MAKALAH
Diajukan untuk memenuhi tugas mata kuliah:
Manajemen Operasional Bisnis
Dosen Pengampu:
Kus Irawan Prabowo M.Pd
Disusun Oleh:
Kelompok 5 MBS 6C
1. Dion Eriawan (12405183133)
2. Luki Eka Fitriani (12405183136)
3. Muhammad Fajrulfalah A (12405183137)
4. Isniati Nabila (12405183139)
Penulis
i
DAFTAR ISI
Kata Pengantar..............................................................................................i
Daftar Isi........................................................................................................ii
BAB I PENDAHULUAN
a. Latar Belakang.........................................................................................1
b. Rumusan Masalah....................................................................................1
c. Tujuan......................................................................................................1
BAB II PEMBAHASAN
a. Konsep Dasar Forecasting.......................................................................3
b. Komponen Proses Peramalan..................................................................3
c. Metode Forecasting.................................................................................6
d. Aplikasi Dan Control Peramalan...........................................................26
e. Faktor-Faktor Yang Mempengaruhi Pemilihan.....................................35
BAB III PENUTUP
a. Kesimpulan............................................................................................37
b. Saran.....................................................................................................37
DAFTAR PUSTAKA..................................................................................38
ii
BAB I
PENDAHULUAN
A. Latar Belakang
Peramalan merupakan suatu kegiatan untuk mengetahui apa yang akan
terjadi di masa yang akan datang menggunakan pertimbangan data dari masa
lampau. Ketepatan secara mutlak dalam memprediksi suatu peristiwa adalah tidak
mungkin dicapai titik oleh karena itu, ketika tidak dapat melihat kejadian yang
akan datang secara pasti, diperlukan waktu dan biaya yang besar agar mereka
dapat memiliki kekuatan dalam menghadapi masa yang akan datang. Peramalan
merupakan alat bantu yang penting dalam sebuah perencanaan yang efektif.
Dalam lingkungan perusahaan, peramalan Kebanyakan digunakan untuk
mengestimasi dan memprediksi permintaan yang akan datang guna
memperkirakan jumlah dan jenis apa saja yang diproduksi oleh perusahaan.
Banyak jenis metode peramalan yang tersedia titik namun, yang lebih
penting adalah bagaimana memahami karakteristik suatu metode peramalan agar
sesuai dengan situasi pengambilan keputusan. Situasi peramalan sangat beragam,
faktor yang menentukan hasil sebenarnya, tipe pola data, dan berbagai aspek lain.
Untuk menghadapi penggunaan yang luas seperti itu, beberapa metode telah
dikembangkan. Berdasarkan jenisnya, metode peramalan dapat dibagi menjadi
dua yaitu metode peramalan kualitatif dan kuantitatif.
Model peramalan kualitatif menggunakan pendapat para ahli untuk
memperkirakan kejadian atau peristiwa di masa yang akan datang, sehingga hasil
yang diperoleh sangat subjektif. Metode ini digunakan ketika data di waktu
lampau sulit diperoleh, memerlukan waktu yang banyak rumah dan biaya yang
digunakan sangat mahal.
Sedangkan metode kuantitatif sangat beragam dan setiap metode memiliki
sifat ketepatan dan biaya tertentu yang harus dipertimbangkan dalam memilih
metode tertentu. Metode ini formal didasarkan atas prinsip statistik yang memiliki
ketepatan tinggi atau meminimumkan kesalahan, lebih sistematis, dan lebih
populer dalam penggunaan. Untuk menggunakan metode ini terdapat tiga kondisi
yang harus dipenuhi, yaitu tersedia informasi tentang masa lampau, informasi
1
tersebut dapat di kuantitatif kan dalam bentuk data numerik rumah dan dapat
diasumsikan bahwa beberapa aspek pola lalu akan terus berlanjut di masa yang
akan datang ke titik metode kuantitatif ini dikelompokkan menjadi dua macam
yaitu kausal dan model deret berkala.
