Resume Manajemen Operasional

Peramalan Industri

Dosen Pengampu :

Dr. Nanik Hariyana, S.Pd.,M.M.

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)

7. Ainan Salsabila (20012010199)

8. Maulita Ayubi Rachma (20012010200)

PROGRAM STUDI MANAJEMEN

FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN” JAWA TIMUR
TAHUN 2021
 Peramalan Industri

A. Perhitungan Jumlah Produksi dengan Metode Peramalan Kuantitatif

1. Peramalan Kuantitatif
Peramalan Kuantitatif adalah peramalan yang didasarkan atas data kuantitatif pada
masa lalu. Hasil peramalan yang dibuat sangat tergantung pada metode yang dipergunakan
dalam peramalan tersebut. Metode yang baik adalah metode yang memberikan nilai – nilai
perbedaan atau penyimpangan yang mungkin. Peramalan kuantitatif hanya dapat
digunakan apabila terdapat t iga kondisi sebagai berikut:
• Adanya informasi tentang keadaan yang lain.
• Informasi tersebut dapat dikuantifikasikan dalam bentuk data.
• Dapat diasumsikan bahwa pola yang lalu akan berkelanjutan pada masa yang akan
datang.
Prosedur umum yang digunakan dalam peramalan secara kuantitatif adalah:
a) Definisikan tujuan peramalan.
b) Pembuatan diagram pencar.
c) Pilih minimal dua metode peramalan yang dianggap sesuai.
d) Hitung parameter – parameter fungsi peramalan.
e) Hitung kesalahan setiap metode peramalan.
f) Pilih metode yang terbaik, yaitu yang memili ki kesalahan terkecil.
g) Lakukan verifikasi peramalan

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:

Moving Average = Σ demand in previous n periods

n

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:

Weighted Moving Average = Σ (Weight for period n)(Demand in period)

Σ Weights

4) Penghalusan Eksponensial (Exponential Smoothing)

Metode ini merupakan teknik peramalan rata-rata bergerak tertimbang yang poin
datanya diberi bobot dengan fungsi eksponensial. Metode ini juga merupakan metode
pembobotan yang canggih dan mudah untuk digunakan. Berikut ini adalah rumus
perhitungan penghalusan eksponensial:

New Forecast = last period’s forecast

+ α (last period’s actual demand – last period forecast)

Yang mana merupakan bobot penghalusan konstanta (Smoothing Constant), yang

dapat dipilih oleh peramal antara nilai 0 dan 1. Berikut adalah perumusannya:
 Ft = Ft-1 + α (At-1 – Ft-1)

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

Ft = α (At-1) + (1 – α) (Ft-1 + Tt-1)

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:

Tt = β (Forecast this period – forecast last period) + (1 – β) (trend estimate last

period)
Or

Or

T1 = β (Ft – Ft-1) + (1 - β) Tt-1

 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 periode t
Α : Konstanta penghalusan untuk rata-rata (0 ≤ α ≤ 1)
Β : Konstanta penghalusan untuk rata-rata (0 ≤ β ≤ 1)
6) Proyeksi Trend (Trend Projections)
Metode ini merupakan sebuah metode peramalan deret waktu yang mencocokan
garis trend dengan deretan data terdahulu yang kemudian diproyeksikan kedalam
peramalan masa depan.

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 .

2. Tujuan Peramalan (Forecasting)

Dalam kegiatan produksi, peramalan dilakukan untuk menentukan jumlah
permintaan terhadap suatu produk dan merupakan langkah awal dari
proses perencanaan dan pengendalian produksi. Peramalan memiliki tujuan untuk
memprediksi prospek ekonomi dan aktivitas usaha dan juga pengaruh lingkungan
kepada prospek tersebut. Tujuan peramalan adalah untuk menunjukkan bahwa ada
banyak cara bagi manajer untuk meramalkan. Juga memberikan ikhtisar peramalan
penjualan bisnis dan menjelaskan hal-hal yang perlu dipersiapkan, memantau, dan
menilai keakuratan peramalan. Prakiraan yang baik merupakan bagian penting dari
operasi layanan dan manufaktur yang efisien. Peramalan adalah seni dan ilmu
memprediksi peristiwa masa depan. Peramalan mungkin melibatkan pengambilan data
bistoris dan memproyeksikannya ke masa depan dengan semacam model matematika.
Ini mungkin prediksi subjektif atau intuitif. Atau mungkin melibatkan kombinasi dari
 ini, yaitu, model matematis yang disesuaikan dengan penilaian yang baik dari seorang
manajer.

