Peramalan

“Tak melakukan apa-apa merupakan kekuatan setiap orang”.

(Samuel Johnson)

5.1 Pengertian Peramalan

Peramalan (forecasting) merupakan bagian vital bagi setiap organisasi bisnis
dan untuk setiap pengambilan keputusan manajemen yang sangat signifikan.
Peramalan menjadi dasar bagi perencanaan jangka panjang perusahaan. Dalam area
fungsional keuangan, peramalan memberikan dasar dalam menentukan anggaran
dan pengendalian biaya. Pada bagian pemasaran, peramalan penjualan dibutuhkan
untuk merencanakan produk baru, kompensasi tenaga penjual, dan beberapa
keputusan penting lainnya. Selanjutnya, pada bagian produksi dan operasi
menggunakan data-data peramalan untuk perencanaan kapasitas, fasilitas, produksi,
penjadwalan, dan pengendalian persedian (inventory control). Untuk menetapkan
kebijakan ekonomi seperti tingkat pertumbuhan ekonomi, tingkat pengangguran,
tingkat inflasi, dan lain sebagainya dapat pula dilakukan dengan metode peramalan.
Peramalan adalah penggunaan data masa lalu dari sebuah variabel atau
kumpulan variabel untuk mengestimasi nilainya di masa yang akan datang. Asumsi
dasar dalam penerapan teknik-teknik peramalan adalah:“If we can predict what the
future will be like we can modify our behaviour now to be in a better position, than
we otherwise would have been, when the future arrives.” Artinya, jika kita dapat
memprediksi apa yang terjadi di masa depan maka kita dapat mengubah kebiasaan
kita saat ini menjadi lebih baik dan akan jauh lebih berbeda di masa yang akan
datang. Hal ini disebabkan kinerja di masa lalu akan terus berulang setidaknya dalam
masa mendatang yang relatif dekat.

5.2 Metode Peramalan

Salah satu cara untuk mengklasifikasikan permasalahan pada peramalan
adalah mempertimbangkan skala waktu peramalannya yaitu seberapa jauh rentang
waktu data yang ada untuk diramalkan. Terdapat tiga kategori waktu yaitu jangka
pendek (minggu  bulan), menengah (bulan  tahun), dan jangka panjang (tahun
 dekade). Tabel berikut ini menunjukkan tipe-tipe keputusan berdasarkan jangka
waktu peramalannya.
 Tabel 5.1 Rentang Waktu dalam Peramalan

Rentang Waktu Tipe Keputusan Contoh

Jangka Pendek Perencanaan Produksi,
Operasional
( 3 – 6 bulan) Distribusi
Jangka Menengah Penyewaan Lokasi dan
Taktis
( 2 tahun) Peralatan
Penelitian dan
Jangka Panjang Pengembangan untuk
Strategis
(Lebih dari 2 tahun) akuisisi dan merger
Atau pembuatan produk baru

Selain rentang waktu yang ada dalam proses peramalan, terdapat juga teknik
atau metode yang digunakan dalam peramalan. Metode peramalan dapat
diklasifikasikan dalam dua kategori, yaitu:

1. Metode Kualitatif

Metode ini digunakan dimana tidak ada model matematik, biasanya

dikarenakan data yang ada tidak cukup representatif untuk meramalkan masa
yang akan datang (long term forecasting). Peramalan kualitatif menggunakan
pertimbangan pendapat-pendapat para pakar yang ahli atau experd di bidangnya.
Adapun kelebihan dari metode ini adalah biaya yang dikeluarkan sangat murah
(tanpa data) dan cepat diperoleh. Sementara kekurangannya yaitu bersifat
subyektif sehingga seringkali dikatakan kurang ilmiah.
Salah satu pendekatan peramalan dalam metode ini adalah Teknik Delphi,
dimana menggabungkan dan merata-ratakan pendapat para pakar dalam suatu
forum yang dibentuk untuk memberikan estimasi suatu hasil permasalahan di
masa yang akan datang. Misalnya: berapa estimasi pelanggan yang dapat
diperoleh dengan realisasi teknologi 3G.

2. Metode Kuantitatif

Penggunaan metode ini didasari ketersediaan data mentah disertai

serangkaian kaidah matematis untuk meramalkan hasil di masa depan. Terdapat
beberapa macam model peramalan yang tergolong metode kualitiatif, yaitu:

a) Model-model Regresi
Perluasan dari metode Regresi Linier dimalan meramalkan suatu variabel
yang memiliki hubungan secra linier dengan variabel bebas yang diketahui
atau diandalkan.

b) Model Ekonometrik
Menggunakan serangkaian persamaan-persamaan regresi dimana terdapat
variabel-variabel tidak bebas yang menstimulasi segmen-segmen ekonomi
seperti harga dan lainnya.
 c) Model Time Series Analysis (Deret Waktu)
Memasang suatu garis trend yang representatif dengan data-data masa lalu
(historis) berdasarkan kecenderungan datanya dan memproyeksikan data
tersebut ke masa yang akan datang.