B. Rumusan Masalah
1. Bagaimana Konsep Dasar Peramalan (forecasting)?
2. Apa Saja Komponen Proses Peramalan?
3. Bagaimana Metode Peramalan (forecasting)?
4. Bagaimana Aplikasi Dan Kontrol Peramalan?
5. Apa Saja Faktor Yang Mempengaruhi Pilihan?
C. Tujuan Pembahasan
1. Untuk Mengetahui Konsep Dasar Peramalan (Forecasting)
2. Untuk Mengetahui Apa Saja Komponen Proses Peramalan
3. Untuk Mengetahui Bagaimana Metode Peramalan (Forecasting)
4. Untuk Mengetahui Aplikasi Dan Kontrol Peramalan
5. Untuk Mengetahui Faktor Faktor Yang Mempengaruhi Pemilihan
2
BAB II
PEMBAHASAN
A. Konsep Dasar Forecasting
Peramalan (forecasting) sangat penting untuk kelancaran operasi
organisasi bisnis. Mereka memberikan informasi yang dapat membantu manajer
dalam membimbing aktivitas masa depan menuju tujuan organisasi.
Peramalan (forecasting) adalah perkiraan kejadian, waktu, atau besarnya
peristiwa masa depan yang tidak pasti. Perkiraan sangat penting untuk kelancaran
operasi organisasi bisnis. Mereka memberikan informasi yang bisa membantu
manajer dalam memandu aktivitas masa depan menuju tujuan organisasi. Manajer
operasi terutama mementingkan ramalan permintaan — yang seringkali memang
demikian dibuat oleh (atau dalam hubungannya dengan) pemasaran.
Namun, manajer juga menggunakan perkiraan mentah untuk
memperkirakan harga material, merencanakan tingkat personel yang sesuai,
membantu memutuskan berapa banyak persediaan yang akan dibawa, dan
sejumlah aktivitas lainnya. Ini menghasilkan penggunaan kapasitas yang lebih
baik, layanan yang lebih responsif pelanggan, dan peningkatan profitabilitas.1
B. Komponen Proses Peramalan
Peramalan atau forecasting dilakukan dengan urutan proses sebagai
berikut:
1. Penentuan Tujuan
Pada tahap ini penentuan tujuan dari setiap peramalan harus disebutkan
secara tertulis, formal dan eksplisit. Sebelum membuat suatu ramalan kita harus
bertanya lebih dahulu mengapa peramalan tersebut dibutuhkan dan bagaimana
menggunakan hasil ramalan tersebut. Peramalan disipkan sedemikian rupa
sehingga manajemen dapat membuat keputusan-keputusan yang tepat mengenai
alokasi sumber daya yang ada sekarang dan oleh karena itu si pembuat ramalan
1
Joseph, G. Monks, Theory and Problems of Operations Management, Tata McGraw-Hill
Publishing Company Limited, 2nd Edition, 2004. Hal. I05-111
3
harus memahami kegunaan-kegunaan dari proyeksi-proyeksi manajerial yang
telah ditetapkan.
Tahap ini biasanya merupakan tahap yang cukup rumit dan seringkali
merupakan tahap yang paling kritikal karena tahap-tahap berikutnya dapat
dilakukan atau tidak tergantung pada relevansi data yang diperoleh tersebut.
4. Analisis Data
Pada tahap ini dilakukan penyeleksian data karena dalam proses peramalan
seringkali kita mempunyai data yang berlebihan atau bisa juga terlalu sedikit.
Beberapa data mungkin tidak relevan dengan masalah yang akan kita analisis
sehingga mungkin dapat mengurangi akurasi dari peramalan. Data yang lain
mungkin tepat guna tetapi hanya untuk beberapa periode waktu saja.
Tahap ini adalah tahap di mana kita menguji kesesuaian (fitting) data yang
telah kita kumpulkan ke dalam model peramalan dalam artian meminimumkan
kesalahan peramalan. Semakin sederhana suatu model biasanya semakin baik
model tersebut dalam artian bahwa model tersebut mudah diterima oleh para
manajer yang akan membuat proses pengambilan keputusan perusahaan.
4
Sebelum kita melakukan penerapan secara aktual, suatu model harus diuji
lebih dahulu untuk menentukan akurasi, validitas dan keandalan yang diharapkan.
Jika berbagai uji keandalan dan akurasi telah diterapkan pada model tersebut,
mungkin revisi perlu dilakukan dengan memasukkan faktor-faktor kausal dalam
model tersebut.
8. Revisi Terakhir
Seperti telah dikemukakan tidak ada ramalan yang bersifat statis. Penyiapan
suatu ramalan yang baru akan dilakukan tergantung pada hasil evaluasi tahap-
tahap sebelumnya.
