METODE PERAMALAN

DEFINISI
Peramalan adalah seni dan ilmu untuk memprediksi kejadian di
masa depan, dengan melibatkan pengambilan data masa lalu
dan menempatkannya ke masa yang akan datang dengan suatu
bentuk model matematis.
Peramalan diklasifikasikan berdasarkan Horizon Waktu Masa
Depan, sbb:
1. Peramalan Jangka Pendek, mencakup waktu hingga 1 tahun
namun pada umumnya kurang dari 3 bulan. Contoh:
merencanakan pembelian, jumlah tenaga kerja, penugasan
kerja dan tingkat produksi.
2. Peramalan Jangka Menengah, mencakup bulanan hingga 3
tahun. Contoh: merencanakan penjualan, anggaran produksi
dan kas, menganalisa rencana operasi.
3. Peramalan Jangka Panjang, mencakup perencanaan 3 tahun
atau lebih. Contoh: produk baru, pengembangan fasilitas,
lokasi, litbang.
Perbedaan Peramalan Jangka Panjang,
Menengah dan Pendek
1. Peramalan jangka menengah dan jangka panjang
berkaitan dengan permasalahan yang lebih
menyeluruh dan mendukung keputusan
manajemen yang berkaitan dengan
perencanaan produk, pabrik dan proses.
2. Peramalan jangka pendek biasanya menerapkan
metodologi yang berbeda dibandingkan
peramalan jangka panjang.
Contoh peramalan jangka pendek: rata-rata bergerak,
penghalusan eksponensial dan ekstrapolasi tren.
3. Peramalan jangka pendek cenderung lebih tepat
dibandingkan peramalan jangka panjang.
 Siklus Hidup Produk dalam
Penjualan Jangka Panjang
Tahapan Siklus Hidup Produk
1. Perkenalan,
2. Pertumbuhan,
3. Kematangan, dan
4. Penurunan.

Siklus hidup berguna untuk memproyeksikan

tingkat penempatan pekerja yang berbeda-beda,
penentuan tingkat persediaan dan kapasitas pabrik
sepanjang produk melewati tahapan awal hingga
akhir.
 Jenis Peramalan
1. Peramalan Ekonomi, menjalankan siklus bisnis dengan
memprediksikan tingkat inflasi, ketersediaan uang,
dana yang dibutuhkan untuk membangun perumahan
dan indikator perencanaan lainnya.
2. Peramalan Teknologi, memperhatikan tingkat
kemajuan tekhnologi yang dapat meluncurkan produk
baru yang menarik, yang membutuhkan pabrik dan
peralatan baru.
3. Peramalan Permintaan, proyeksi permintaan untuk
produk atau layanan suatu perusahaan. Peramalan ini
disebut peramalan penjualan yaitu mengendalikan
produksi, kapasitas, serta sistem penjadwalan dan
menjadi input bagi perencanaan keuangan,
pemasaran dan sumber daya manusia.
 Kepentingan Peramalan
Peramalan merupakan satu-satunya prediksi
atas permintaan hingga permintaan yang
sebenarnya diketahui.
Dampak Peramalan Produk dapat dilihat pada
aktivitas berikut:
1. Sumber Daya Manusia,
2. Kapasitas, dan
3. Manajemen Rantai Pasokan (supply chain
management).
 7 Langkah Sistem Peramalan
1. Menetapkan tujuan peramalan,
2. Memilih unsur apa yang akan diramal,
3. Menentukan horizon waktu peramalan,
4. Memilih tipe model peramalan,
5. Mengumpulkan data yang diperlukan untuk
melakukan peramalan,
6. Membuat peramalan,
7. Memvalidasi dan menerapkan hasil peramalan.
 Pendekatan dalam Peramalan
1. Peramalan Kuantitatif, yaitu peramalan yang
menggunakan satu atau lebih model
matematis dengan data masa lalu dan
variabel sebab akibat untuk meramalkan
permintaan.
2. Permalan Subjective atau Kualitatif, yaitu
peramalan yang menggabungkan faktor-
faktor seperti intuisi pengambil keputusan,
emosi, pengalaman pribadi dan sistem nilai.
 Tujuan Metode Kualitatif
1. Keputusan dari pendapat juri eksekutif (jury of
executive opinion). Tekhnik peramalan yang meminta
pendapat segolongan kecil manajer tingkat tinggi dan
menghasilkan estimasi permintaan kelompok.
2. Metode Delphi (delphi method). Tekhnik peramalan
yang menggunakan dimana para pakar melakukan
peramalan.
3. Gabungan dari Tenaga Penjualan (sales force
composite). Tekhnik peramalan berdasarkan prediksi
tenaga penjualan akan penjualan yang diharapkan.
4. Survei pasar konsumen (consumer market survey).
Metode peramalan yang meminta input dari
konsumen mengenai rencana pembelian mereka di
masa depan.
 Metode Kuantitatif
1. Pendekatan Naif
2. Rata-rata Bergerak Model
Time Series
3. Penghalusan Eksponensial
4. Proyeksi Tren Model
Asosiatif
5. Regresi Linear
 Metode Kuantitatif
1. Model Time-Series, yaitu tekhnik peramalan
yang menggunakan sekumpulan data masa
lalu untuk melakukan peramalan.
2. Model Asosiatif (Hubungan Sebab Akibat),
yaitu menggabungkan variabel atau faktor
yang mungkin mempengaruhi kuantitas yang
sedang diramalkan.
 Dekomposisi Time Series
1. Tren, merupakan pergerakan data sedikit demi sedikit
meningkat atau menurun. Contoh hal-hal yang dapat
mempengaruhi: perubahan pendapatan, populasi,
penyebaran umur, atau pandangan budaya.
2. Musim, merupakan pola data yang berulang pada
kurun waktu tertentu. Contoh: restoran akan lebih
sibuk pada hari libur.
3. Siklus, merupakan pola dalam data yang terjadi setiap
beberapa tahun.
4. Variasi Acak, merupakan satu titik khusus dalam data,
yang disebabkan oleh peluang dan situasi yang tidak
biasa.
 Pendekatan Naif
Merupakan tekhnik peramalan yang
mengasumsikan permintaan di periode
mendatang sama dengan permintaan terkini.
Model ini adalah model peramalan objective
yang paling efektif dan efisien dari segi biaya.