5.3 Prosedur Peramalan

Dalam melakukan peramalan terdiri dari beberapa tahapan khususnya jika
menggunakan metode kuantitatif. Tahapan tersebut adalah:

1. Definisikan Tujuan Peramalan

Misalnya peramalan dapat digunakan selama masa pra-produksi untuk
mengukur tingkat dari suatu permintaan.

2. Buatlah diagram pencar (Plot Data)

Misalnya memplot demand versus waktu, dimana demand sebagai ordinat
(Y) dan waktu sebagai axis (X).

3. Memilih model peramalan yang tepat

Melihat dari kecenderungan data pada diagram pencar, maka dapat dipilih
beberapa model peramalan yang diperkirakan dapat mewakili pola tersebut.

4. Lakukan Peramalan

5. Hitung kesalahan ramalan (forecast error)

Keakuratan suatu model peramalan bergantung pada seberapa dekat nilai
hasil peramalan terhadap nilai data yang sebenarnya. Perbedaan atau selisih
antara nilai aktual dan nilai ramalan disebut sebagai “kesalahan ramalan
(forecast error)” atau deviasi yang dinyatakan dalam:

et = Y(t) – Y’(t)

Dimana : Y(t) = Nilai data aktual pada periode t

Y’(t) = Nilai hasil peramalan pada periode t
t = Periode peramalan

Maka diperoleh Jumlah Kuadrat Kesalahan Peramalan yang disingkat

SSE (Sum of Squared Errors) dan Estimasi Standar Error (SEE –
Standard Error Estimated)

SSE =  e(t)2 = [Y(t)-Y’(t)]2

 √
n
∑ [Y (t )−Y ' (t )]2
i=1
SEE=
n−2

6. Pilih Metode Peramalan dengan kesalahan yang terkecil.

Apabila nilai kesalahan tersebut tidak berbeda secara signifikan pada tingkat
ketelitian tertentu (Uji statistik F), maka pilihlah secara sembarang metode-
metode tersebut.

7. Lakukan Verifikasi
Untuk mengevaluasi apakah pola data menggunakan metode peramalan
tersebut sesuai dengan pola data sebenarnya.

5.4 Model Time Series Analysis

Berikut ini akan dijabarkan cara melakukan peramalan dengan menggunakan
model Time Series Analysis yang terdiri dari beberapa model. Adapun asumsi dasar
dalam menggunakan model deret waktu ini adalah pola data ramalan akan sama
dengan pola data sebelumnya. Model yang termasuk kategori model deret waktu
yaitu: (1) Model Konstan, (2) Model Siklis, (3) Model Analisis Regresi, (4) Model
Moving Average, (5) Model Exponential Smoothing.

5.4.1 Model Konstan (Constant Forecasting)

Persamaan garis yang menggambarkan pola konstan adalah:

Y’(t) = a dimana a = konstanta

Untuk mendapatkan nilai (a) maka dapat didekati melalui turunan kuadrat
terkecilnya (least square) terhadap (a) sebagai berikut:

n
E=∑ [ Y (t )−a ]2
i=1

n
dE −2 ∑ [ Y (t )−a ]=0
=0
da diperoleh i=1
n n n
∑ Y (t )−∑ a=0 ∑ Y ( t )−na=0
i=1 i=1 ; maka i =1
 n

 Y (t )
i 1
a
Sehingga: n ; dimana n = jumlah periode peramalan

Jadi, apabila pola data berbentuk konstan, maka peramalannya dapat didekati
dengan harga rata-rata dari data tersebut.

Ilustrasi 1

Diberikan data permintaan pabrik konveksi PT Garmen Mandiri dari bulan

Januari sampai Juni tahun 2006. Tentukan jumlah permintaan untuk lima bulan
selanjutnya dengan menggunakan model konstan!

Bulan Permintaan dalam unit

(t) (Y)
Jan 46
Feb 56
Mar 54
Apr 43
Mei 57
Jun 56

Jawaban

Menghitung Konstanta a :

( 46+56 +54+ 43+57+56 )

=52
a= 6

Jadi permintaan untuk bulan Juli sampai dengan November 2006 dapat didekati
dengan harga rata-ratanya (a) yaitu 52 unit.