5
Suatu kegiatan peramalan yang baik membutuhkan penetapan langkah-
langkah pemantauan untuk mengevaluasi peramalan ketika sedang berlangsung
dan langkah pematauan yang memungkinkan seorang peramal untuk
mengantisipasi perubahan yang tak terduga. Peramalan harus dibandingkan
dengan hasil aktual untuk mengetahui akurasi metodologi yang digunakan.
Evaluasi pada tahap ini harus dipandang sebagai suatu proses pengendalian dan
merupakan langkah yang diperlukan untuk menjaga keandalan estimasi masa
datang. Jika ramalan meleset, seorang harus mencari apa sebabnya dan segera
memperbaikinya2
C. Metode Forecasting
1. Metode Opinion And Jugmental
2
Joseph, G. Monks, Theory and Problems of Operations Management, Tata McGraw-Hill
Publishing Company Limited, 2nd Edition, 2004.
6
Deret waktu adalah sekumpulan pengamatan variabel secara berkala
sepanjang waktu. Dalam dekomposisi analisis, komponen deret waktu
umumnya diklasifikasikan sebagai tren T, siklus C, S musiman, dan R acak
atau tidak beraturan (Catatan: Efek autokorelasi terkadang disertakan sebagai
tambahan faktor). Deret waktu ditabulasi atau dibuat grafiknya untuk
menunjukkan sifat ketergantungan waktu. Ramalan nilai (Ye) biasanya
dinyatakan sebagai fungsi perkalian atau fungsi aditif dari komponen-
komponennya; contoh di sini akan didasarkan pada model perkalian yang
umum digunakan.
Faktor siklus adalah ayunan jangka panjang di sekitar garis tren. Mereka
sering dikaitkan dengan siklus bisnis dan dapat diperpanjang hingga beberapa
tahun lamanya.
7
horizon cost
Opini dan penilaian (kualitatif)
Komposit tenaga penjualan Estimasi dari staf penjualan lapangan SR-MR L-M
digabungkan
Opini eksekutif (dan / atau Manajer pemasaran, keuangan, dan SR-LR L-M
panel) produksi bersama-sama menyiapkan
ramalan
8
Pemulusan eksponensial Prakiraan adalah rata-rata bergerak SR L
tertimbang secara eksponensial,
di mana nilai-nilai terbaru membawa bobot
paling besar
Box-Jenkins Model regresi deret waktu diusulkan, MR-LR M-
secara statistik H
diuji, dimodifikasi, dan diuji ulang hingga
memuaskan
Asosiatif (kuantitatif)
Regresi dan korelasi Gunakan satu atau beberapa variabel SR-MR M-
(dan indikator utama) terkait untuk memperkirakan melalui H
persamaan kuadrat-terkecil (regresi) atau
melalui hubungan dekat (korelasi) dengan
variabel penjelas
Ekonometrik Gunakan solusi simultan dari regresi SR-LR H
berganda
persamaan yang berhubungan dengan
berbagai kegiatan ekonomi
Deret waktu (kuantitatif)
Naive Perkiraan sama dengan nilai terbaru atau SR L
plus atau terbaru
dikurangi beberapa persentase
Rata-rata bergerak Prakiraan adalah rata-rata dari n periode SR L
terbaru
(juga bisa diberi bobot)
Proyeksi tren Prakiraan bersifat linier, eksponensial, atau MR-LR L
proyeksi lain dari tren masa lalu
Penguraian Rangkaian waktu dibagi menjadi tren, SR-LR L
musiman, siklus,
dan komponen acak
Pemulusan eksponensial Prakiraan adalah gerakan berbobot SR L
eksponensial
rata-rata, di mana nilai terbaru membawa
bobot paling besar
9
Box-Jenkins Sebuah model regresi deret waktu MR-LR M-
diusulkan, H
diuji secara statistik, dimodifikasi, dan
diuji ulang sampai memuaskan
Asosiatif (kuantitatif)
Regresi dan korelasi Gunakan satu atau beberapa variabel SR-MR M-
(dan indikator utama) terkait untuk memperkirakan melalui H
persamaan kuadrat-terkecil (regresi) atau
melalui hubungan dekat (korelasi) dengan
variabel penjelas
Ekonometrik Gunakan solusi simultan dari regresi SR-LR H
berganda
persamaan yang berhubungan dengan
ekonomi yang luas
aktivitas
Key: L = low, M = medium, H = high, SR = short range, MR = medium
range, LR = long range.
10
Trend: Tiga metode untuk mendeskripsikan trend adalah: (1) Moving
average, (2) Hand fitting, dan (3) Kotak terkecil.
