MODUL PERKULIAHAN

Manajemen
Operasi

Peramalan

Fakultas Program Studi Tatap Muka Kode MK Disusun Oleh

Ekonomi dan Bisnis Akuntansi S1 01710102 Paulus Sugianto Yusuf.,S.E.,M.T

7
Abstract Kompetensi
Materi ini menjelaskan mengenai Mahasiswa memiliki kemampuan
definisi dan penerapan peramalan merancang pemecahan masalah dan
pengambilan keputusan berdasarkan
peramalan.
Isi
Landasan Teori Peramalan
Menurut Gaspersz (2004), aktivitas peramalan merupakan suatu fungsi bisnis yang
berusaha memperkirakan permintaan dan penggunaan produk sehingga produk-produk itu
dapat dibuat dalam kuantitas yang tepat. Dengan demikian peramalan merupakan
suatu dugaan terhadap permintaan yang akan datang berdasarkan pada beberapa variabel
peramal, sering berdasarkan data deret waktu historis.
Menurut Supranto (1984), forecasting atau peramalan adalah memperkirakan
sesuat u pada waktu -waktu yang akan datang berdasarkan data masa lampau yang
dianalis is secara ilmiah, khususnya menggunakan metode statistika. Menurut Sofjan
Assauri (1993), peramalan merupakan seni dan ilmu dalam memprediksikan kejadian yang
mungkin dihadapi pada masa yang akan datang. Dengan digunakannya peralatan
metode-metode peramalan maka akan memberikan hasil peramalan yang lebih dapat
dipercaya ketetapannya. Oleh karena masing-masing metode peramalan berbeda-beda,
maka penggunaannya harus hati -hati teruta ma dalam pemilihan metode untuk
penggunaan dalam kasus tertentu.
Peramalan dapat menggunakan teknik -teknik peramalan yang bersifat formal
maupun informal. Aktivitas peramalan ini biasa dilakukan oleh departemen pemasaran
dan hasil-hasil dari peramalan ini sering disebut sebagai ramalan permintaan. Bagian
permintaan biasanya melakukan perencanaan berdasarkan hasil-hasil ramalan permintaan,
sehingga informasi yang dikirim dari bagian permintaan ke bagian Production Planning and
Inventory Control (PPIC) semestinya memisahkan antara permintaan yang dikembangkan
berdasarkan rencana permintaan yang umumnya masih bersifat tidak pasti dan
pesanan-pesanan yang bersifat pasti.
Sistem peramalan memiliki sembilan langkah yang harus diperhatikan untuk menjamin
efektifitas dan efisiensi. Langkah-langkah tersebut termasuk dalam manajemen
permintaan yang disebut juga sebagai konsep dasar sistem peramalan, yaitu :
a. Menentukan tujuan dari peramalan.
b. Memilih item independent demand yang akan diramalkan.
c. Menentukan hori son waktu dari peramalan (jangka pendek, menengah, dan
panjang).
d. Memilih model -model peramalan.
e. Memperoleh data yang dibutuhkan untuk melakukan peramalan.
f. Validasi model peramalan.

2020 Manajemen Operasional

2
g. Membuat peramalan.
h. Implementasi hasil -hasil peramalan.
i. Memantau keandalan hasil peramalan.
Metode Peramalan Yang Digunakan
Penyelesaian peramalan memiliki beberapa metode yang umum seperti metode weight
moving average, exponential smoothing , dan regresi linier. Berikut ini adalah penjelasan
dari metode tersebut
a. Metode Weight Movi ng Average (WMA)
Model rata -rata begerak terbobot lebih responsif terhadap perubahan, karena data dari
periode yang baru biasanya diberi bobot lebih besar. Suatu model rata –rata
bergerak n-periode terbobot, weighted MA(n), dinyatakan sebagai berikut :

Weighted MA(n) =
pembobot untuk periode npermintaan aktual dalam periode n
pembobot

