yang sempurna untuk seluruh kondisi. Selain itu, bahkan
ketika manajemen telah menemukan pendekatan yang lebih memuaskan, masih harus
memonitor dan mengendalikan peramalan untuk memastikan tidak ada kesalahan yang
terlewatkan. Peramalan sering kal menjadi sangat menantang, tetapi bermanfaat, sebagai
bagian dari pengelolaan.

B. Saran
Dengan adanya makalah ini, diharapkan agar para pembaca dapat lebih mudah
memahami mengenai materi Peramalan. Selain itu, jika terdapat kekurangan dalam
pembuatan makalah ini, penulis berharap pembaca dapat memberikan masukan agar lebih
baik lagi.