1. Bergerak Rata-Rata (Moving average)
Sebuah rata-rata bergerak terpusat (MA) diperoleh dengan menjumlahkan
dan rata-rata nilai-nilai yang diberikan jumlah periode berulang-ulang,
setiap kali menghapus nilai terlama dan menambahkan nilai baru.
Bergerak rata-rata dapat menghaluskan fluktuasi dalam data apa pun,
sambil mempertahankan pola umum data (rata-rata yang lebih lama
menghasilkan lebih banyak penghalusan). Namun, mereka tidak
menghasilkan persamaan peramalan, juga tidak apakah mereka
menghasilkan nilai untuk akhir seri data.
∑x
MA=
Jumlah Periode
Tahun 1 2 3 4 5 6 7 8 9 10 11
Tons 2 3 6 10 8 7 12 14 14 18 19
Demand
20
18 18 19
16
13 14
14 14
10
12 11
8
10 7
6
8
3
6 2
4
0
Titik data tampak relatif linier. (b) Lihat Tabel 5.1 untuk perhitungan dan
Gambar 5.2 untuk plot dari MA. Perkiraan MA untuk tahun 12 akan menjadi
rata-rata terbaru, 17,0 ton.
∑ ( Wt ) X ( 1 )( 14 )+ ( 2 )( 18 ) +(3)(19)
MA (Wt ) = = =17,8 Tons
∑ ( Wt ) 1+2+3
2. Hand Fitting
Hand fit atau kurva freehand hanyalah plot dari garis representatif yang
(secara subyektif) tampaknya paling baik sesuai dengan poin data. Untuk data
linier, persamaan peramalannya berupa:
di mana Yc adalah nilai tren, a adalah titik potong (di mana garis melintasi
sumbu vertikal), b adalah kemiringan (kenaikan, ∆ y, dibagi run, ∆ x), dan X
12
adalah nilai waktu (tahun, kuartal, dll.). "Tanda tangan" mengidentifikasi titik
waktu ketika X = 0, serta unit X dan Y.
ILUSTRASI 2:
Pilih titik yang jaraknya agak jauh. Garis lurus yang menghubungkan nilai-
nilai untuk tahun ke-3 dan ke-8 mungkin bagus.
Representasi tangan bebas dari data. Dari sini kita dapat menentukan
kemiringan dan intersep:
3. Kuadrat Terkecil
Kuadrat terkecil adalah teknik matematika untuk menyesuaikan tren ke
titik data. Garis yang dihasilkan dari best fit memiliki properti berikut:
(1) penjumlahan dari semua deviasi vertikal tentang itu adalah nol,
(2) penjumlahan dari semua deviasi vertikal kuadrat adalah minimum, dan
(3) garis melewati berarti X dan Y. Untuk persamaan linier, garis paling
cocok ditemukan oleh solusi simultan untuk a dan b dari dua persamaan
normal berikut:
13
Year X year coded Y shipments (tons) XY X2
1 –S 2 – 10 25
2 –4 3 – 12 16
3 –3 6 – 18 9
4 –2 10 – 20 4
5 –1 8 –8 1
6 0 7 0 0
7 1 12 12 1
8 2 14 28 4
9 3 14 42 9
10 4 18 72 16
11 5 19 95 25
0 11 181 110
3
Persamaan di atas dapat digunakan dalam bentuk yang ditunjukkan di atas
dan digunakan dalam bentuk itu untuk regresi. Namun, dengan deret waktu,
data juga dapat dikodekan sehingga X = 0. Dua suku kemudian putus, dan
Tabel 5.2
14
Indeks musiman: Indeks musiman (SI) adalah rasio yang berhubungan dengan
musim yang berulang variasi ke nilai tren yang sesuai pada waktu tertentu. Dalam
rasio rata-rata bergerak metode perhitungan data bulanan (atau triwulanan)
biasanya digunakan untuk menghitung 12-bulan (atau 4-kuartal) rata-rata
bergerak. (Ini mengurangi semua fluktuasi musiman.) Nilai bulanan aktual (atau
triwulanan) kemudian dibagi dengan nilai rata-rata bergerak yang dipusatkan pada
bulan aktual. Dalam metode rasio-tren, nilai aktual dibagi dengan nilai tren yang
berpusat pada bulan aktual. Rasio yang diperoleh untuk beberapa bulan (atau
kuartal) yang sama kemudian dirata-ratakan untuk mendapatkan nilai indeks
musiman. Indeks dapat digunakan untuk mendapatkan nilai ramalan musiman,
Ysz (atau untuk mengurangi data aktual). Ysz = (SI) Yc.
