By.

Imelda Junita
Mahasiswa mampu menganalisis pola
data permintaan masa lalu.
Mahasiswa mampu menentukan metode
peramalan yang sesuai dengan pola data
yang ada.
Mahasiswa mampu menggunakan metode
peramalan untuk memperkirakan
permintaan di masa yang akan datang.
 Peramalan adalah seni dan
ilmu untuk memperkirakan
kejadian di masa yang akan
datang berdasarkan data
masa lalu yang diolah
dengan model matematika.
 Perkiraan kejadian di
masa yang akan datang
secara subyektif atau
berdasarkan intuisi
disebut dengan prediksi.
 Importance of Forecasting
Peramalan membantu manajer mengambil
keputusan-keputusan dalam bidang:
o Sumber daya manusia

o Kapasitas

o Manajemen rantai pasokan

Tersedia data
Harus dibuat dari waktu ke waktu
Diusahakan seakurat mungkin
Harus dapat dipercaya
Harus ditulis
Dinyatakan dalam satuan yang punya arti
Mudah dimengerti dan digunakan
Short-range forecast
Berkisar antara < 3bulan – 1 tahun. Digunakan untuk
perencanaan pembelian, penjadwalan tenaga kerja,
dll.
Medium-range forecast
Berkisar antara 3 bulan – 3 tahun.
Digunakan untuk perencanaan produksi,
penganggaran, dll.
Long-range forecast
Rentang waktunya > 3 tahun.
Digunakan untuk perencanaan produk baru, ekspansi,
dll.
n Economic forecasts
n Technological forecasts
n Demand forecasts
Steps in Forecasting System
Membuat suatu gambaran permintaan
dan waktu.
Menentukan metode peramalan yang
akan digunakan.
Menilai kesalahan yang diperkirakan.
Membuat suatu keputusan untuk
menggunakan metode tertentu
berdasarkan pertimbangan yang ada.
Qualitative forecasts

Adalah suatu
pendekatan
peramalan yang
menggunakan intuisi,
emosi, dan
pengalaman pembuat
keputusan.
Quantitative forecasts

Adalah suatu pendekatan peramalan yang

menggunakan metode matematika
berdasarkan data masa lalu atau variabel
sebab akibat.
 Qualitative Methods
Jury of executive opinion
Delphi method
Sales force composite
Consumer market survey
 Quantitative Methods
Time-series models
Adalah model yang mengasumsikan
bahwa kejadian di masa yang akan
datang merupakan fungsi data masa lalu.
Associative models
Adalah model yang memperkirakan
kejadian di masa yang akan datang
berdasarkan suatu variabel penyebab.
Constant
Trend
Seasonality
Cycles
Random variations
 Average Method
The picture can't be displayed.

Ft =
å Dt
n
Keterangan:
Ft : hasil peramalan periode ke-t
Dt : data aktual periode ke-t
n : jumlah data
 Moving Average Method

D t -1 + D t -2 + ... + D t - n
Ft =
n

Keterangan:
n : periode pergerakan (2, 3, 4…)
 Weighted
Moving Average Method

Ft =
å (w for period n)(D for period n)
åw
Keterangan:
w : bobot
Exponential Smoothing Method

Ft = Ft -1 + a ( D t -1 - Ft -1 )
Keterangan:
a : konstanta smoothing ( 0 £ a £ 1 )
 Adjusted Exponential
Smoothing Method

Tt = b ( Ft - Ft -1 ) + (1 - b )Tt -1

AF = Ft + Tt
 Adjusted Exponential
Smoothing Method
Keterangan:
AF : adjusted forecast
b : konstanta smoothing, dimana
0 £ b £1
T : faktor exponential smoothing
Ft : hasil peramalan dengan exponential
smoothing
 Least Square Method
Ft=a + b(t)
(å D )(å t ) - (å t )(å Dt )
2

a=
n(å t ) - (å t )
2 2

n(å Dt ) - (å D )(å t )
b=
n(å t ) - (å t )
2 2
 Methods for Seasonal Pattern
• Decomposition Method
Pola data musiman adalah gelombang
pasang surut yang berulang kembali
dalam waktu tidak lebih dari satu tahun.

Gelombang musim
dinyatakan dalam
indeks musim
 Decompositions Method Steps
• Seasonal index computation
• Seasonal index = daily demand
daily average

Hitung deseasonalized data

Deseasonalized data = daily demand
average index
 Decompositions Method Steps
• Ramalkan permintaan per periode jangka
panjang (mis: minggu) dengan metode
yang sesuai.
• Ramalkan permintaan per periode jangka
pendek (mis: hari) dengan cara:
permintaan jangka panjang x
seasonal index
 Forecast Error
• Mean Absolute Deviation (MAD)

MAD =
å actual - forecast
n

• Mean Square Error (MSE)

å (actual - forecast ) 2

MSE =
n
Jika Anda mau melakukan apa yang orang lain
tidak mau lakukan, Anda bisa mendapatkan apa
yang orang lain tidak dapatkan.

Paulus Winarto