3. Metode Peramalan (Forcasting)

1) Metode Peramalan Kualitatif
a) Pengertian
Peramalan secara kualitatif maksudnya adalah peramalan yang
menggunakan pendapat dan analisis yang deskriptif. Metode peramalan kualitatif
ini sifatnya lebih subjektif dibandingkan dengan kuantitatif. Hal ini karena metode
peramalan kualitatif dipengaruhi oleh emosi, pendidikan, intuisi, pengalaman si
peramalan sehingga hasil setiap orang akan berbeda. Meskipun begitu metode
kualitatif mendekati tingkat akurasi data aktual jika dibandingkan dengan metode
lain.
b) Teknik atau Metode Peramalan Kualitatif
• Juri dari opini eksekutif
Untuk melakukan metode ini caranya dengan meminta opini atau pendapat
dari kelompok kecil yang terdiri atas manajer pemasaran, manajer produksi,
manajer teknik, manajer keuangan dan manajer logistik dan hasilnya kemudian
digabungkan dengan model statistik.
• Metode Delphi
Ada tiga jenis partisipan dalam metode Delphi: pengambil keputusan, staf-
staf, dan responden. Pengambil keputusan biasanya terdiri dari sekelompok 5
sampai 10 ahli yang akan membuat peramalan yang sebenarnya. Personil staf
membantu pengambil keputusan dengan menyiapkan, mendistribusikan,
mengumpulkan, dan meringkas serangkaian kuesioner dan hasil survei.
Metode delphi sebenarnya mirip dengan metode kuisioner, untuk melakukan
metode ini Anda perlu menyebar kuesioner tetapi jawaban dari kuesioner yang
terkumpul disederhanakan terlebih dahulu sebelum diberikan kepada ahli untuk
peramalannya.
Kelebihan dari metode ini adalah hasilnya yang akurat dan profesional,
sedangkan kelemahannya adalah membutuhkan waktu yang cukup banyak
 karena harus membuat kuesioner sampai merangkum hasilnya. Itulah beberapa
metode forecasting yang dapat Anda pakai. Forecasting atau peramalan sangat
penting untuk merencanakan dan mengawasi kegiatan produksi baik produk
maupun jasa.
Hasil dari kegiatan forecasting ini dapat digunakan sebagai acuan untuk
mengambil keputusan produksi bahkan hingga pemasaran. Keputusan produksi
atau perencanaan produksi yang efektif ini kemudian mampu mengurangi
pemborosan budget perusahaan. Pengeluaran budget perusahaan dapat
diminimalisir karena sumber daya pada masa yang akan datang dapat diatur
jumlahnya. Semakin kesalahan dapat diminimalisir maka pendapatan yang
akan diterima oleh perusahaan juga akan semakin besar.
• Gabungan Tenaga Penjualan
Seperti namanya metode ini menggabungkan setiap penjual kemudian
mereka meramalkan tingkat penjualan di daerah masing-masing yang pada
akhirnya digabungkan di tingkat provinsi dan nasional. Dalam pendekatan ini,
setiap tenaga penjualan memperkirakan penjualan apa yang akan terjadi di
wilayahnya. Perkiraan ini kemudian ditinjau untuk memastikan bahwa mereka
realistis. Kemudian digabungkan di tingkat kabupaten dan nasional untuk
mencapai perkiraan keseluruhan.
• Survei Pasar
Metode ini meminta masukan dari pelanggan atau calon pelanggan
mengenai rencana pembelian di masa mendatang. Ini dapat membantu tidak
hanya dalam menyiapkan perkiraan tetapi juga dalam meningkatkan desain
produk dan perencanaan untuk produk baru. Survei dapat dilakukan dengan
menyebar kuesioner, wawancara langsung atau telepon.
C. Analisis Teknik-Teknik Peramalan
1. Menghitung Kesalahan Peramalan
Menurut Freddy Rangkuti (2005 : 80) menyatakan keharusan untuk membadingkan
perhitungan yang memiliki nilai MAD (Mean Absolute Deviation) paling kecil, karena
semakin kecil MAD berarti semakin kecil pula perbedaan antara hasil forecasting dan nilai
aktual.
Sedangkan menurut Jay Heizer dan Barry Render (2010 ; 177), ada beberapa perhitungan
yang biasa digunakan untuk menghitung kesalahan peramalan total. Perhitungan ini dapat
digunakan untuk membandingkan model peramalan yang berbeda, mengawasi peramalan,
dan untuk memastikan peramalan berjalan baik. Tiga dari perhitungan yang paling terkenal
adalah deviasi mutlak rerata (Mean Absolute Deviation - MAD), kesalahan kuadrat rata-
rata (Mean Squared Error – MSE), dan kesalahan persen mutlak rata-rata (Mean Absolute
Percent Error – MAPE).