Tabel 5.3
15
menghitung ( a ) nilai tren (tidak disesuaikan) untuk Juli tahun 12
dan ( b) perkiraan penjualan snowboard aktual (musiman) di bulan
Juli tahun 12.
a) Juli tahun 12 adalah (8) (12) = 96 bulan lagi dari Juli tahun 4, jadi nilai
/ trendnya adalah:
Yc = 1800 + 20 (96) = 3.240 unit / tahun atau 3.240 unit / tahun 12
bulan / tahun = 310 unit / bulan
16
untuk minggu ini tanggal 15 Februari, Lanjutkan perkiraan
sampai tanggal 15 Maret, dengan asumsi bahwa permintaan
berikutnya sebenarnya adalah 516, 488, 467, 554 dan 510 unit.
Solusi
a) Ft = Ft-1 +α (A t-1 – F1)
= 500 + 0.1 (450 - 500) = 459 unit
Tabel 5.4
17
menjadi permintaan aktual periode terakhir. Yang
memuaskan α umumnya dapat ditentukan dengan
pemodelan trial-and-error (di komputer) untuk melihat nilai
mana yang meminimalkan kesalahan perkiraan. Pemulusan
eksponensial sederhana hanya menghasilkan rata-rata. Ini tidak
memperkirakan efek tren. Tidak α nilai akan sepenuhnya
mengkompensasi tren dalam data. Sebuah α nilai yang
menghasilkan kira-kira tingkat perataan yang setara sebagai
rata-rata bergerak n periode adalah:
Α=2
N+1
1. Pemulusan Eksponensial yang Disesuaikan
Model pemulusan eksponensial yang disesuaikan
memiliki semua fitur model pemulusan eksponensial
sederhana, plus mereka memproyeksikan ke masa depan
(misalnya, ke periode waktu t + 1) dengan menambahkan
koreksi tren kenaikan, Tt untuk periode saat ini rata-rata
dihaluskan, ^f^ t
^
F t +1 = ^
^ F t + T1Gambar 5.1 menggambarkan komponen prakiraan yang
disesuaikan tren yang menggunakan koefisien penghalusan kedua β. Itu β
nilai menentukan sejauh mana penyesuaian tren bergantung pada yang
terbaru perbedaan dalam jumlah perkiraan ( ^
Ft - ^
F t-1 ) versus tren sebelumnya
Tt-1 Jadi:
^
F t = αAt-1 + (1-α)( ^
F t-1 + Tt-1)
Tt = β ( ^
Ft - ^
F t-1) + (1 – β) Tt-1
18
diasumsikan nol.
19
1. Regresi
Model regresi linier sederhana mengambil bentuknya Y
Tabel 5.5
Izin konstruksi ( X) Pengiriman eternit ( Y)
15 6
9 4
40 16
20
20 6
25 13
25 9
15 10
35 16
SOLUSI: ( a)
Tabel 5.6
X Y XY X2 Y2
15 6 90 225 36
9 4 36 81 16
40 16 640 1.600 256
20 6 120 400 36
25 13 325 625 169
25 9 225 625 81
15 10 150 225 100
35 16 560 1.225 256
184 80 2.146 5,006 950
n = 8 pasang observasi
184
X́ =( ∑ X ) /n or X́ = =23
8
∑y 80 ∑ XY −n X́ Ý 2146−8 ( 23 ) (10)
Ý = ( )
n
∨Ý = =10 b=
8 2
∑ X −n X
2
∨b=
5006−8 ( 23 )(23)
=0.395
a = Ý −b X́∨a=10−0.395 ( 23 )=0.91
21
Y c= 0.91 + 0.395 (30) = 12.76 ~ 13 pengirim
∑Y 2−a ∑Y −b ∑ XY
S y− x =
√ n−2
Solusi
22
Interval prediksi = YC ± tSind
1
√
t ind = 1+ +¿ ¿
n
1
√
t ind = 1+ +¿ ¿pengirim
8
Interval produksi = 13 ± 2.45 (2.4) = 7.1 hingga 18.90
(gunakan 7 hingga 19 pengiriman
1
Dimana Sb =S y−x
√ ∑¿¿¿
¿
Jika nilai tcalc > tdf dari tabel, hubungan antara X dan Y variabel
signifikan secara statistik.