5.4.2 Model Siklis (Musiman)

Untuk pola data yang bersifat siklis atau musiman, persamaan garis yang
mewakili dapat didekati dengan fungsi trigonometri, yaitu:

2π 2π
Y ' (t )=a+u cos t +v sin t
n n .............................................(1)

Dimana n adalah jumlah periode peramalan

Jumlah Kuadrat Kesalahan Terkecil didefinisikan sebagai:

n
2π 2π 2
E=∑ [ Y (t )−a−u cos t −v sin t )]
i=1 N N
Bentuk diskriminannya adalah sebagai berikut:

2 2
k' 1 cos t sin t
’ N N
 k n 0 0
2 n  0
 k cos
N
t 0
2
0

2 n
 k sin N
t 0 0
2

Maka:

n 0 0 ∑k 0 0 ∑k n 0 ∑k n 0
n 2π n 2π 2π n
|−1|∑ k cos N t 2 0 |+cos t|∑ k cos N t 0 0 |−sin t|∑ k cos N t 0 2 |=0
0 0 2π 2π
k '| 2
N N
n 2π n 2π n
0 0
2 ∑ k sin N t 0 2 ∑ k sin N t 0 2 ∑ k sin 2Nπ t 0 0
Ilustrasi 2

Diketahui data permintaan produksi chip pada tahun 2005 sebagai berikut:

Bulan Permintaan dalam unit

(t) (Y)
Jan 73
Feb 83
Mar 92
Apr 107
Mei 114
Jun 129
Jul 91
Aug 108
Spt 116
Oct 79
Nov 92
Des 93

a. Tentukan demand di tahun berikutnya dengan metode peramalan pola data siklis
b. Hitunglah standard error estimate-nya!
 Jawaban:

sin cos
k= h= kcos(t/ ksin(t/
t Y hk (2t/12 (2t/12
d -98 t-6 6) 6)
) )
Jan 1 72 -26 -5 130 0.500 0.866 -22.52 -13.00
Feb 2 83 -15 -4 60 0.866 0.500 -7.50 -12.99
Mar 3 92 -6 -3 18 1.000 0.000 0.00 -6.00
Apr 4 107 9 -2 -18 0.866 -0.500 -4.50 7.79
May 5 114 16 -1 -16 0.500 -0.866 -13.86 8.00
Jun 6 129 31 0 0 0.000 -1.000 -31.00 0.00
Jul 7 91 -7 1 -7 -0.500 -0.866 6.06 3.50
Aug 8 108 10 2 20 -0.866 -0.500 -5.00 -8.66
Sept 9 116 18 3 54 -1.000 0.000 0.00 -18.00
1
Oct 0 79 -19 4 -76 -0.866 0.500 -9.50 16.45
1
Nov 1 92 -6 5 -30 -0.500 0.866 -5.20 3.00
1
Dec 2 93 -5 6 -30 0.000 1.000 -5.00 0.00
7
Total 8 1176 0 6 105 0.000 0.000 -98.01 -19.90

πt πt
k' 1 cos sin
6 6
| 0 12 0 0 |=0
−98 .01 0 6 0
−19 .90 0 0 6

Maka:

12 0 0 0 0 0 0 12 0 0 12 0
πt πt
k '| 0 6 0|−1|−98.01 6 0 |+cos |−98.01 0 0 |−sin |−98.01 0 6 |=0
6 6
0 0 6 −19.90 0 6 −19.90 0 6 −19.90 0 0
πt πt
k '( 432)+cos (7056. 72)+sin 1432 . 80=0
6 6
πt πt
k '=−16 .33 cos −3 . 32sin
6 6

sehingga persamaan garisnya : Y ' (t )=d+k'

 πt πt
Y ' (t )=98−16 . 33 cos −3. 32 sin
6 6
Demand Forecast Error
Month t (Y - Y')^2
(Y) (Y’) (e)
January 1 72 82.20 -10.20 104.00
February 2 83 86.96 -3.96 15.68
March 3 92 94.68 -2.68 7.18
April 4 107 103.29 3.71 13.76
May 5 114 110.48 3.52 12.38
June 6 129 114.33 14.67 215.21
July 7 91 113.80 -22.80 519.92
August 8 108 109.04 -1.04 1.08
Septembe
r 9 116 101.32 14.68 215.50
October 10 79 92.71 -13.71 187.97
November 11 92 85.52 6.48 42.01
December 12 93 81.67 11.33 128.37
Totals 78 1176 1176 0 1463.07

Standar Error Estimatenya (SEE) :

