PERAMALAN

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)

MANAJEMEN BISNIS SYARIAH

FAKULTAS EKONOMI DAN BISNIS ISLAM
INSTITUT AGAMA ISLAM NEGERI TULUNGAGUNG
APRIL 2021
 KATA PENGANTAR
Puji syukur dipanjatkan kepada Allah SWT. Yang telah memberikan
rahmat dan hidayahnya, sehingga makalah ini dapat terselesaikan dengan
semaksimal mungkin. Makalah ini disusun untuk memenuhi tugas mata kuliah
“Manajemen Operasional Bisnis”.
Ucapan terimakasih tidak lupa disampaikan kepada:
1. Dr. Maftukhim, M.Ag, selaku Rektor IAIN Tulungagung yang telah
memberikan kesempatan untuk menimba ilmu di IAIN Tulungagung.
2. H. Dede Nurrohman, M.Ag, selaku dekan Fakultas Ekonomi dan Bisnis
Islam yang telah memberi izin untuk menyelesaikan makalah ini.
3. Nur Aziz Muslim, M.H.I, selaku ketua jurusan Manajemen Bisnis Syari’ah
yang telah mengarahkan dan memberikan wawasan dalam pembuatan
makalah ini.
4. Kus Irawan Prabowo M.Pd, selaku dosen pembimbing yang telah
memberikan tugas dan pengarahan.
5. Semua pihak yang telah membantu dalam menyelesaikan makalah ini.
Disadari bahwa dalam penyusunan laporan observasi ini masih terdapat
banyak kekurangan. Oleh karena itu, kritik dan saran yang membangun sangat
diharapkan demi diperolehnya hasil yang lebih baik di masa mendatang. Semoga
makalah ini dapat bermanfaat dan menambah wawasan bagi semua pihak.

Tulungagung, 26 April 2021

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.

2. Pemilihan Teori Yang Relevan

Setelah tujuan peramalan ditetapkan, langkah berikutnya adalah menentukan

hubungan teoritis yang menentukan perubahan-perubahan variabel yang
diramalkan. Suatu teori yang tepat guna akan selalu membantu seorang peramal
dalam mengidentifikasi setiap kendala yang ada untuk dipecahkan dan
dimasukkan ke dalam proses peramalan.

3. Pencarian Data Yang Tepat

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.

5. Pengestimasian model awal

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.

6. Evaluasi dan Revisi Model

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.

7. Penyajian Ramalan Sementara Kepada Manajemen

Demi keberhasilan suatu peramalan, maka dibutuhkan input dari manajemen.

Pada tahap ini dibutuhkan penyesuaian-penyesuaian jugdemental untuk melihat
pengaruh dari resesi suatu perekonomian, pengaruh perubahan inflasi,
kemungkinan pemogokan tenaga kerja atau perubahan kebijakan pemerintah dan
sebagainya.

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.

9. Pendistribusian Hasil Peramalan

Pendistribusian hasil peramalan kepada manajemen harus pada waktu tepat

dan dalam format yang konsisten. Jika tidak, nilai ramalan tersebut akan
berkurang. Peramal harus menentukan siapa yang harus menerima hasil ramalan
tersebut, tingkat kerincian ramalan sesuai dengan para penggunanya dan berapa
kali para penggunanya harus diberikan dan diperbaiki. Setelah itu peramal harus
selalu melakukan diskusi dengan para pengguna ramalan tersebut berkenaan
dengan kegunaan dari informasi peramalan tersebut.

10. Penetapan Langkah Pemantauan

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

Beberapa prakiraan pendapat dan penilaian sebagian besar bersifat intuitif,

sedangkan yang lain mengintegrasikan data dan mungkin bahkan teknik
matematika atau statistik. Prakiraan penghakiman sering kali terdiri dari (1)
prakiraan oleh staf penjualan individu, (2) Perkiraan menurut manajer divisi
atau lini produk, dan (3) perkiraan gabungan di antara dua. Analogi sejarah
bergantung pada perbandingan; Delphi mengandalkan metode terbaik dari
kelompok prakiraan. Semua metode ini dapat menggabungkan pengalaman dan
wawasan pribadi. Namun, hasil mungkin berbeda dari satu individu ke individu
lainnya dan tidak semuanya dapat dianalisa. Jadi disana mungkin menjadi
dasar kecil untuk perbaikan dari waktu ke waktu.

