K2 - M. Operasional M - Resume Peramalan Dalam Manajemen Operasional
K2 - M. Operasional M - Resume Peramalan Dalam Manajemen Operasional
Peramalan Industri
Dosen Pengampu :
Disusun Oleh :
Kelompok 2
1. Shofiyana Futri (20012010139)
2. Akhmat Syaifudin (20012010143)
3. Althafahreza (20012010169)
4. Rani Maghfiratul Layli (20012010178)
5. Listiana Anggraini (20012010190)
6. Bernika Maura Alfionita (20012010197)
2. Metode Forecasting
Terdapat berbagai macam metode kuantitatif dalam peramalan. Menurut Heizer
dan Rander (2011:140-152) yang dikutip dari bukunya yang berjudul “Operations
Management”, metode-metode tersebut adalah sebagai berikut:
1) Naive Approach
Metode peramalan sederhana yang berasumsi bahwa permintaan para pelanggan di
periode selanjutnya sama dengan periode terakhir. Metode ini dianggap metode yang
efektif dan efisien dalam meramalkan biaya pengeluaran, yang memberikan titik awal
dari metode lainnya.
2) Rata-Rata Bergerak (Moving Averages)
Metode ini merupakan metode peramalan yang menggunakan jumlah rata-rata
periode (n) dari data periode terakhir untuk dilakukan peramalan di periode berikutnya.
Metode ini berguna apabila kita dapat mengansumsikan bahwa permintaan pasar tetap
stabil dalam jangka waktu tertentu. Berikut ini merupakan rumus dari rata-rata
bergerak:
Keterangan :
n : Jumlah periode moving average
3) Rata-Rata Bergerak Tertimbang (Weighted Moving Average)
Apabila trend atau pola diketahui, maka bobot (weights) dapat digunakan untuk
menambah nilai baru, serta membuat teknik peramalan menjadi lebih responsif untuk
berubah karena periode terbaru mungkin mendapatkan bobot yang lebih besar.
Pemilihan bobot bersifat tidak pasti, karena tidak memiliki rumus yang dapat
menentukan bobot, sehingga dibutuhkan pengalaman yang baik untuk melakukan
pemilihan bobot. Berikut ini merupakan rumus rata-rata bergerak tertimbang:
Keterangan :
Ft : Peramalan baru
Ft-1 : Peramalan sebelumnya
Α : Konstanta penghalusan (pembobotan) (0 ≤ α ≤ 1)
At-1 : Permintaan aktual periode sebelumnya
5) Penghalusan Eksponensial dengan Penyesuaian Trend (Exponential Smoothing Trends
Adjusted)
Metode ini merupakan pengembangan metode penghalusan eksponensial yang
digunakan untuk memperhitungkan rata-rata penghalusan eksponensial data dan
menyesuaikan trend. Formulasi sebagai berikut:
FT = α (Actual demand last period) + (1- α) (Forecast last period + Trend estimate
last period)
Or
Keterangan:
FT : Peramalan dengan trend
Ft : Peramalan penghalusan eksponensial
Tt : Trend penghalusan eksponensial
Dengan penyesuaian trend penghalusan eksponensial, estimasi untuk kedua rata-
rata dan trend menjadi rapi. Prosedur ini membutuhkan dua penghalusan konstanta,
yakni untuk rata-rata, dan untuk trend. Berikut adalah rumus untuk menghitung rata-
rata dan trend tiap periode:
Or
ŷ = a + bx
Keterangan :
ŷ : Nilai terhitung dari variabel yang akan diprediksi
a : Persilangan sumbu y
b : Kemiringan garis regresi (atau tingkat perubahan pada y untuk perubahan yang
terjadi di x
x : Variable bebas (dalam kasus ini adalah waktu).
Sedangkan untuk mengetahui nilai a dan b, maka dapat menggunakan rumus berikut:
a = y – bx
Keterangan :
b : Kemiringan garis regresi
∑ : Tanda penjumlahan total
X : Nilai variabel bebas yang diketahui
y : Nilai variabel terkait yang diketahui
B. Peramalan Produksi Dengan Metode Kualitatif
1. Pengertian Peramalan Produksi
Peramalan produksi adalah perkiraan untuk merencanakan tentang jumlah unit
barang yang hendak diproduksi selama periode yang akan datang baik untuk jumlah
(kuantitas) serta waktu (kapan) produksi tersebut dapat dilakukan.
Metode Forecasting adalah salah satu metode untuk melakukan perencanaan serta
pengendalian produksi. Selain itu, forecasting juga didefinisikan sebagai alat bantu
untuk melakukan perencanaan yang efektif dan efisien. Sebagai contoh seperti
meramalkan tingkat permintaan suatu produk atau peramalan terhadap harga daging
sapi di masa lebaran dan lain sebagainya.
Umumnya, kegiatan forecasting ini dilakukan oleh bagian pemasaran sehingga
hasilnya sering disebut ramalan permintaan. Dan hasil tersebut yang akan digunakan
sebagai informasi untuk menentukan aktivitas perusahaan. Data dari hasil
kegiatan forecasting ini biasanya digunakan untuk memperkirakan jumlah permintaan
pelanggan. Hal ini berkaitan dengan ketepatan jumlah produk yang akan diproduksi.
Efektivitas produksi berperan sangat penting dalam menjalankan bisnis. Seorang
pengusaha dapat memperkecil pengeluaran dengan penyesuaian jumlah produksinya .
Keterangan :
At : Nilai aktual pemintaan
Ft : Nilai hasil peramalan
N : Banyaknya data
Contoh :
Perhitungan Mean Squared Error (MSE) dengan data permintaan aktual dan hasil
peramalan 4 bulan menggunakan metode Moving Average, maka berapakah nilai Mean
Squared Error (MSE) dalam metode peramalan tersebut :
Jawaban :
Keterangan
At : Aktual permintaan ke t
Ft : Hasil peramalan ke t
N : Besarnya data peramalan
Dimana terdapat simbol absolut pada rumus MAPE menunjukkan bahwa nilai negatif
hasil perhitungan akan tetap bernilai positif.
Jawaban :
Khoiri . (2020) . Pengertian dan Cara Menghitung Mean Absolute Deviation . Diakses pada 3
September 2021, dari https://www.khoiri.com/2020/10/metode-perkiraan-mad-
mean-absolute.html
Lee J Kajewski, L. P. (2013). Operation Management : Processes and Supply Chain 10th
edition. Harlow : Pearson Education .
Pangestika, Widya . (2019) . Mengenal Metode Forecasting Untuk Kepentingan Bisnis Anda
. Diakses pada 2 September 2021, dari https://www.jurnal.id/id/blog/mengenal-
metode-forecasting-untuk-kepentingan-bisnis-anda/
Yudaruddin, Rizky. 2019. FORECASTING : untuk Kegiatan Ekonomi dan Bisnis. Samarinda.
RV Pustaka Horizon.