√
N
∑ [Y (t )−Y ' ( t )]2
SEE= i=1
n−2
=
√ 1463 .07
10
=12 .09

5.4.3 Model Regresi Linier (Linier Forecasting)

Persamaan garis yang mendekati bentuk data linier adalah:

Y’(t) = a + b(t)

Konstanta a dan b ditentukan dari data mentah berdasarkan Kriteria Kuadrat

Terkecil (least square criterion). Perhitungannya sebagai berikut:

Anggaplah data mentah diwakili dengan (Yi,ti), dimana Yi adalah permintaan aktual
di saat ti, dimana i = 1,2, .....,n. Definisikan:

n
E=∑ [ Y (t )−a−b(t )]2
i=1
Turunkan persamaan tersebut terhadap a dan b:
n n n
dE
da
=0 −2 ∑ [ Y (t )−a−bt ]=0  Y (t )  na  b t0
yaitu i=1 diperoleh i 1 i 1 ...........(1)
n n n n
dE
db
=0 −2 ∑ t[ Y (t )−a−bt ]=0  tY (t )  a  t  b t 2  0
yaitu i=1 diperoleh i 1 i 1 i 1 ....(2)

Dengan mengeliminasi persamaan (1) dan (2) diperoleh nilai a dan b:

n n n
n tY (t )   Y (t ) t
b i 1 i 1
2
i 1
n
 n 
n t 2    t 
i 1  i 1 
n n

 Y (t )  b t
a i 1 i 1
n

Confidence Interval dan Prediction Interval

Berdasarkan sebaran t dengan (n – 2) derajat bebas, maka pada persamaan

linier [Y’(t) = a + b(t)] dapat dibuat Selang Kepercayaan (confidence intervals)
dengan (1-)100% bagi nilai tengah dari Y dan Selang Taksiran (prediction
intervals) untuk setiap nilai Y, yaitu:

√
1 (t o −t )2
+
n ( ∑ t )2
∑t − n 2

Confidence Interval = Y’(t) ± t/2 SEE

Prediction Interval untuk setiap nilai Y yaitu (1-)100% bila t = to.

√
1 (t o −t )2
1+ +
∑ t2 − ∑n
n ( t )2
Prediction Interval = Y’(t) ± t/2SEE
Ilustrasi 3

Diketahui data pada tahun 2005 pada tabel berikut ini.

Bulan Permintaan dalam unit

(t) (Y)
Jan 199
Feb 202
Mar 199
Apr 208
Mei 212
Jun 194
Jul 214
Aug 220
Spt 219
Oct 234
Nov 219
Des 233

a. Tentukan demand tahun 2007

b. Hitunglah SSE (Sum of Squared Errors) dan SEE-nya (Standard Error
Estimated)
c. Tentukan Confidence Interval dan Prediction Interval dengan t = 18 serta
derajat  = 0,01

Jawaban

Month Bulan Ke- Demand t^2 t*Y(t)

Jan 1 199 1 199
Feb 2 202 4 404
Mar 3 199 9 597
Apr 4 208 16 832
May 5 212 25 1060
Jun 6 194 36 1164
Jul 7 214 49 1498
Aug 8 220 64 1760
Sep 9 219 81 1971
Oct 10 234 100 2340
Nov 11 219 121 2409
Des 12 233 144 2796
 t =  Y(t) =  t^2 =  t*Y(t) =
78 2553 650 17030
 12(17030)−(78)(2553 )
b= =3 , 05
12(650)−(78)2

(2553)  (3,05)( 78)

a  192,95
12
a. Diperoleh Persamaannya : Y’(t) = 193 + 3(t) sehingga permintaan pada tahun
2007 adalah sebagai berikut:

Bulan (t) Permintaan dalam unit (Y)

Jan (25) 268
Feb (26) 271
Mar (27) 274
Apr (28) 277
Mei (29) 280
Jun (30) 283
Jul (31) 286
Aug (32) 289
Spt (33) 292
Oct (34) 295
Nov (35) 298
Des (36) 301

b. Untuk menghitung SSE dan Standard Error Estimatenya (SEE) terlebih dahulu
dihitung demand aktual dengan menggunakan persamaan (Y’(t)) yang telah
diketahui.