2. Metode Time Series

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.

Yc = T. S.C.R model perkalian (5.1)

Yc = T + S + C + R model aditif (5.2)

di mana T adalah Tren, S adalah Musiman, C adalah Siklus, dan R adalah

komponen Acak dari suatu seri.

Tren adalah pergerakan arah jangka panjang bertahap dalam data

(pertumbuhan atau penurunan). Efek musiman adalah variasi serupa yang
terjadi selama periode yang sesuai, misalnya, Desember penjualan eceran.
Musiman dapat berupa indeks triwulanan, bulanan, mingguan, harian, atau
bahkan per jam.

Faktor siklus adalah ayunan jangka panjang di sekitar garis tren. Mereka
sering dikaitkan dengan siklus bisnis dan dapat diperpanjang hingga beberapa
tahun lamanya.

Komponen acak adalah efek sporadis (tidak dapat diprediksi) karena

kebetulan dan tidak biasa kejadian. Mereka adalah sisa setelah variasi tren,
siklus, dan musiman dihilangkan.

Ringkasan Metode Peramalan

Method Description Time

Relative

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

Penjualan lapangan dan Estimasi dari staf penjualan regional MR M

manajemen lini produk direkonsiliasi
dengan proyeksi nasional dari manajer lini
produk
Analogi sejarah Perkiraan dari perbandingan dengan SR-LR L-
produk serupa M
diperkenalkan sebelumnya
Delphi Para ahli menjawab serangkaian LR M-
pertanyaan (tanpa nama), menerima H
umpan balik, dan merevisi perkiraan
Survei pasar Kuisioner / wawancara untuk data MR-LR H
mempelajari tentang perilaku konsumen
Deret waktu (kuantitatif)
Naive Perkiraan sama dengan nilai terbaru atau SR L
plus atau minus terbaru
beberapa persentase
Rata-rata bergerak Prakiraan adalah rata-rata dari n periode SR L
terbaru
(juga bisa diberi bobot)
Proyeksi tren Perkiraannya linier, eksponensial, atau MR-LR L
proyeksi lainnya
dari tren masa lalu
Penguraian Rangkaian waktu dibagi menjadi tren, SR-LR L
musiman, siklus,
dan komponen acak

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.

PROSEDUR PERAMALAN PENGGUNAAN TIME SERIES

Berikut adalah langkah-langkah dalam peramalan deret waktu:

1. Plot data historis untuk mengkonfirmasi hubungan (misalnya,
linier,eksponensial).
2. Kembangkan persamaan tren (T) untuk mendeskripsikan data.
3. Kembangkan indeks musiman (SI, mis., Nilai indeks bulanan).
4. Tren proyek ke masa depan (misalnya, nilai tren bulanan).
5. Kalikan nilai tren dengan nilai indeks musiman yang sesuai.
6. Ubah nilai yang diproyeksikan dengan pengetahuan apa pun tentang:
(C) Kondisi bisnis siklis,
(R) Efek ireguler yang diantisipasi.

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

Rata-rata bergerak tertimbang (MAw) memungkinkan beberapa nilai

ditekankan dengan memvariasikan bobot. Ditugaskan ke setiap komponen
rata-rata. Bobot dapat berupa persentase atau bilangan real.
∑ (Wt) X
MA (Wt )=
∑(Wt)
ILUSTRASI 1: Pengiriman (dalam ton) tabung las oleh produsen
aluminium ditampilkan di bawah

Tahun 1 2 3 4 5 6 7 8 9 10 11
Tons 2 3 6 10 8 7 12 14 14 18 19

(a) Buat grafik data, dan komentari hubungannya.

(b) Hitung rata-rata pergerakan 3 tahun, memplotnya sebagai garis putus-
putus, dan menggunakannya untuk meramalkan pengiriman di tahun 12.
(c) Menggunakan bobot 3 untuk data terbaru, 2 untuk berikutnya, dan 1
untuk yang terlama, memperkirakan pengiriman di tahun ke-12.