2. Perhitugan Kesalahan Peramalan

a) Deviasi Rata-Rata Absolut (Mean Absolute Deviation)
MAD merupakan ukuran pertama kesalahan peramalan keseluruhan untuk sebuah
model. Nilai ini dihitung dengan mengambil jumlah nilai absolut dari tiap kesalahan
peramalan dibagi dengan jumlah periode data n.
Rumus untuk menghitung MAD adalah sebagai berikut :

b) Kesalahan Rata-Rata Kuardrat (Mean Square Error)

MSE merupakan cara kedua untuk mengukur kesalahan peramalan keseluruhan. MSE
merupakan rata-rata selisih kuardrat antara nilai yang diramalkan dan yang diamati.
Kekurangan penggunaan MSE adalah bahwa ia cenderung menonjolkan deviasi yang
besar karena adanya pengkuadratan.
Rumus untuk menghitung MSE adalah sebagai berikut :

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 :

Lakukan perhitungan dengan melakukan pengurangan nilai aktual dengan nilai

peramalan dan kuadratkan hasilnya begitu seterusnya sampai nilai aktual dan
peramalan terkahir, kemudian jumlahkan hasil kuadrat keseluruhan dan bagi dengan
jumlah banyaknya data yang ada.
c) Kesalahan Persen Rata-Rata Absolut (Mean Absolute Percentage Error = MAPE)
Mean Absolut Percentage error (MAPE) adalah persentase kesalahan rata-rata
secara multak.(absolut). Pengertian Mean Absolute Percentage Error adalah
Pengukuran statistik tentang akurasi perkiraan (prediksi) pada metode peramalan.
Pengukuran dengan menggunakan Mean Absolute Percentage Error (MAPE) dapat
digunakan oleh masyarakat luas karena MAPE mudah difahami dan diterapkan dalam
memprediksi akurasi peramalan. Metode Mean Abosolute Percentage Error (MAPE)
memberikan informasi seberapa besar kesalahan peramalan dibandingkan dengan nilai
sebenarnya dari series tersebut. Semakin kecil nilai presentasi kesalahan (percentage
error) pada MAPE maka semakin akurat hasil peramalan tersebut.
Rumus Mean Absolute Percentage Error (MAPE) sebagai berikut

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 :

Dengan Nilai Mean Absolute Percentage Error (MAPE) = 4,154 % menunjukkan

bahwa hasil peramalan sangat akurat dan bisa digunakan untuk memperkirakan data
permintaan pada periode selanjutnya.
 Daftar Referensi

Jay Heizer, B. R. (2016). Operation Management : Sustainability and Supply Chain

Management, 12th edition. Pearson.

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 .

Metode Forecasting. (2015) . Diakses pada 6 September 2021, dari

https://codicem.wordpress.com/2015/11/11/metode- forecasting/

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.