Month Bulan Ke- Demand Ramalan [Y(t)-Y'(t)]^2

Jan 1 199 196 9
Feb 2 202 199 9
Mar 3 199 202 9
Apr 4 208 205 9
May 5 212 208 16
Jun 6 194 211 289
Jul 7 214 214 0
Aug 8 220 217 9
Sep 9 219 220 1
Oct 10 234 223 121
Nov 11 219 226 49
Dec 12 233 230 9
Total 78 2553 2553 530

Maka diperoleh Jumlah Kuadrat Kesalahan

(SSE) =  e(t)2 = [Y(t)-Y’(t)]2 = 530

 Dan Estimasi Standard Errornya (SEE):

√
t
∑ [Y ( t )−Y ' ( t )]2
SEE=
i=1
t−2
530
12−2
=
=7 , 28
√
c. Dari Persamaan : Y’(t) = 193 + 3(t), maka untuk satu harga t = 18 diperoleh
Y’=247 dengan Standar Error Estimatenya (SEE)= 7.28 dan t/2 = t 0,005 = 3,169
untuk (n – 2 = 12 – 2 =10) derajat bebas.

√
1 (t o −t )2
+
n ( ∑ t )2
∑ t2− n
Confidence Interval = Y’(t) ± t/2 SEE

√
2
1 (18−6,5)
+
12 (78 )2
650−
= 247 ± (3,169)(7,28) 12
= 247 ± 23,16

√
1 (t o −t )2
1+ +
n ( ∑ t )2
∑ t2 − n
Prediction Interval = Y’(t) ± t/2SEE

√
2
1 (18−6,5 )
1+ +
12 782
650−
= 247 ± (3,169)(7,28) 12

= 247 ± 46,32

5.4.4 Model Rata-rata Bergerak (Moving Average)

Metode rata-rata bergerak banyak digunakan untuk menentukan trend dari

suatu deret waktu. Dengan menggunakan metode rata-rata bergerak ini, deret berkala
dari data asli diubah menjadi deret rata-rata bergerak yang lebih mulus. Metode ini
digunakan untuk data yang perubahannya tidak cepat, dan tidak mempunyai
karakteristik musiman atau seasonal. Model rata-rata bergerak mengestimasi
permintaan periode berikutnya sebagai rata-rata data permintaan aktual dari n
periode terakhir. Terdapat tiga macam model rata-rata bergerak, yaitu:

5.4.4.1 Simple Moving Average

 Y t +Y t−1 +Y t−2+.. ..+Y t−n+1
Simple Moving Average (SMAt)= n

Ilustrasi 4

Diberikan data harga penutupan akhir minggu surat-surat berharga perusahaan

“Mandala” yang bergerak dalam bidang maskapai penerbangan.
t 1 2 3 4 5 6 7 8 9 10 11 12
Y 46 56 54 43 57 56 67 62 50 56 47 56

Maka Moving Average 3 mingguan (SMA3) terhadap harga penutupan akhir minggu
saham diperoleh dari perhitungan berikut:

Minggu Permintaan Simple Moving Average

(t) (Y) 3 Mingguan (MA3)
1 46 -
2 56 -
3 54 52
4 43 51
5 57 51,33
6 56 52
7 67 60
8 62 61,17
9 50 59,17
10 56 56
11 47 51
12 56 53

Contoh perhitungan:
46+56 +54
SMA Minggu 3 = =52
3

56+54+43
SMA min ggu 4 = =51
3

Berdasarkan data di atas, maka ramalan untuk minggu-minggu mendatang (13)

56 +47+ 56
Y ' (12+t )= =53 unit
3 dengan t = 1,2,3

5.4.4.2 Centered Moving Average

 Perbedaan utama antara Simple Moving Average dan Centered Moving
Average terletak pada pemilihan observasi yang digunakan. Simple Moving Average
menggunakan data yang sedang diobservasi tambah data sebelum observasi.
Misalnya, menggunakan 5 periode moving average, maka untuk SMA menggunakan
data periode ke-5 dan 4 data periode sebelumnya.

Sebaliknya untuk CMA, “Center” berarti rataan antara data sekarang dengan
menggunakan data sebelumnya dan data sesudahnya. Misalnya untuk 3 periode
moving average, maka SMA menggunakan data periode 3 ditambah data
sebelumnya dan data sesudahnya. Didefinisikan sebagai berikut:

Y t−(( L−1/2)+.. .. . .. .Y t +. .. . .. ..+Y t+(( L−1)/2

CMA t =
L
Dimana Yt adalah nilai tengah dari interval L data observasi. (L-1)/2 observasi
merupakan data sebelum dan sesudahnya. Misalnya CMA 5 periode, maka Y t = Y5
maka intervalnya dimulai dari Y3 sampai Y7

Ilustrasi 5

Bulan Permintaan (CMA5) (CMA8)

(t) (Y)
Januari 46 - -
Pebruari 56 - -
Maret 54 51.2 -
April 43 53.2 -
55.13
Mei 57 55.4
55.63
Juni 56 57
55.63
Juli 67 58.4
54.75
Agustus 62 58.2
56.38
September 50 56.4
Oktober 56 54.2
November 47
Desember 56