Demand
20
18 18 19
16
13 14
14 14
10
12 11
8
10 7
6
8
3
6 2
4
 0

Year Shipments (tonns) 3-year moving total 3-year moving

average
1 2 - -
2 3 11 3.7
3 6 19 6.3
4 10 24 8.0
5 8 25 8.3
6 7 27 9.0
7 13 33 11.0
8 14 40 13.3
9 14 46 15.3
10 18 51 17.0
11 19 - -

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:

Yc = a + b (X) (tanda tangan)

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:

(a) Gunakan garis hand fit untuk “mengembangkan persamaan prakiraan

untuk data pada Gambar 5.2. Sebutkan persamaannya, lengkap dengan tanda
tangannya. (b) Gunakan persamaan Anda untuk meramalkan tabung
pengiriman untuk tahun 12.

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

persamaannya disederhanakan menjadi:

Untuk mengkodekan data deret waktu, tentukan pusat rentang waktu
sebagai X = 0 dan biarkan setiap periode berturut-turut berjarak ± 1 unit lagi.
(Untuk jumlah periode genap, gunakan nilai ± 0,5, 1,5, 2,5, dll.).
ILUSTRASI 3:
Gunakan metode kuadrat terkecil untuk mengembangkan persamaan tren linier
untuk data dari ilustrasi 1. Sebutkan persamaan tersebut dan ramalkan nilai tren
untuk tahun ke-16

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

Thn Thn Thn Thn Thn Thn Thn Thn

5 6 7 8 9 10 11 l2
Penjualan aktual Juli 22 30 18 26 45 36 40
Nilai tren Juli, Yc 170 190 210 230 250 270 290
Rasio (aktual • 0.13 0.16 0,09 0.11 0.18 0.13 0.14
kecenderungan)
Jumlah = 0,94.

( a ) A Baris ketiga telah ditambahkan ke Tabel 5.3 untuk menunjukkan

rasio nilai aktual terhadap tren Juli. Menggunakan rata-rata sederhana,
indeks Juli adalah SIjuli = 0,94 ÷ 7 = 0,13. Ini berarti Juli biasanya hanya 13
persen dari nilai tren untuk Juli di tahun tertentu. Bulan-bulan musim
dingin kemungkinan besar cukup tinggi.

ILUSTRASI 5: Persamaan prakiraan untuk contoh sebelumnya,

berpusat pada Juli tahun 4 dengan X satuan dalam bulan, adalah
Yc = 1800 + 20X (15 Juli, Yr 4 = 0, X = bulan, Y = satuan / tahun).

* Gunakan persamaan ini dan indeks musiman Juli 0,13 untuk

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

b) Perkiraan aktual (musiman) Ysz = ( SI) Yc = ( 0,13) (310)

= 40 unit.

3. Perataan Eksponensial (Exponential Smooting)

Perataan eksponensial adalah teknik peramalan rata-rata

bergerak yang membobotkan data masa lalu dengan cara
Eksponensial sehingga data terbaru membawa lebih
banyak bobot dalam rata-rata bergerak.
Dengan penghalusan eksponensial sederhana, ramalan Ft terdiri dari

perkiraan periode terakhir Ft– 1 d itambah satu porsi, α , dari

perbedaan antara permintaan aktual periode terakhir At– 1 dan

periode terakhir ramalan cuaca Ft–.1

Ft = Ft-1 + (A t-1 – F1)

ILUSTRASI 6: Perusahaan menggunakan pemulusan eksponensial
sederhana dengan α = 0.1 untuk meramalkan permintaan. Perkiraan
untuk minggu 1 Februari adalah 500 unit, sedangkan permintaan
sebenarnya ternyata 450 unit.
a) Perkirakan permintaan untuk minggu ini pada tanggal 8
Februari.
b) Asumsikan bahwa permintaan aktual selama minggu kerja
tanggal 8 Februari ternyata 505 unit. Perkirakan permintaan

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

b) Kami mengatur prosedur dalam bentuk tabel

Tabel 5.4

Ramalan Koreksi Perkiraan baru

Minggu Permintaan Kesalahan
lama α (A t-1 – (Ft) Ft-1 + (A t-1
sebenarnya perkiraan
Ft – 1 Ft-1) – Ft-1)
A t-1 A t-1 – Ft-1
1 Feb 450 500 - 50 -5 495
8 505 495 10 1 496
15 516 496 20 2 498
22 488 498 - 10 -1 497
1 Mar 467 497 - 30 -3 494
8 554 494 60 6 500
15 510 500 10 1 501
Konstanta penghalusan, α , adalah angka antara 0 dan 1
yang masuk secara perkalian ke dalam setiap perkiraan tetapi
pengaruhnya menurun secara eksponensial seiring dengan
bertambahnya usia data. Nilai tipikal berkisar dari 0,01 hingga
0,40. Sebuah Ion α memberi bobot lebih pada rata-rata
sebelumnya dan secara efektif akan mengurangi variasi acak
tinggi. Tinggi α nilai-nilai lebih responsif terhadap perubahan
permintaan ( misalnya, dari perkenalan produk baru, kampanye
promosi). Sebuah α dari 1 akan mencerminkan penyesuaian
total untuk permintaan baru-baru ini, dan prakiraan akan