Df 5 6 7 8 9 10 12 15 20 30 00
t05(90%) 2.02 1.94 1.90 1.86 1.83 1.81 1.78 1.75 1.73 1.70 1.65
t10(95%) 2.57 2.45 2.37 2.31 2.26 2.23 2.17 2.13 2.08 2.04 1.96
23
2. Korelasi
Linear sederhana koefisien korelasi r adalah angka antara –1
dan + 1 yang menunjukkan seberapa baik persamaan linier
menggambarkan hubungan antara dua variabel. Seperti yang
diilustrasikan dalam Gambar. 5.2 r ditetapkan sebagai positif
jika Y meningkat sebagai X meningkat, dan negatif jika Y
menurun sebagai X meningkat. Sebuah r nol menunjukkan
tidak adanya hubungan antara dua variabel.
24
Gambar 5.3 Penyimpangan variabel dependen
∑¿
25
8 ( 2146 )−( 184 ) ( 80)
r=
√¿ ¿ ¿
1. Kontrol Perkiraan
MAD=∑∨Error∨ ¿ ¿
n
∑( Perkiraan−aktual)
Pelacakan Sinyal=
MAD
26
Sinyal pelacakan adalah salah satu cara untuk memantau seberapa baik
perkiraan memprediksi nilai sebenarnya. Mereka mengekspresikan deviasi
kumulatif (juga disebut jumlah berjalan dari kesalahan ramalan, RSFE) dalam hal
jumlah rata-rata deviasi (MADs). Batas tindakan untuk sinyal pelacakan biasanya
berkisar dari tiga hingga delapan. Ketika sinyal melampaui kisaran ini, tindakan
korektif mungkin diperlukan.
ILUSTRASI 11:
Item bernilai tinggi memiliki batas tindakan sinyal pelacakan 4 dan telah
diramalkan seperti yang ditunjukkan pada Tabel 5.8. Hitung sinyal pelacakan, dan
tunjukkan apakah beberapa tindakan korektif sudah sesuai.
60
MAD=∑∨Error∨ ¿ = =10 ¿
n 6
∑(Perkiraan−aktual) 36
Pelacakan Sinyal ¿ = =3.6
MAD 10
27
Batas kontrol kemudian ditetapkan, mungkin pada dua atau tiga deviasi
standar dari rata-rata perkiraan X atau batas 2SF atau 3SF digunakan sebagai
batas maksimum yang dapat diterima untuk kesalahan perkiraan. Perhatikan
bahwa batas tersebut didasarkan pada nilai perkiraan individu, jadi Anda
berasumsi bahwa kesalahan didistribusikan secara normal di sekitar rata-rata
perkiraan.
ILUSTRASI 12
(a) Hitung batas kontrol 2SF untuk data yang diberikan dalam Ilustrasi 11.
Dimana
(b) Semua kesalahan perkiraan (seperti yang dihitung dalam Ilustrasi 5.11) berada
dalam batas kesalahan :: t :: 28. Catatan: Karena n kurang dari 30, distribusi
kesalahan perkiraan ini tidak sepenuhnya memenuhi asumsi normalitas.
2. Aplikasi Prakiraan
28
Prakiraan jangka panjang digunakan untuk lokasi, kapasitas, dan keputusan
produk baru membutuhkan teknik dengan cakrawala jangka panjang. Prakiraan
jangka pendek seperti perkiraan untuk pengendalian produksi dan inventaris,
tingkat tenaga kerja, dan pengendalian biaya - dapat lebih mengandalkan sejarah
terkini.3
ILUSTRASI 13:
(b) Hitung rata-rata bergerak 3 bulan tertimbang, dengan bobot tertinggi untuk
bulan terakhir dan turun dalam urutan 3, 2, dan 1.
3
Joseph, G. Monks, Theory and Problems of Operations Management, Tata McGraw-Hill
Publishing Company Limited, 2nd Edition, 2004. Hal. 119 - 125
29
ILUSTRASI 14:
ILUSTRASI 15:
ILUSTRASI 16:
Nilai tren kuartalan untuk unit yang diminta telah dihitung sebagai Ql = 620, Q2 =
655, Q3 = 690, dan Q4 = 725. Indeks musiman yang sesuai untuk kuartal tersebut
masing-masing adalah 0,72, 1,33, 1,05, dan 0,90. Perkirakan penjualan aktual
(musiman) untuk Q3 dan Q4.