Contoh: Hasil penjualan produk X dalam bulan

ini mencapai 100 unit, maka peramalan untuk
bulan berikutnya juga sebanyak 100 unit.
Rata-rata Bergerak
 Contoh
Bulan Penjualan Aktual Rata-rata Bergerak 3 bulanan
Januari 10
Februari 12
Maret 13
April 16 (10+12+13)/3 = 11,67
Mei 19 (12+13+16)/3 = 13,67
Juni 23 (13+16+19)/3 = 16
Juli 26 (16+19+23)/3 = 19,33
Agustus 30 (19+23+26)/3 = 22,67
September 28 (23+26+30)/3 = 26,33
Oktober 18 (26+30+28)/3 = 28
November 16 (30+28+18)/3 = 25,33
Desember 14 (28+18+16)/3 = 20,67
Pembobotan
 Contoh
Periode Bobot yang diberikan
Bulan lalu 3
Dua bulan lalu 2
Tiga bulan lalu 1
Jumlah total bobot 6
 Hasil Peramalan
Bulan Penjualan Rata-rata bergerak dengan
pembobotan 3 bulan
Januari 10
Februari 12
Maret 13
April 16 [(3*13)+(2*12)+(10)]/6 = 12,17
Mei 19 [(3*16)+(2*13)+(12)]/6 = 14,33
Juni 23 [(3*19)+(2*16)+(13)]/6 = 17
Juli 26 [(3*23)+(2*19)+(16)]/6 = 20,5
Agustus 30 [(3*26)+(2*23)+(19)]/6 = 23,83
September 28 [(3*30)+(2*26)+(23)]/6 = 27,5
Oktober 18 [(3*28)+(2*30)+(26)]/6 = 28,33
November 16 [(3*18)+(2*28)+(30)]/6 = 23,33
Desember 14 [(3*16)+(2*18)+(28)]/6 = 18,67
 Masalah dalam
Rata-rata bergerak
1. Bertambahnya jumlah n (jumlah periode yang
dirata-rata) kurang sensitif terhadap perubahan
nyata pada data.
2. Rata-rata bergerak tidak dapat menggambarkan
tren dengan baik. Nilai rata-rata akan selalu
berada dalam tingkat yang sebelumnya dan
tidak akan memprediksikan perubahan ke
tingkat yang lebih tinggi atau lebih rendah, yang
merupakan nilai aktual sesungguhnya.
3. Rata-rata bergerak memerlukan data masa lalu
yang ekstensif.
Penghalusan eksponensial
 Equation dalam bentuk lain