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

A rendah β memberikan lebih banyak perataan tren dan

mungkin berguna jika tren tidak mapan. Tinggi β akan
menekankan tren terkini dan lebih responsif terhadap
perubahan tren terkini. Penyesuaian tren awal T t-1 terkadang

18
 diasumsikan nol.

Gambar 5.1 Komponen prakiraan yang disesuaikan tren

Model adaptif diri: Model komputer yang dapat menyesuaikan

sendiri yang mengubah nilai koefisien penghalusan α s dan β s
secara adaptif telah dikembangkan; model ini membantu
meminimalkan jumlah kesalahan perkiraan.
4. Metode Regresi Dan Korelasi
Teknik regresi dan korelasi mengukur hubungan statistik antara dua
variabel lebih.
a) Regresi sederhana mengungkapkan hubungan antara variabel
dependen Y dan a variabel bebas X dalam hal kemiringan dan titik
potong dari garis yang paling cocok menghubungkan kedua
variabel.

b) Korelasi sederhana menyatakan derajat atau kedekatan

hubungan antara dua variabel dalam bentuk koefisien
korelasi yang memberikan ukuran tidak langsung dari
variabilitas titik dari garis yang paling sesuai. Baik regresi
maupun korelasi tidak memberikan bukti hubungan sebab-
akibat.

19
 1. Regresi
Model regresi linier sederhana mengambil bentuknya Y

c = a + bX, dimana Yc adalah variabel terikat dan X variabel

bebas. Nilai kemiringan b dan α mencegat diperoleh dengan
menggunakan persamaan normal ditulis dalam bentuk yang
nyaman:
∑ XY −n X́ Ý
b=
∑ X2Y 2
a=Ý −b X́

Dalam Persamaan. (1) dan (2), X́ = ( ∑ x ) / n dan Ý = (∑

y) / n Y adalah sarana variabel independen dan dependen
masing-masing, dan n adalah jumlah pasangan
pengamatan yang dilakukan.

ILUSTRASI 7: Manajer umum pabrik produksi bahan

bangunan merasa bahwa permintaan pengiriman eternit
mungkin terkait dengan jumlah izin konstruksi yang
dikeluarkan di daerah tersebut selama kuartal
sebelumnya. Manajer telah mengumpulkan data yang
ditunjukkan pada Tabel 5.5.

a) Hitung nilai untuk kemiringan b dan titik

potong a.

b) Tentukan perkiraan titik pengiriman eternit saat

jumlah konstruksiizin adalah 30.

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

( b) Persamaan regresi adala Lalu, biarkan X = 30,

a = Ý −b X́∨a=10−0.395 ( 23 )=0.91

Yc= 0,91 + 0,395 X (X = izin, Y = pengiriman)

21
Y c= 0.91 + 0.395 (30) = 12.76 ~ 13 pengirim

Devisi standrat regresi

Garis regresi menggambarkan hubungan antara nilai
tertentu dari variabel independen X dan μy-x mean dari distribusi
probabilitas yang sesuai dari variabel dependen Y. Kami
berasumsi distribusi Y nilai normal untuk nilai X tertentu.
Perkiraan titik, atau perkiraan, adalah rata-rata dari distribusi
tersebut untuk nilai X yang diberikan. Itu deviasi standar dari
regresi S y-x adalah ukuran penyebaran titik data di sekitar garis
regresi. Untuk regresi sederhana, perhitungan S y-x memiliki n -
2 derajat kebebasan
2
. SY − X = ∑ Y −a ∑ y−∑ xy
√ n−2
ILUSTRASI 8: Dengan menggunakan data dari
ilustrasi 7, hitung Standar Deviasi Regresi.
Solusi

∑Y 2−a ∑Y −b ∑ XY
S y− x =
√ n−2

950−( 0.91 ) ( 80 )−( 0.396 )( 2146)