Contoh perhitungan:
54+43+57+ 56+67
CMA Mei = =55 , 4
5
5.4.4.3 Weighted Moving Average

Formula untuk Weighted Moving Average (WMAt):

n

Ft =w1 A t−1 +w2 A t−2 +.. .. . ..+wn At−n ∑ wi=1

dan i=1
Ilustrasi 6

Diketahui data penjualan suatu departement store 4 bulan periode. Kemudian

ingin meramalkan penjualan bulan ke-5 dengan moving average dimana
menggunakan bobot 40% actual sales untuk bulan saat ini (4), 30% untuk 2 bulan
sebelumnya, 20% untuk 3 bulan sebelumnya, dan 10% untuk 4 bulan sebelumnya.
Data penjualannya sebagai berikut:

Month1 Month2 Month3 Month4 Month5

100 90 105 95 ?

Peramalan weighted moving average dengan N = 4 adalah:

F 4 =0 . 4( 95)+0 . 3(105)+0 . 2(90 )+0. 1(100 )=97 . 50

Maka ramalan bulan ke (5 + t) dengan t =1,2,3 adalah:

F5 =0 .4 (95 )+0. 3(105 )+0 .2(90 )+0 . 1(100 )=97.50

5.4.5 Pelicinan Exponential (Exponential Smoothing)

Dalam model rata-rata bergerak (Moving Average) dapat dilihat bahwa untuk
semua data obesrvasi memiliki bobot yang sama yang membentuk rata-ratanya.
Padahal, data observasi terbaru seharusnya memiliki bobot yang lebih besar
dibandingkan dengan data observasi di masa yang lalu. Hal ini dipandang sebagai
kelemahan model peramalan Moving Average. Untuk itu, digunakanlah metode
Exponential Smoothing agar kelemahan tersebut dapat diatasi didasarkan pada
alasan sebagai berikut:
Metode exponential smoothing mempertimbangkan bobot data-data
sebelumnya dengan estimasi untuk Y’(t+1) dengan periode (t+1) dihitung sebagai:

Y ' (t 1)  Y1   (1   )Y(t 1)   (1   ) 2 Y(t  2 )  ......

Dimana  disebut konstanta pelicinan dalam interval 0 <  < 1. Rumus ini
memperlihatkan bahwa data yang lalu memiliki bobot lebih kecil dibandingkan
dengan data yang terbaru. Rumus tersebut dapat disederhanakan sebagai berikut:

Y'(t 1)  Y1  (1   )Y'(t )

Dengan nilai Y’(1) untuk inisial ramalan didekati dengan nilai rata-ratanya ( Y )

Atau

Y '(t )  Y '( t 1)  (Y(t 1)  Y '(t 1) )

Perlu diperhatikan bahwa penetapan nilai konstanta memiliki andil yang penting
dalam menghasilkan hasil ramalan yang “andal”. Model Exponential Smoothing
digunakan untuk peramalan jangka pendek.

Ilustrasi 7

Tabulasi data berikut ini merupakan actual sales dalam unit untuk 6 bulan dan
peramalan dimulai dari bulan januari.

Month Jan Feb Marc Apr May June

Actual Sales 100 94 108 80 68 94

a. Hitunglah estimasi nilai ramalannya menggunakan simple exponensial

smoothing dengan  = 0.2 jika inisial estimasi periode Januari = 80.
b. Hitunglah Mean Absolute Deviation (MAD)

Jawaban:

Actual Forecas
Bulan Forecast(II) Error (Y-Y')^2
Sales t (1)
January 100 80 80 20 400
February 94 84 84 10 100
March 106 86 86 20 400
April 80 90 90 -10 100
May 68 88 88 -20 400
June 94 84 84 10 100
July 86 86 0
Total 542 598 598 90 1500

a. Estimasi nilai ramalan periode kedua (February) adalah:

Y'(t 1)  Y1  (1   )Y'(t ) ....................................(1) atau

Y ' (t )=Y '(t−1)+α(Y (t−1)−Y '(t−1) ) ....................(2)

Y ' 2 =0 .2(100 )+0 .8 (80)=84 atau

Y ' 2 =80+0 . 2(100−80 )=84

b. Mean Absolute Deviation (MAD)

n
∑|Y (t )−Y ' (t )|
t=1
MAD=
n

90
MAD= =15
6 ;
dimana 1 MAD = 0.8 standard deviation diperoleh standar deviation = 12

Soal Latihan

1. Tebel di bawah ini menunjukkan hasil penjualan televisi oleh 20 kelompok sales
(N) PT SUKSES SELALU. Tiap kelompok sales tersebut terdapat beberapa
orang (x) yang bertugas menawarkan televisi. Hasil data penjualan televisi (y)
diberikan kepada perusahaan setelah semua data-data dari tiap-tiap kelompok
dikumpulkan.