30
SOLUSI
ILUSTRASI 17:
Produsen pakaian olahraga ingin menggunakan data dari periode 5 tahun untuk
mengembangkan indeks musiman. Nilai tren dan rasio dari A aktual ke tren T
untuk sebagian besar bulan telah dihitung seperti yang ditunjukkan pada Tabel
5.10. Nilai aktual dan tren bulan April dan Mei ditunjukkan pada Tabel 5.11 dan
5.12.
Bulan Jan Feb Mar April Mei Juni Juli Agu Sept Okto Nov Des
s
Ratio 0.72 0.58 0.85 1.43 1.21 1.05 0.98 0.92 0.88 1.12
AIT
Hitung kerabat musiman untuk April dan Mei, perbaiki total menjadi 12,00, dan
tentukan indeks musiman yang dihasilkan. Lihat Tabel 5.11 dan 5.12.
Tahun 1 2 3 4 5 Tahun I 2 3 4 5
Aktual 382 401 458 480 533 Aktual 485 530 560 592 656
April Mei
Tren 400 436 472 508 544 Tren 403 439 475 511 547
April Mei
April 0.96 0.92 0.97 0.94 0.98 Mei 1.20 1.21 1.18 1.16 1.20
A/T A/T
SOLUSI
31
Rata-rata April = 4,77 ÷ 5 = 0,95 Rata-rata Mei = 5,95 ÷ 5 =
1,19
Bulan Jan Feb Mar April Mei Juni Juli Agust Sept Okt Nov Des 12 Bulan
Ratio 0.72 0.58 0.85 0.95 1.19 1.43 1.21 1.05 0.98 0.92 0.88 1.12 11.88
A/T
12
Faktor Koreksi= =1.01
11.88
Bulan Jan Feb Mar April Mei Juni Juli Agust Sept Okt Nov Des 12 Bulan
Ratio 0.73 0.59 0.86 0.96 1.20 1.44 1.22 1.06 0.99 0.93 0.89 1.13 12.00
A/T
ILUSTRASI 18:
SOLUSI
ILUSTRASI 19:
32
menggunakan data rata-rata bergerak sebelumnya, ubah menjadi perkiraan
pemulusan eksponensial untuk bulan ke-33.
Bulan 24 25 26 27 28 29 30 31 32
Permintaan 78 65 90 71 80 101 84 60 73
ILUSTRASI 20:
SOLUSI
33
b. Ft = 403 + 0.1(460 – 403) = 409
c. Ft(sz) = 409 (1.20) = 491
ILUSTRASI 21:
Kita punya:
Tt = β (Ft - Ft – 1) + (1 - β) Tt – 1
Sisa dari perhitungan ada di Tabel 5.15. Perkiraan penyesuaian tren untuk
minggu 14/5 adalah 711,89 = 712 unit
34
sebelumnya Aktual dihaluskan dihaluskan periode
Tt berikutnya
At–1 Fˆ
Fˆ
t–1 t Tt Fˆ – 1
t
Mar 19 650.00 700 655.00 1.00 656.00
26 655.00 685 658.90 1.58 660.48
April 2 658.90 648 659.23 1.33 660.56
9 659.23 717 666.20 2.46 669.06
16 660.20 713 673.09 3.35 676.44
23 673.09 728 681.60 4.39 685.99
30 681.60 754 691. 79 5.74 698.53
Mei 7 692.79 762 704.88 7.01 711.89
14 770
35
Tingkat ketelitian yang dibutuhkan sangat erat hubungannya dengan tingkat
perincian yang dibutuhkan dalam suatu peramalan. Untuk beberapa pengambilan
keputusan diharapkan penyimpangan yang terjadi antara 10-15 %, sebesar 5 %
merupakan penyimpangan yang cukup berbahaya.
3. Ketersediaan data
Metode yang digunakan sangat besar manfaatnya, apabila dikaitkan dengan
keadaan atau informasi yang ada atau data yang tersedia.Apabila dari data dimasa lalu
diketahui adanya pola musiman. Maka untuk peramalan satu tahun ke depan sebaiknya
digunakan metode variasi musiman. Sedangkan apabila dari data yang lalu diketahui
adanya pola hubungan antara variabel-variabel yang saling mempengaruhi, maka
sebaiknya digunakan metode sebab-akibat (causal).