Selanjutnya untuk mengetahui sejauh mana keandalan dari model peramalan weighted
moving average (WMA), maka diharuskan untuk mem buat peta control tracking signal.
Cara untuk bisa mendapatkan nilai tracking signal harus dicari terlebih dahulu nilai MAD
yang didapat dari rumus matematis adalah sebagai berikut:

MAD =
absolut dari forecast errors
n

RSFE
Tracking Signal =
MAD

b. Metode Exponential Smoothing (ES)

Metode peramalan dengan pemulusan eksponensial biasanya digunakan untuk pola data
yang tidak stabil atau perubahannya besar dan bergejolak. Metode permalan ini bekerja
hampir serupa dengan alat thermostat. Apabila galat ramalan (forecast error) adalah
positif, yang berarti nilai aktual permintaan lebih tinggi daripada nilai ramalan (A –F>0),
maka model pemulusan eksponensial akan secara otomatis meningkatkan nilai ramalannya.
Sebaliknya , apabila galat ramalan ( forecast error ) adalah negatif, yang berarti nilai aktual
permintaan lebih rendah daripada nilai ramalan (A– F < 0), maka metode pemulusan
eksponensial akan secara otomatis menurunkan nilai ramalan.
2020 Manajemen Operasional
3
Proses penyesuaian ini berlangsung secara terus-menerus, kecuali galat ramalan telah
mencapai nol. Peramalan menggunakan metode pemulusan eksponensial dilakukan
berdasarkan formula seperti di bawah ini:

Ft = Ft-1 + α (At-1 - Ft-1 )

Keterangan
Ft : nilai ramalan untuk periode waktu ke-t
Ft-1 : nilai ramalan untu satu periode waktu yang lalu, t-1
At-1 : nilai aktual untuk satu periode waktu yang lalu, t
Α : konstanta pemulusan ( smoothing constant )-1

Cara yang digunakan untuk mengetahui sejauh mana keandalan dari model peramalan
berdasarkan pemulusan eksponensial harus menggunakan peta kontrol tracking signal dan
membandingkan apakah nilai-nilai ramalan itu telah menggambarkan atau sesuai dengan
pola historis dari data aktual permintaan.
c. Metode Regresi Linier
Metode regresi linier sering sekali dipakai untuk memecahkan masalah -masalah dalam
penaksiran tentunya hal ini berlaku juga dalam peramalan sehingga metode regresi linier
menjadi suatu metode yang mempunyai taksiran terbaik diantara metode -metode yang lain.
Metode regresi linier dipergunakan sebagai metode peramalan apabila pola historis
dari data aktual permintaan menunjukkan adanya suatu kecenderungan menaik dari waktu
ke waktu. Istilah regresi linier berarti, bahwa rataan (y| x ) berkaitan linier dengan x dalam
bentuk persamaan linier populasi (Hasan, 1999).

y| x =  + x,

Koefisien regresi  dan  merupakan dua parameter yang akan ditaksir dari data sampel. Bila
taksiran untuk kedua parameter itu masing -masing dinyatakan dengan a dan b maka y| x
dapat ditaksir dengan ŷ dari bentuk garis regresi berdasarkan sampel atau garis kecocokan
regresi (Hasan, 1999).
2020 Manajemen Operasional
4
 ŷ = a + bx

Keterangan
Ŷ : nilai ramalan permintaan pada peiode ke -t
a : intersep t
b :slope dari garis kecenderungan,merupakan tingkat perubahan dalam permintaan.
x : indeks waktu ( t = 1,2,3,...,n) ; n adalah banyaknya periode waktu

Dengan taksiran a dan b masing-masing menyatakan perpotongan dengan sumbuy dan

kenaikannya. Lambang ŷ digunakan di sini untuk membedakan antara taksiran atau nilai
prediksi yang diberikan oleh garis regresi sampel dan nilai y amatan percobaan yang
sesungguhnya untuk suatu nilai x. Slope dan intersep t dari persamaan regresi linier dihitung
dengan menggunaka n formula berikut (Hasan, 1999):

n . xy - x . y n
b=
.  x2 - x 2
a=
x - b . x
n

Keterangan
b : slope dari persamaan garis lurus
a : intersep t dari persamaan garis lurus
x : index waktu
x-bar : nilai rata -rata dari x
y : variabel permintaan (data aktual permintaan)
y-bar : nilai rata -rata permintaan pe r periode waktu, rata -rata dari y

