MODUL 1

PERAMALAN PERMINTAAN PASAR

PRODI TEKNIK INDUSTRI

FAKULTAS TEKNOLOGI ELEKTRO DAN INDUSTRI
CERDAS
INSTITUT TEKNOLOGI TELKOM SURABAYA
2022
Tujuan Umum

Secara umum, dari praktikum ini praktikan diharapkan:

1. Memahami dan dapat menggunakan kriteria pemilihan metode peramalan permintaan

pasar.
2. Memahami dan dapat menggunakan metode peramalan untuk memprediksi permintaan
pasar.
3. Memahami dan dapat mengevaluasi performansi metode peramalan permintaan pasar.
4. Dapat menginterpretasikan hasil permintaan pasar.

Tujuan Khusus

Secara khusus, dari praktikum ini praktikan diharapkan:

1. Memahami dan dapat membuat peramalan permintaan pasar sebagai dasar perencanaan
produksi dengan benar.
2. Memahami dan dapat menginterpretasikan hasil peramalan dengan benar.
3. Mampu menggunakan alat bantu computer untuk melakukan peramalan sebagai dasar
dalam perencanaan produksi.

Peramalan

Definisi Peramalan

Peramalan adalah aktivitas yang dilakukan untuk memprediksi kejadian yang akan terjadi pada
masa yang akan datang. Pada skala produksi, peramalan digunakan untuk memprediksi jumlah
permintaan dari suatu produk sebagai dasar yang digunakan untuk menentukan target volume
produksi beserta strategi untuk mencapai target tersebut. Kesalahan dalam proses peramalan
dapat berakibat pada kesalahan penentuan target atau strategi. Lebih lanjut, kesalahan tersebut
dapat berakibat pada kerugian, misalnya jika strategi yang dipilih melibatkan investasi. Konsep
dasar dari peramalan adalah penggunakan pola pada fakta atau data-data pada masa lalu, untuk
memprediksi kondisi pada masa yang akan datang dengan asumsi bahwa pola tersebut akan
berulang kembali di kemudian hari. Secara garis besar, peramalan dapat dikelompokkan menjadi
dua yaitu metode peramalan kualitatif dan metode peramalan kuantitatif.

Pada gambar 1, ditunjukkan klasifikasi peramalan yang dipakai dalam praktikum kali ini. Praktikum
kali ini akan berfokus pada peramalan kuantitatif dengan model time-series. Peramalan kualitatif
dan peramalan kuantitatif dengan model kasual tetap disajikan pada modul ini untuk memberikan
pengetahuan lebih dan memperjelas perbedaannya di antaranya.
 Gambar 1 Klasifikasi Peramalan

1. Metode Peramalan Kualitatif

Metode peramalan ini biasa digunakan jika data pada masa lalu tidak tersedia sehingga tidak
ada dasar untuk melakukan peramalan. Pada umumnya metode ini cenderung bersifat
subjektif, dan lebih mengandalkan penggabungkan informasi, pengalaman dan intuisi untuk
menghasilkan pola-pola yang dapat digunakan sebagai dasar untuk prediksi masa depan.
Beberapa metode peramalan kualitatif yang sering digunakan untuk memprediksi permintaan
pasar antara lain adalah :

• Market Survey
Metode ini merupakan pendekatan yang sistematik dalam menentukan preferensi
konsumen terhadap suatu produk atau jasa. Market Survey terdiri dari beberapa tahap.
Pertama, penyebaran kuisioner (melakukan survei) yang berisi pertanyaan-pertanyaan
yang jawabannya mengandung informasi yang dibutuhkan untuk menentukan peramalan.
Kedua, analisa hasil survei tersebut dan menginterpretasikan hasilnya. Hasil survei dapat
menghasilkan informasi penting yang membantu proses peramalan, namun tingkat
kesulitan tertinggi ada dalam proses perancangan kuisioner.

• Delphi Method
Metode ini biasa digunakan oleh sekelompok ahli dalam menentukan kesepakatan yang
disetujui bersama. Biasanya, penyebaran kuisoner dilakukan di antara para ahli tersebut,
dimana kuisioner berisi pertanyaan-pertanyaan mengenai kondisi penjualan dan
 produksi dalam perusahaan. Kekurangan dari metode ini adalah lamanya waktu yang
dibutuhkan dan tingginya kemungkinan (resiko) terjadinya kesalahpahaman.