4. Bentuk pola data
Dasar utama metode peramalan adalah anggapan bahwa pola data yang diramalkan
akan berkelanjutan. Sebagai contoh, beberapa deret yang menunjukan pola musiman
atau trend. Metode peramalan yang lain mungkin lebih sederhana, terdiri dari satu nilai
rata rata, dengan fluktuasi yang acak. Karena perbedaan kemampuan metode
peramalan untuk mengidentifikasi pola-pola data, maka perlu adanya usaha
penyesuaian pola data.
5. Biaya
Umumnya ada empat jenis biaya dalam proses peramalan yaitu biaya
pengembangan, biaya penyimpanan, biaya operasi, dan biaya kesempatan penggunaan
teknik peramalan4
4
Joseph, G. Monks, Theory and Problems of Operations Management, Tata McGraw-Hill
Publishing Company Limited, 2nd Edition, 2004.
36
BAB III
PENUTUP
A. Kesimpulan
Peramalan (forecasting) sangat penting untuk kelancaran operasi
organisasi bisnis. Mereka memberikan informasi yang dapat membantu
manajer dalam membimbing aktivitas masa depan menuju tujuan organisasi.
Peramalan (forecasting) adalah perkiraan kejadian, waktu, atau besarnya
peristiwa masa depan yang tidak pasti. Perkiraan sangat penting untuk
kelancaran operasi organisasi bisnis.
Dalam proses peramalan ada beberapa komponen atau tahap yang harus
dilalui yaitu, penentuan tujuan, pemilihan teori yang relevan, pencarian data
yang tepat, analisis data, pengestimasian modal awal, evaluasi dan revisi
model, penyajian ramalan sementara kepada manajemen, revisi terakhir,
pendistribusian hasil peramalan, penetapan langkah akhir pramalan.
Metode dalam peramalan atau forecasting dibagi menjadi 2 yaitu ada
metode kualitatif dan metode kuantitatif. Dalam metode kuantitatif ada
beberapa teknik metode yang sering digunakan yaitu teknik metode time series
yaitu metode yang didasarkan pada data yang terjadi di masa lampau, dan ada
lagi teknik metode kausal yaitu suatu model sebab-akibat antara permintaan
yang diramalkan dengan variabel-variabel lain yang dianggap berpengaruh.
Dalam metode kualitatif juga terbagi menjadi bebrapa teknik yaitu, survei
pasar, pendapat dari eksekutuf, dan gabungan tenaga penjualan
Dalam aplikasi dan kontrol peramalan yang pertama ada kontrol
perkiraan yang berguna untuk melihat seberapa jauh penyimpangan peramalan
dengan menggunakan rumus rumus tertentu, dan yang kedua yaitu aplikasi dari
peramalan Prakiraan jangka panjang digunakan untuk lokasi, kapasitas, dan
keputusan produk baru membutuhkan teknik dengan cakrawala jangka
panjang. Prakiraan jangka pendek seperti perkiraan untuk pengendalian
produksi dan inventaris, tingkat tenaga kerja, dan pengendalian biaya - dapat
lebih mengandalkan sejarah terkini.
37
Yang terakhir dari pembahasan dalam materi ini yaitu faktor faktor yang
nenpengaruhi pemilihan, Peramalan pada dasarnya merupakan upaya dalam
memperkecil resiko yang timbul akibat pengambilan keputusan dalam suatu
perencanaan produksi. Semakin besar upaya yang dikeluarkan, maka akan
semakin besar pula resiko yang diperoleh. Namun, upaya memperkecil resiko
tersebut dibatasi oleh biaya yang dikeluarkan dalam mengupayakan hal
tersebut. Faktor-faktor yang harus dipertimbangkan, antara lain, horizon
peramalan, tingkat ketelitian, ketersediaan data, bentuk pola data, dan yang
terakhir yaitu biaya.
B. Saran
Dengan membaca makalah ini penulis berharap semoga pembaca dapat
lebih memahami dan menguasai materi mengenai “peramalan (forecasting)”
sehingga kita dapat meminimalisasi kesalahan dalam memahaminya dan
menambah wawasan ilmu dari materi ini.
Tentunya makalah ini jauh dari kesempurnaan karena akan ditemukan
banyak kelemahan atau bahkan kekeliruan, baik dalam kepenulisan ataupun
penyajian. Oleh karena itu, penulis berharap adanya masukan dari para
pembaca adanya masukan dari para pembaca sehingga kedepan mampu lebih
baik dalam penyelesaiannya.
38
DAFTAR PUSTAKA
39