SY − X =
√ 8−2
=2.2Pengirim

ILUSTRASI 9 : Dengan menggunakan data dari ilustrasi 7 dan

8, kembangkan perkiraan interval prediksi 95 persen untuk
jumlah pengiriman tertentu yang akan dilakukan ketika 30 izin
konstruksi dikeluarkan selama kuartal sebelumnya. Catatan: X =
23 untuk n = 8 observasi, dan ∑( X - X) 2 = 774. Juga, dari Ilustrasi 7,
Yc= 13 pengiriman, di mana X = 30; dan dari Ilustrasi 8, S y-x =2.2
pengirim.

Solusi

22
 Interval prediksi = YC ± tSind

dimana nilai untuk n - 2 = 8 - 2 = 6 derajat kebebasan = 2,45 dan

di mana

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

Untuk sampel besar ( n ≥ 100), Persamaan 3 dapat

didekati dengan menggunakan normal ( Z) distribusi
daripada t, dalam bentuk Y ± ZS y-x (catatan untuk
kepercayaan 95 persen, nilai Z sama dengan t dengan ∞
df, yang dari Tabel 5.7 (diberikan di bawah) sama
dengan 1.96.) Juga, signifikansi koefisien kemiringan
garis regresi ( b) dapat diuji menggunakan ekspresi:
b
t calc=
Sb

1
Dimana Sb =S y−x
√ ∑¿¿¿
¿

Jika nilai tcalc > tdf dari tabel, hubungan antara X dan Y variabel
signifikan secara statistik.

Tabel 5.7 t- Nilai distribusi (untuk kepercayaan 90 persen dan

95 persen)

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.

Gambar 5.2 Interpretasi koefisien

korelasi

Penyimpangan semua poin ( Y) dari garis regresi ( Y) terdiri

daricpenyimpangan yang diperhitungkan oleh garis regresi
(dijelaskan) dan deviasi acak (tidak dapat dijelaskan). Gambar
5.3 mengilustrasikan hal ini untuk satu hal, Y. Menguadratkan
penyimpangan kami memiliki variasi.

24
 Gambar 5.3 Penyimpangan variabel dependen

Variasi total = dijelaskan + tidak dijelaskan

∑¿

Itu koefisien determinasi r 2 adalah rasio variasi yang dijelaskan

terhadap variasi total Itu koefisien korelasi r adalah akar kuadrat
dari koefisien determinasi:
r 2=∑¿ ¿

Jika ukuran sampel cukup besar ( misalnya, lebih

besar dari 50), nilai r dapat dihitung secara lebih
langsung dalam bentuk:
n ∑ XY −∑ X . ∑ Y
r=
√¿ ¿ ¿

ILUSTRASI 10: Sebuah studi untuk menentukan

korelasi antara pengiriman eternit X dan izin
konstruksi Y mengungkapkan hal-hal berikut:

∑ X = 184 ∑ Y = 80 ' n=8

∑ X 2 = 5,006 ∑Y 2 = 950 ∑ XY = 2.146

Hitung koefisien korelasi.

n ∑ XY −∑ X . ∑Y
r=
√¿ ¿ ¿

25
 8 ( 2146 )−( 184 ) ( 80)
r=
√¿ ¿ ¿

Signifikansi nilai apa pun dari r dapat diuji secara statistik

dengan hipotesis tidak ada korelasi.

D. Aplikasi Dan Kontrol Peramalan

1. Kontrol Perkiraan

Ukuran sederhana dari kesalahan ramalan adalah menghitung deviasi aktual

dari nilai ramalan. Penyimpangan akan bervariasi dari plus ke minus, tetapi
penyimpangan tersebut cenderung rata-rata mendekati nol jika prakiraannya
sesuai target. Kesalahan ramalan = permintaan aktual - perkiraan permintaan.
Kesalahan ramalan individu biasanya diringkas dalam statistik seperti kesalahan
rata-rata, kesalahan kuadrat rata-rata, atau deviasi absolut rata-rata (MAD).