• Panel Consensus
Peramalan dilakukan berdasarkan pertimbangan pihak manajemen senior perusahaan.
Metode ini baik untuk dilakukan pada situasi yang sensitif dan intuitif karena pengalaman
dari para manajemen senior dapat memberikan opini yang relevan terhadapsituasi yang
terjadi.

• Hystorical Analogy
Metode ini menggunakan data-data historis produk-produk sejenis untuk meramalkan
kondisi pada masa mendatang.

• Sales and operations planning

Metode ini mengkolaborasikan perencanaan internal, terutama bagian pemasaran dan
operasi. Metode ini membantu mengidentifikasi peristiwa yang akan terjadi pada masa
datang. Contohnya pada penjualan, promosi, pengenalan produk baru, dan aktivitas
lainnya yang mempengaruhi kebutuhan kapasitas produksi atau kebutuhan persediaan.

2. Konsep Peramalan Kuantitatif

Peramalan kuantitatif adalah suatu metode peramalan yang bergantung kepada data-data
yang didapatkan dari masa lalu. Pada peramalan metode kuantitatif hasil peramalan akan
sangat bergantung kepada metode yang digunakan. Dengan menggunakan metode yang
berbeda, maka akan didapatkan hasil peramalan yang berbeda pula. Oleh sebab itu, diperlukan
analisis lebih lanjut mengenai hasil dari peramalan dengan menggunakan metode tertentu.
Analisis ini dilakukan dengan menguji validasi metode (model) peramalan dengan
membandingkan data hasil peramalan metode tersebut dengan data aktual yang tersedia.
Suatu metode yang baik akan menghasilkan data hasil peramalan yang memiliki selisih yang
kecil terhadap data aktual yang tersedia. Peramalan metode kuantitaif dapat digunakan pada
kondisi sebagai berikut.

a. Terdapat informasi yang dapat dikuantifikasikan dalam bentuk data.

b. Pola data tersebut diasumsikan akan berlanjut di masa mendatang.
2.1 Pola Data

Pola Data Definisi Gambar

Horizontal Pola Horizontal terjadi apabila suatu

data hasil observasi berubah-
berubah di sekitar tingkatan atau rata-
rata yang konstan. Sehingga disebut
pola data horizontal.

Tren Pola data tren terjadi apabila suatu

data memiliki kecenderungan
meningkat atau menurun, dari waktu
ke waktu.

Seasonal Pola data seasonal atau musiman

terjadi saat suatu deret data
dipengaruhi oleh faktor musiman
(kuartal waktu tertentu,
mingguan,atau bulanan). Contoh
produk yang mengikuti polapenjualan
ini adalah baju koko yang akan
menigkat pada saat mendekati hari
raya lebaran.