Y No Y
No. X X
.
1 5 11 11 36
10
0
2 7 12 12 40
20
0
3 10 13 14 51
30
0
4 12 14 15 55
40
0
5 17 15 16 62
50
0
6 19 16 16 65
60
0
7 22 17 16 58
70
0
8 25 18 17 70
80
0
9 90 28 19 17 74
 0
10 10 31 20 17 63
0 0

Buatlah:
a. Persamaan regresinya
b. Standar Error Estimatenya
c. Confidence Interval dan Prediction Intervald engan tingkat kepercayaan 95%
dan anggota kelompok sales 35 orang.

2. Zeus Computer Chips.Inc. memproduksi sekitar 186-286 tipe chip. Sejak tiga
tahun yang lalu perusahaan tersebut mengalami penurunan permintaan. Di
bawah ini diberikan data masa lalu permintaannya:

Year Season Demand Year Season Demand

2001 Spring 205 2003 Spring 325
Summer 140 Summer 650
Fall 375 Fall 275
Winter 575 Winter 700
2002 Spring 275 2004 Spring 545
Summer 275 Summer 425
Fall 685 Fall 785
Winter 965 Winter 995

A. Hitunglah demand Zeus Computer chips. Inc tahun 2005 dengan

menggunakan metode peramalan sebagai berikut:
1) Simple Moving Average 4 tahun
2) Weighted Moving Average dengan n=5.
3) Eksponensial Smoothing dengan α=0.3

B. 1) Hitunglah demand Winter 2005 dengan menggunakan metode regresi

linier beserta standar deviasinya.
2) Carilah Confidence Interval untuk Summer tahun 2005 dengan tingkat
kepercayaan 95%

2. Sunrise Baking Company memasarkan produk donat ke toko-toko kue, data di

bawah ini menunjukkan demand donut dalam satuan lusin untuk periode 4
minggu yang lalu. Donut diproduksi sehari sebelum penjualan, misalnya
produksi di hari Minggu untuk penjualan di hari Senin, produksi hari Senin
untuk penjualan hari Selasa, dan seterusnya. Toko kue tutup hari Sabtu, maka
produksi Jumat harus memenuhi demand pada hari Sabtu dan Minggu.

Past Data
4 minggu 3 minggu 2 minggu 1 minggu
 Senin 2.200 2.400 2.300 2.400
Selasa 2.000 2.100 2.200 2.200
Rabu 2.300 2.400 2.300 2.500
Kamis 1.800 1.900 1.800 2.000
Jumat 1.900 1.800 2.100 2.000
Sabtu - - - -
Minggu 2.800 2.700 3.000 2.900

Buatlah peramalan pada minggu ke lima (minggu sekarang) dengan catatan

sebagai berikut:
a) Menggunakan 4 minggu simple moving average
b) Menggunakan weighted moving average dengan 0.40, 0.30, 0.20 dan
0.10 untuk data 4 minggu sebelumnya
c) Sunrise Baking Company juga merencanakan pembelian bahan-bahan
untuk produksi roti. Jika demand produk roti diramalkan 22.000 buah
pada minggu lalu dan hanya 21.000 buah yang menjadi demand
aktualnya, apa yang harus dilakukan Sunrise untuk meramalkan
penjualan minggu ini dengan menggunakan eksponential smoothing
dengan  = 0.1!
d) Dengan hasil peramalan pada point (c), demand aktual minggu ini
ternyata diperoleh 22.500. bagaimana untuk peramalan yang baru untuk
minggu selanjutnya!

3. Sebuah perusahaan Krupuk Suka Krupuk memasarkan produknya ke warung-

warung makanan dan toko-toko. Data di bawah ini adalah data penjualan krupuk
persatuan biji untuk periode 4 minggu yang lalu (Bulan Januari). Krupuk
diproduksi sehari sebelum penjualan yaitu hari Minggu, Selasa, dan Kamis
sedangkan penjualan dilakukan setiap hari Senin, Rabu, dan Jumat untuk setiap
minggunya.