MAD=∑∨Error∨ ¿ ¿
n

Perkiraan MAD dapat terus diperbarui dengan menggunakan teknik

pemulusan eksponensial. Jadi MADt saat ini adalah:

MADt = ∝ (aktual - prakiraan) + (1 - ∝) MADt – 1

Di mana ∝ adalah konstanta pemulusan. Nilai α yang lebih tinggi akan

membuat MAD saat ini, lebih responsif terhadap kesalahan perkiraan saat ini.
Ketika deviasi rata-rata (MAD) dibagi menjadi simpangan kumulatif [(Prakiraan
aktual) −∑], hasilnya adalah sinyal pelacakan:

∑( 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.

Periode Aktual Perkiraan Error |Error| (Error)2

(A – F) (A– F)
1 80 78 2 2 A
2 92 79 13 13 169
3 71 83 –12 12 144
4 83 79 4 4 16
5 90 80 10 10 100
6 102 83 19 19 361
Totals 36 60 794

60
MAD=∑∨Error∨ ¿ = =10 ¿
n 6

∑(Perkiraan−aktual) 36
Pelacakan Sinyal ¿ = =3.6
MAD 10

Batas tindakan 4 tidak terlampaui. Oleh karena itu, tidak diperlukan

tindakan apa pun. Bagan kontrol adalah cara kedua untuk memantau kesalahan
perkiraan. Variasi nilai aktual dari prakiraan (atau rata-rata) dikuantifikasi dalam
bentuk standar deviasi perkiraan SF.

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.

(b) Apakah semua kesalahan perkiraan dalam batas ini?

(a) Batas kendali tentang mean CL = X ± 2SF

Dimana

Oleh karena itu, CL = 80 ± 2 (14) = 52 sampai 108 (dibulatkan menjadi

nilai integer).

(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

Prakiraan harus cukup akurat untuk merencanakan kegiatan masa depan.

Metode dengan akurasi rendah mungkin sudah cukup; akurasi yang lebih tinggi
biasanya membutuhkan biaya lebih banyak untuk desain dan implementasi.

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:

Sebuah perusahaan pengolahan makanan menggunakan rata-rata bergerak

untuk memperkirakan permintaan bulan depan. Permintaan aktual masa lalu
(dalam satuan) ditunjukkan pada Tabel 5.9.

(a) Hitung rata-rata bergerak 5 bulan sederhana untuk memperkirakan permintaan

untuk bulan 52.

(b) Hitung rata-rata bergerak 3 bulan tertimbang, dengan bobot tertinggi untuk
bulan terakhir dan turun dalam urutan 3, 2, dan 1.

Bulan Permintaan Aktual

43 105
44 106
45 110
46 110
47 114
48 121
49 130
50 128
51 137

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:

Untuk N = 7 tahun data deret waktu (Berkode), Y ∑ = 56, XY ∑ = 70, dan 2 X∑

= 28.

(a) Tentukan titik potong dan kemiringan garis tren linier.

(b) Perkirakan nilai Y selama 6 tahun jauh dari asalnya.

ILUSTRASI 15:

Persamaan prakiraan berikut telah diturunkan dengan metode kuadrat terkecil

untuk menggambarkan pengiriman tabung aluminium yang dilas.

Yc = 10,27 + 1,65X (1996 = O, X = tahun, Y = ton / tahun)

Tulis kembali persamaan tersebut dengan (a) menggeser titik awal ke

2001; (b) mengungkapkan X unit dalam beberapa bulan, menahan Y dalam ton
per tahun; (c) menyatakan X unit dalam bulan, dan Y dalam ton per bulan.

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

Untuk Q3: Ysz = (SI) Yc = (1.05)(690) =725 unit.

Untuk Q4: Ysz = (SI) Yc = (0.90)(725)= 653 unit.

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

Total April = 4,77 Total Mei = 5,95

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

Mengalikan rasio setiap bulan dengan faktor koreksi, kita dapatkan

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:

Manajer produksi perusahaan pakaian olahraga dalam masalah sebelumnya telah

memproyeksikan nilai tren untuk musim panas mendatang (Juni, Juli, Agustus)
dari 586, 589 dan 592. Menggunakan indeks musiman yang diberikan (1,44, 1,22,
1,60), apa yang sebenarnya produksi musiman yang harus direncanakan manajer?