Cyclical Pola data siklis memiliki pola yang

mirip dengan seasonal.Perbedaannya,
interval pengulangan siklusnya
tidaklah sama. (Pola Data ini tidak
dicoba dalam praktikum)
2.2 Pre Processing Data
Dalam mengumpulkan data, tidak semua data dapat secara langsung dipakai dalam proses
peramalan. Hal ini mungkin terjadi ketika abnormalitas terjadi dan membuat data mengalami
penyimpangan dari pola yang seharusnya. Dalam peramalan volume produksi, misalnya,
terdapat satu bulan di mana volume produksi meningkat pesat karena kebetulan pada bulan
tersebut perusahaan sedang menerima order langka dalam rangka ulang tahun ke-50 salah
satu konsumen terbesarnya. Jika data pada bulan tersebut diikutsertakan dalam
pembangunan model peramalan, maka model tersebut akan meneruskan pola, dengan
suatu peningkatan pesat tersebut, untuk kejadian di masa mendatang.
Selain itu, terkadang data yang dibutuhkan tidak tersedia dengan baik. Sebagai contoh, data
penjualan perusahaan pada bulan Agustus 2013 tidak tersedia, atau data tingkat kerusakan
mesin pada bulan Mei 2013 tidak tersedia. Ketidaktersediaan data ini membuat data menjadi
tidak lengkap. Jika data yang tidak lengkap (missing data) ini diikutsertakan sebagai input
bagi proses peramalan, hasil peramalan yang didapatkan akan kurang tepat. Sama dengan
kasus peningkatan pesat, model peramalan juga akan melanjutkan pola akibat missing data
tersebut. Fenomena semacam ini dikenal sebagai fenomena GIGO (Garbage In, Garbage
Out).
Hair (2010) menjelaskan bahwa missing data adalah ketidaktersediaan informasi untuk suatu
subjek atau kasus. Selain itu, Hair (2010) juga mengatakan bahwa terkait dengan missing
data, tugas peneliti adalah untuk mengidentifikasi dan melihat hubungan yang terdapat
pada missingdata sehingga jika dilakukan perbaikan, hasil perbaikan tersebut akan memiliki
distribusi yang sama atau mirip dengan distribusi data aslinya.
Terdapat dua tindakan yang dapat dilakukan untuk menghadapi missing data yang terdapat
dalam data mentah sebagai berikut.
1. Tidak mempedulikan missing data
Tindakan ini dilakukan jika terdapat allowance untuk missing data yang normal terjadi
dalam teknik yang dilakukan. Missing data juga dapat diabaikan dengan alasan yang
dapat diterima misalnya karena data yang disensor.
2. Mempedulikan missing data
Tindakan ini dilakukan jika peneliti bisa mengidentifikasi bahwa missing data terjadi
karena faktor prosedural, misalnya saja kesalahan dalam meng-input data. Untuk
mengatasi missing data semacam ini, terdapat alternatif tindakan berupa penghapusan
variabel atau case. Namun begitu, tindakan tersebut hanya dapat dilakukan pada data
multivariat dan beberapa data univariat. Sementara itu, untuk data univariat,
penghapusan data tidak dapat dilakukan karena data dari tiap waktu harus
diperhitungkan (time series) untuk menentukan model peramalan terbaik.
Metode yang dapat dilakukan untuk mengatasi missing data, antara lain sebagai berikut.
1. Mean Substitution
Mean substitution dilakukan dengan mengganti nilai missing data dengan rata-rata
data yang ada. Metode ini dapat digunakan pada data numerik.
2. Regression-Based Approach
Pada metode ini, analisis regresi digunakan untuk memprediksi nilai variabel missing
 data berdasarkan hubungannya dengan variabel lain pada set data. Metode ini
mengasumsikan bahwa terdapat hubungan antara missing data dengan variabel lain
yang terdapat pada set data
3. Case Substitution
Metode ini dilakukan dengan mengganti keseluruhan variabel yang memiliki
missing data dengan data lain dari observasi.
4. Deck Imputation
Deck Imputation dilakukan dengan mengganti nilai variabel dengan berdasarkan
pada sumber eksternal (misalnya observasi lain).

2.3 Metode Peramalan Kuantitatif

Metode peramalan kuantitatif adalah metode peramalan yang berdasarkan kepada data-
data yang terdapat pada masa lalu. Metode ini terbagi atas dua jenis yaitu metode kausal
dan metode deret waktu.

2.3.1 Metode Peramalan Kausal

Metode peramalan kausal merupakan teknik peramalan yang menggunakan

informasi satu atau beberapa variabel tidak berpengaruh (independen) terhadap
variabel-variabel lain yang dianggap berpengaruh (dependen). Sebagai contoh,
permintaan jumlah baju yang diperngaruhi oleh hal—hal seperti hari raya (natal,
lebaran), kenaikan gaji, dll. Salah satu teknik utama dalam metode kausal ini adalah
regresi.

Model regresi adalah salah satu teknik yang digunakan untuk menjelaskan
perubahan dari satu atau beberapa variabel ketika suatu variabel mengalami
perubahan. Variabel yang akan dijelaskan perubahannya disebut dengan variabel
dependen dan variabel yang menyebabkan perubahan disebut dengan variabel
independen. Jenis regresi yang sering digunakan pada metode kausal adalah
multiple regression. Pada regresi ini, variable independen (xi) merupakan variabel-
variabel yang bersifat independen.