Past Data
4 minggu 3 minggu 2 minggu 1 minggu
Senin - - - -
Selasa 100.000 110.000 110.000 115.000
Rabu - - - -
Kamis 98.000 99.000 100.000 95.000
Jumat - - - -
Sabtu - - - -
Minggu 115.000 112.000 120.000 119.000
Total 313.000 321.000 330.000 333.500

Buatlah peramalan pada minggu ke lima (minggu sekarang) dengan catatan

sebagai berikut:
a) Menggunakan 4 minggu simple moving average
b) Menggunakan weighted moving average dengan 0.60, 0.40, 0.30, 0.10
untuk data 4 minggu sebelumnya
 c) Perusahaan Krupuk Suka Krupuk selain membuat krupuk juga berencana
membuat rempeyek untuk dijual. Penjualan diperkirakan mencapai
20.000 biji pada minggu yang lalu karena baru diperkenankan dan hanya
18.000 yang laku. Apa yang harus dilakukan perusahaan untuk
meramalkan penjualan pada minggu ini dengan menggunakan
eksponential smoothing dengan  = 0.015
d) Prediksi jumlah produksi minggu pertama bulan berikutnya dengan linier
forecasting dan hitunglah standar error estomate-nya, confidence
interval, prediction interval dengan t = 7 dan tingkat kepercayaan 95%.

4. Diketahui data permintaan untuk produk shampo Toserba Podomoro adalah

sebagai berikut:

Month Demand
Jan 20
Feb 22
Mar 25
Apr 21
Mei 24
Jun 28
Jul 35
Agt 40

a) Ramalkan demand untuk bulan september dengan menggunakan

weighted moving average dengan 0.60, 0.30, 0.10
b) Ramalkan demand untuk bulan september dengan menggunakan metode
Simple Moving Average dimana N=3
c) Ramalkan bulan September dengan menggunakan Simple Exponential
Smoothing dengan  = 0.3 dan di bulan Agustus diramalkan = 35
d) Gunakan metode regresi linier untuk menentuakan persamaan
berdasarkan demand yang ada
e) Dari point (d), hitunglah ramalan untuk bulan Desember.

5. Diketahui data permintaan untuk produk lukisan sebagai berikut:

Month Demand
Jan 11
Feb 12
Mar 15
Apr 12
Mei 16
Jun 15

a) Menggunakan weighted moving average dengan 0.40, 0.30, 0.20, 0.10

untuk bulan July
 b) Menggunakan 3 bulan Simple Moving Average untuk bulan July
c) Ramalkan bulan July dengan menggunakan Simple Exponential
Smoothing dengan  = 0.2 dan di bulan Agustus diramalkan = 13
d) Gunakan metode regresi linier untuk menentuakan persamaan
berdasarkan demand yang ada
e) Tentukan confidence interval dan prediction interval dengan t = 16
dengan tingkat kepercayaan 99%!

6. Diketahui data permintaan untuk kaos dari PT Beruc

Month Demand
Jan 220
Feb 200
Mar 250
Apr 230
Mei 240
Jun 220
a) Ramalkan demand minggu ke-7 dengan menggunakan 3 bulan simple
moving average
b) Ramalkan demand untuk minggu ke-7 dengan menggunakan weighted
moving average dengan 0.6, 0.5, 0.4, 0.3
c) Ramalkan demand untuk mingguk ke-7 dengan menggunakan
exponential smoothing dengan  = 0,2 dan pada minggu ke-6
diramalkan 210.

7. Suatu perusahaan Antah Berantah memasarkan hasil produksinya berupa sapu

ijuk. Data di bawah ini merupakan data produksi sapu ijuk dalam 5 tahun
terakhir.

Data Tahun Lalu (Lusin)

Bulan
2000 2001 2002 2003 2004
Jan 120 140 110 120 170
Feb 280 200 190 180 220
Mar 100 120 140 170 210
Apr 130 140 140 120 180
Mei 210 220 190 170 200
Jun 170 190 160 200 210
Jul 200 190 200 230 200
Agt 150 190 200 210 220
Sep 130 170 160 150 180
Okt 120 150 160 130 180
Nov 230 190 200 200 210
Des 320 280 300 250 210

a) 5 tahun simple moving average

b) Weighted Moving Average dengan 0.50, 0.40, 0.30, 0.20, 0.10 untuk
data 5 tahun sebelumnya
c) Perusahaan tersebut berencana membeli bahan-bahan untuk produksi.
Jika demand produk diramalkan 2500 pada tahun 2004 dan hanya 2300
yang menjadi demand aktualnya. Apa yang harus dilakukan perusahaan
untuk meramalkan tahun 2005 dengan menggunakan Exponential
Smoothing dengan  = 0.10?
d) Dengan hasil peramalan pada point (c), demand aktual tahun 2005
ternyata diperoleh 2650. bagaimana untuk peramalan yang baru untuk
tahun 2006?