Ft = Ft-1 + α(At-1 - Ft-1)

Dimana:
Ft = peramalan baru
Ft-1 = peramalan sebelumnya
α = konstanta penghalus (pembobot) (0 ≤ α
≤1)
At-1 = permintaan aktual periode lalu
 Contoh
Diketahui sebuah perusahaan telah meramalkan
penjualan di bulan Februari sebanyak 142 unit. Namun,
permintaan aktualnya sebesar 153 unit. Konstanta yang
dipilih oleh pihak manajemen yaitu sebesar 0,20.
Ditanya: Bagaimanakah peramalan bulan Maret
menggunakan model penghalusan eksponensial?
Jawab:
Peramalan baru = 142 + 0,2 (153 – 142)
= 142 + 2,2
= 144,2
Jadi peramalan permintaan untuk bulan Maret yaitu
sebesar 144 unit.
 Latihan soal
Bulan Penjualan
Berikut adalah data Januari 20
penjualan bulanan Februari 21
PT. TELCO. Maret 15
April 14
Mei 13
Juni 16
Juli 17
Agustus 18
September 20
Oktober 20
November 21
Desember 23
 pertanyaan

Dari data penjualan tersebut, maka ramalkan penjualan

bulan Januari tahun berikutnya menggunakan metode
berikut:
1. Metode Naif.
2. Rata-Rata Bergerak 3 bulanan.
3. Rata-rata bergerak berbobot 6 bulanan menggunakan
0,1 - 0,1 - 0,1 - 0,2 - 0,2 – 0,3 dengan bobot terberat
untuk bulan lalu yang paling dekat.
4. Penghalusan eksponensial menggunakan α = 0,3 dan
peramalan bulan Desember = 18
Penghalusan eksponensial dengan
penyesuaian tren
Penghitungan rata-rata dan tren untuk
setiap periode
 keterangan
Ft = peramalan dengan eksponensial yang
dihaluskan dari data berseri pada periode t
Tt = tren dengan eksponensial yang dihaluskan
pada periode t
At = permintaan aktual pada periode t
α = konstanta penghalusan untuk rata-rata
(0 ≤ α ≤1)
Β = konstanta penghalusan untuk tren (0 ≤ β ≤ 1)
 Langkah peramalan dengan
penyesuaian tren
1. Menghitung Ft peramalan eksponensial yang
dihaluskan untuk periode t, menggunakan
persamaan (1)
2. Menghitung tren yang dihaluskan, Tt,
menggunakan persamaan (2)
3. Menghitung peramalan dengan tren, FITt,
dengan formula FITt = Ft + Tt
 Proyeksi tren
Tekhnik ini mencocokkan garis tren pada
serangkaian data masa lalu dan kemudian
memproyeksikan garis pada masa datang untuk
peramalan jangka menengah atau jangka
panjang.

Untuk proyeksi tren kita menerapkan Metode

Kuadrat Terkecil (Least Square Method).
Pendekatan kuadrat terkecil
Con’t
 Catatan penggunaan
metode kuadrat terkecil
1. Selalu petakan data karena data kuadrat
terkecil mengasumsikan adanya hubungan
linear.
2. Jangan memprediksikan periode waktu
terlalu jauh di depan mata data yang
diberikan, misal 3 s/d 4 periode ke depan.
3. Deviasi disekitar garis kuadrat terkecil
diasumsikan acak.
 Variasi musiman pada data
Variasi musiman, yaitu pergerakan reguler
meningkat atau menurun dalam satu kurun
waktu tertentu terkait dengan kejadian yang
berulang. Contoh: cuaca, liburan, dll.

Menggunakan peramalan time series.

 Metode peramalan asosiatif
1. Analisis regresi, yaitu model matematis garis
lurus yang menjelaskan hubungan fungsional
antara variabel bebas dan variabel terikat.

2. Korelasi, yaitu suatu ukuran yang

menunjukkan kekuatan hubungan antara dua
variabel.
Analisis regresi
 example
Penjualan (y) Upah (x)
2 1
3 3
2.5 4
2 2
2 1
3.5 7
Total 15 18
 Con’t
Penjualan (y) Upah (x) X^2 xy
2 1 1 2
3 3 9 9
2.5 4 16 10
2 2 4 4
2 1 1 2
3.5 7 49 24.5
Total 15 18 80 51.5
Koefisien Korelasi untuk
garis regresi
Analisis regresi berganda
 Pengawasan dan
pengendalian peramalan