SOLUSI

June: Ysz = SI Yc = (1.44)(586) = 844

July: Ysz = (1.22)(589) = 719

August: Ysz = (1.06)(592) = 628

ILUSTRASI 19:

Rumah Sakit Lakeside telah menggunakan metode perkiraan rata-rata bergerak

selama 9 bulan untuk memprediksi kebutuhan persediaan obat dan pembalut
bedah. Permintaan aktual untuk satu item ditunjukkan pada Tabel 5.13 Dengan

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:

Sebuah pabrik sepatu, menggunakan penghalusan eksponensial dengan ∝ = 0,1,

telah mengembangkan perkiraan tren bulan Januari sebanyak 400 unit untuk
sepatu wanita. Merek ini memiliki indeks musiman masing-masing 0,80, 0,90,
dan 1,20 untuk 3 bulan pertama tahun ini. Berasumsi bahwa penjualan aktual
adalah 344 unit di bulan Januari dan 414 unit di bulan Februari, berapa perkiraan
musim (disesuaikan) bulan Maret?

SOLUSI

a. Mengurangi permintaan aktual bulan Januari.

344
Permintaan= =430 unit
0.80
b. Hitung prakiraan yang tidak disesuaikan.
Ft = Ft–1 + α ( A t–1 – Ft–1)
= 400 + 0.1 (430 – 400) = 403
c. Prakiraan musiman (disesuaikan) di bulan Februari adalah:
Ft(sz) = 403 (0.90) = 363
Berulang untuk Februari, kami memiliki:
414
a. Permintaan= =460
0.90

33
 b. Ft = 403 + 0.1(460 – 403) = 409
c. Ft(sz) = 409 (1.20) = 491

ILUSTRASI 21:

Kembangkan perkiraan eksponensial yang disesuaikan untuk minggu 5/14 untuk

perusahaan dengan permintaan yang ditunjukkan pada Tabel 5.14. Misalkan α =
0,1 dan β = 0,2. Mulailah dengan rata-rata sebelumnya –1 ˆ tF = 650, dan biarkan
penyesuaian tren awal, Tt – 1 = 0.

Pekan 3/1 3/2 4/2 4/9 4/16 4/23 /30 5/7

9 6
Permintaan 700 685 648 717 713 728 754 762
SOLUSI

Kita punya:

Minggu 3/19: Ft = ∝At – 1 + (1 - ∝) (Ft – 1 + Tt – 1)

= 0.1 (700) + 0.9 (650 + 0) = 655.00

Tt = β (Ft - Ft – 1) + (1 - β) Tt – 1

Ft+1 = Ft + Tt = 655 + 1 = 656.000

656.000 adalah perkiraan yang disesuaikan untuk minggu 3/26.

Minggu 3/26: Ft = 0,1 (685) + 0,9 (655 + 1,0) = 658,90

Tt = 0.2(658.9-655) + 0.8(1.0) = 1.58

Karena itu Ft+1 = 658.9 + 1.58 = 660.48

Sisa dari perhitungan ada di Tabel 5.15. Perkiraan penyesuaian tren untuk
minggu 14/5 adalah 711,89 = 712 unit

(1) (2) (3) (4) (5) (6)

Pekan Rata-rata Permintaan Rata-rata Tren yang Proyeksi

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

E. Faktor Faktor Yang Mempengaruhi 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 :
1. Horizon Peramalan
Ada dua aspek dari horizon waktu yang berhubungan dengan masing-masing
metode peramalan, yaitu:
a. Cakupan waktu di masa datang. Dimana perbedaan dari metode peramalan
hendaknya disesuaikan.
b. Jumlah periode ramalan yang diinginkan. Beberapa teknik dan metode
hanya dapat disesuaikan untuk peramalan satu atau dua periode, sedangkan
teknik dan metode ini dapat digunakan untuk peramalan beberapa periode
di masa yang akan datang.
2. Tingkat ketelitian

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

Anil Kumar, N. Suresh. 2008. Production and Operations Management, New

Delhi : New Age International (P) Limited Publishers, 2nd Edition.

Joseph, G. Monks, 2004. Theory and Problems of Operations Management. New

Delhi : Tata McGraw-Hill Publishing Company Limited, 2nd Edition.

Joseph, G. Monks.2009. Operations Management, New Delhi : McGraw-Hill

International Edition, 3rd Edition.

Eby Gusdian, Abdul Muis, Arifuddin Lamusa. 2016. Peramalan Permintaan

Produk. Palu: Universitas Tadulako Palu

Eucharistia,Yacoba Nugraha. 2017. Analisis Metode Peramalan Permintaan

Terbaik. Surakarta: Universitas Sebelas Maret

39