𝑌 = 𝑎 + 𝑏1𝑥1 + 𝑏2𝑥2 +. . . + 𝑏𝑛𝑥𝑛

Metode kausal dapat digunakan ketika perubahan suatu variabel disebabkan oleh
perubahan pada variabel-variabel lain. Hal tersebut menyebabkan proses
identifikasi variabel menjadi sangat penting. Beberapa pedoman yang dapat
menjadi acuan untuk menerapkan metode kausal adalah sebagai berikut.
1. Terdapat alasan yang kuat untuk menganggap suatu perubahan variabel
disebabkan oleh perubahan pada variabel-variabel lain. Sebagai contoh, tingkat
pendapatan masyarakat akan mempengaruhi tingkat konsumsi masyarakat.
2. Terdapat indikator utama yang dapat diindetifikasi.
3. Rentang waktu atau horizon waktu peramalan yang relevan. Untuk jangka
waktu pendek, rentang waktu antara pengumpulan data dan efek kausal dapat
diabaikan.Namun, untuk jangka waktu yang panjang bisa terdapat
kemungkinan bahwa efek kausal telah bergesar akibat faktor rentang waktu.
2.3.2 Metode Time Series

Metode time series atau biasa dikenal dengan metode deret waktu adalah metode
yang menggunakan data-data pada masa lalu untuk meramalkan keadaaan pada
masa yang akan datang. Pada metode deret waktu ini, sumbu x menunjukkan waktu
sedangkan sumbu y menunjukkan jumlah dari permintaan pada periode x.

2.3.2.1 Model Untuk Pola Data Horizontal

a. Single Moving Average

Salah satu metode peramalan yang ringkas dan mudah digunakan adalah
moving average. Moving average termasuk kepada peramalan jenis One
Step Ahead Forecast (OSF), yaitu model peramalan yang dapat
digunakan untuk meramalkan satu periode ke depan. Oleh sebab itu,
untuk melakukan peramalan-peramalan di periode selanjutnya,
digunakanlah nilai peramalan pada periode yang telah diramalkan pada
satu periode ke depan tersebut. Suatu moving average berorde N
adalah rata-rata dari data sejumlah N observasi. Untuk melakukan
peramalan terhadap satu periode didepan, maka digunakan data pada N
periode sebelumnya. Maka untuk menghitung 𝐹𝑡, rumusnya adalah
sebagai berikut.
𝑡−1
1 1
𝐹𝑡 = ( ) ∑ 𝐷𝑖 = ( ) (𝐷𝑡−1 + 𝐷𝑡−2 + ⋯ + 𝐷𝑡−𝑁 )
𝑁 𝑁
𝑖=𝑡−𝑁
dimana :
𝐹𝑡 = ℎ𝑎𝑠i𝑙 𝑝𝑒𝑟𝑎𝑚𝑎𝑙𝑎𝑛 𝑝𝑎𝑑𝑎 𝑝𝑒𝑟i𝑜𝑑𝑒 𝑡
𝑁 = 𝑚𝑜𝑣i𝑛𝑔 𝑎𝑣𝑒𝑟𝑎𝑔𝑒 𝑤i𝑑𝑡ℎ
𝐷 = 𝑑𝑎𝑡𝑎 j𝑢𝑚𝑙𝑎ℎ 𝑝𝑒𝑟𝑚i𝑛𝑡𝑎𝑎𝑛
𝑡 = i𝑛𝑑𝑒𝑘𝑠 𝑤𝑎𝑘𝑡𝑢

b. Single Exponential Smoothing

Metode ini memanfaatkan data hasil peramalan periode sebelumnya dan
data aktual dari periode yang bersangkutan. Single Exponential
Smoothing termasuk kepada peramalan jenis One Step Ahead Forecast
(OSF). Exponential smoothing bertujuan untuk melakukan penyesuaian
antara hasil peramalan dengan data aktual.
𝐹𝑡 =∝. 𝐷𝑡−1 + (1−∝). 𝐹𝑡−1
dimana :
𝐹𝑡 = ℎ𝑎𝑠i𝑙 𝑝𝑒𝑟𝑎𝑚𝑎𝑙𝑎𝑛 𝑝𝑎𝑑𝑎 𝑝𝑒𝑟i𝑜𝑑𝑒 𝑡
𝐷𝑡−1 = j𝑢𝑚𝑙𝑎ℎ 𝑝𝑒𝑟𝑚i𝑛𝑡𝑎𝑎𝑛 𝑝𝑒𝑟i𝑜𝑑𝑒 𝑡 − 1
𝐹𝑡−1 = ℎ𝑎𝑠i𝑙 𝑝𝑒𝑟𝑎𝑚𝑎𝑙𝑎𝑛 𝑝𝑒𝑟i𝑜𝑑𝑒 𝑡 − 1
𝛼 = 𝑘𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑎 𝑠𝑚𝑜𝑜𝑡ℎi𝑛𝑔 ; 𝑑i𝑚𝑎𝑛𝑎 0 < 𝛼 ≤ 1