Menurut Pangestu (1986), forecasting adalah peramalan (perkiraan) mengenai sesuatu yang
belum terjadi. Metode peramalan terdiri atas metode peramalan kualitatif dan metode
peramalan kuantitatif. Peramalan kualitatif bersifat subjektif dipengaruhi oleh
intuisi, emosi, pendidikan, dan pengalaman seseorang. Oleh karena itu hasil peramalan dari
satu orang dengan orang lain dapat berbeda. Meskipun demikian, peramalan dengan
metode kualitatif tidak berarti hanya menggunakan intuisi melainkan mengikutsertakan
model statistik sebagai bahan masukan dalam melakukan judgment (pendapat, keputusan)

2020 Manajemen Operasional

5
dan dapat dilakukan secara perseorangan ataupun kelompok. Peramalan kualitatif
menggunakan empat metode yang umum dipakai, yaitu (Herjanto, 1999):
1. Juri Opini Eksekutif
Metode ini cukup banyak digunakan. Pendekatan ini merupakan pendek atau peramalan
yang paling sederhana da n banyak digunakan dalam peramalan bisnis.
2. Metode Delphi
Metode ini, serangkaian kuesioner disebarkan kepada responden. Langkah berikut
jawabannya diringkas dan diberikan ke panel ahli untuk dibuat perkiraan.
3. Gabungan Tenaga Penjualan
Metode ini cukup banyak digunakan, karena tenaga penjualan ( sales force ) merupakan
sumber informasi yang baik mengenai permintaan konsumen. Setiap tenaga penjualan
meramalkan tingkat penjualan di daerahnya, kemudian digabungkan pada tingkat provinsi
dan seterunya sampai ke tingkat nasional untuk mencapai peramalan yang menyeluruh.
4. Survei Pasar
Masukan diperoleh dari konsumen atau konsumen potensial terhadap rencana pembelian
dimasa datang. Survei dapat dilakukan dengan kuesioner, telepon, atau wawancara langsung.
Pendekatan ini membantu tidak hanya dalam menyiapkan peramalan, tetapi juga dalam
meningkatkan desain produk dan perencanaan untuk suatu produk baru. Metode inimemiliki
kekurangan, yaitu memerlukan waktu yang cukup lama, metode ini juga mahal dan sulit.
Metode kuantitatif yang digunakan dalam memperkirakan atau meramalkan dapat
dikelompokkan dalam dua jenis, yaitu metode serial waktu dan kausal. Berikut ini akan
diuraikan dari jenis -jenis metode kuantitatif ( Herjanto , 1999 ).
a. Metode Serial Waktu
Met ode serialwaktu (deret berkala, time series) adalah metode yang digunakan untuk
menganalisis serangkaian data yang merupakan fungsi dari waktu. Analisis serial waktu
dimulai dengan memplotkan data pada suatu skala waktu, mempelajari pola tersebut, dan
akhirnya mencari suatu bentuk atau pola yang konsisten atas data.
b. Metode Kausal
Metode Kausal atau disebut juga dengan metode eksplanatori mengasumsikan adanya
hubungan sebab akibat antara variabel bebas dan variabel tidak bebas yang dipengaruhinya,
atau dalam bentuk lain antara input dan output dari suatu sistem. Sistem itu dapat
berbentuk makro (seperti perekonomian nasional) atau mikro (seperti dalam perusahaan
atau rumah tangga).
Ukuran Akurasi Peramalan
2020 Manajemen Operasional
6
Validasi metode peramalan terutama dengan menggunakan metode -metode di atas tidak
dapat lepas dari indikator-indikator dalam pengukuran akurasi peramalan. Bagaimanapun
juga terdapat sejumlah indikator dalam pengukuran akurasi peramalan, tetapi yang paling
umum digunakan adalah mean absolute deviation, mean absolute percentage error, dan
mean squared error.
a. Mean Absolute Deviation (MAD)
Akurasi peramalan akan tinggi apabila nilai-nilai MAD, mean absolute percentage error, dan
mean squared error semakin kecil. MAD merupakan nilai total absolut dari forecast error
dibagi dengan data. Atau yang lebih mudah adalah nilai kumulatif absolut error dibagi
dengan periode. Jika diformulasikan maka formula untuk menghitung MAD adalah sebagai
berikut:

MAD =
absolut dari forecast error 
n

b. Mean Squared Error (MSE)

Menurut Gaspersz (2004), mean squared error biasa disebut juga galat peramalan. Galat
peramalan ini juga dapat berfungsi untuk menghitung nilai MAD yang telah dibahas pada
subbab sebelumnya.
Galat ramalan tidak dapat dihindari dalam sistem peramalan, namun galat ramalan itu harus
dikelola dengan benar. Pengelolaan terhadap galat ramalan akan menjadi lebih efektif apabila
peramal mampu mengambil tindakan mengambil tindakan yang tepat berkaitan dengan
alasan-alasan terjadinya galat ramalan itu. Dalam sistem peramalan, penggunaan berbagai
model peramalan akan memberikan nilai ramalan yang berbeda dan der ajat dari galat
ramalan yang berbeda pula.
Rata-rata kesalahan kuadrat memperkuat pengaruh angka-angka kesalahan besar, tetapi
memperkecil angka kesalahan prakiraan yang lebih kecil dari satu unit.

MSE 
 ei
n

c. Mean Absolute Percentage Error (MAPE)

2020 Manajemen Operasional

7
Rata-rata persentase kesalahan kuadrat merupakan penguk uran
ketelitian dengan cara persentase kesalahan absolute. MAPE menunjukkan rata-rata
kesalahan absolut prakiraan dalam bentuk persentasenya terhadap data aktualnya.

e
 x 100
MAPE  i

n
d. Tracking Signal
Menurut Gaspersz (2004), suatu ukuran bagaimana baiknya suatu ramalan memperkirakan
nilai-nilai aktual suatu ramalan diperbaharui setiap minggu, bulan atau triwulan, sehingga
data permintaan yang baru dibandingkan terhadap nilai-nilai ramalan. Tracking signal
dihitung sebagai running sum of the forecast errors dibagi dengan mean absolute deviation.

RSFE
Tracking Signal =
MAD

Tracking signal yang positif menunjukkan bahwa nilai aktual permintaan lebih besar
daripada ramalan, sedangkan apabila negative berarti nilai actual permintaan lebih
kecildaripada ramalan. Pada setiap peramalan, tracking signal terkadang digunakan untuk
melihat apakah nil ai-nilai yang dihasilkan berada di dalam atau di luar batas -batas
pengendalian dimana nilai -nilai tracking signal itu bergerak antara -4 sampai +4.
e. Moving Range (MR)
Moving range dibuat untuk membandingkan nilai-nilai observasi atau data aktual dengan
nilai peramalan dari kebutuhan yang sama. Dapat dikatakan bahwa moving range adalah peta
kontrol statistik yang digunakan pada pengendalian kualitas. Peta moving range memiliki
batasan -batasan yang terdiri dari batas kontrol atas dan batas kontrol bawah. Jika ada sebuah
titik atau data yang berada di luar batas tersebut maka ada beberapa data yang harus
dihilangkan atau mencari metode peramalan yang lain.
Moving Range digunakan untuk mengetahui sejauh mana arah pergerakan (misal:
permintaan) bergerak. Perhit ungan Moving Range menggunakan rumus:


MR = Ft 1  At 1   Ft  A
t

2020 Manajemen Operasional

8
Daftar Pustaka

1. Heizer, Jay dan Render, Barry. 2009. Manajemen Operasi. Buku 1 Edisi 9. Jakarta :
Penerbit Salemba Empat.
2. Heizer, Jay; Render, Barry and Munson, Chuck. 2016. Operation Management,
Sustainability and Supply Chain Management. 12th Edition. Pearson

2020 Manajemen Operasional

9