c. Weighted Moving Average

Sama dasarnya dengan metode single moving average, metode ini
memanfaatkan data aktual dari beberapa periode masa lalu. Weighted
Moving Average termasuk kepada peramalan jenis One Step Ahead
Forecast (OSF). Jika pada metode single moving average, setiap data
aktual memiliki bobot yang sama, sedangkan pada metode weighted
moving average bobot yang berbeda-beda digunakan untuk setiap data
aktual, dimana bobot tersebut adalah Wi. Pemilihan bobot akan
memengaruhi galat hasil peramalan dengan data aktual.
𝑁

𝐹𝑡 = ∑ 𝑊𝑡−𝑖. 𝐷𝑡−𝑖
𝑖=1
Untuk menentukan bobot, dapat digunakan perumusan matematis
sebagai berikut.
𝑡−𝑖
𝑊𝑡−𝑖 = ,1 ≤ 𝑁 < 𝑡 𝑖 = 1,2, … , 𝑁
𝑁 + (𝑁 − 1) + (𝑁 − 2) + ⋯ + 1
dimana :
𝐹𝑡 = ℎ𝑎𝑠i𝑙 𝑝𝑒𝑟𝑎𝑚𝑎𝑙𝑎𝑛 𝑝𝑎𝑑𝑎 𝑝𝑒𝑟i𝑜𝑑𝑒 𝑡
𝑊𝑡−𝑖 = 𝑏𝑜𝑏𝑜𝑡 𝑢𝑛𝑡𝑢𝑘 𝑑𝑎𝑡𝑎 𝑎𝑘𝑡𝑢𝑎𝑙 𝑘𝑒 𝑡 − i
𝐷𝑡−𝑖 = 𝑛i𝑙𝑎i 𝑑𝑎𝑡𝑎 𝑎𝑘𝑡𝑢𝑎𝑙 𝑢𝑛𝑡𝑢𝑘 𝑝𝑒𝑟i𝑜𝑑𝑒 𝑡 − i
𝑁 = 𝑚𝑜𝑣i𝑛𝑔 𝑎𝑣𝑒𝑟𝑎𝑔𝑒 𝑤i𝑑𝑡ℎ
𝑡 = i𝑛𝑑𝑒𝑘𝑠 𝑤𝑎𝑘𝑡𝑢
Perhatikan indeks yang digunakan pada proses pembobotan secara
seksama. Perumusan matematis tersebut memungkinkan data aktual
yang lebih dekat dengan periode peramalan akan mendapatkan bobot
yang lebih besar.
2.3.2.2 Model Untuk Pola Data Tren
a. Double Exponential Smoothing (Using Holt’s Method)
Double exponential smoothing using Holt’s Method termasuk kepada
peramalan jenis Multiple Step Forecast (MSF), yaitu peramalan yang
dapat digunakan untuk beberapa periode ke depan. Pada prinsipnya,
metode ini mempertimbangkan terdapatnya faktor tren (𝛽) pada data.
Beta (𝛽) menggunakan perubahan nilai aktual untuk memodifikasi tren
peramalan dari periode sebelumnya. Untuk menghilangkan pengaruh
level dan tren data peramalan, maka dibutuhkan data dari beberapa
periode sebelumnya. Dikarenakan persamaan dari Double exponential
smoothing using Holt’s Method membutuhkan data peramalan dari
periode sebelumnya (dalam bentuk 𝑆𝑡−1 dan 𝐺𝑡−1), maka dibutuhkan
nilai awal untuk menginisiasi persamaan ini. Salah satu pendekatan untuk
mendapatkan nilai intercept dan slope awal adalah dengan
menggunakan metode linear regression dengan a dan b sebagai nilai
awal intercept dan slope tersebut.
𝑆𝑡 = 𝛼. 𝐷𝑡 + (1 − 𝛼)(𝑆𝑡−1 + 𝐺𝑡−1 )
𝐺𝑡 = 𝛽. (𝑆𝑡 − 𝑆𝑡−1 ) + (1 − 𝛽). 𝐺𝑡−1
𝐹𝑡,𝑡+𝑐 = 𝑆𝑡 + 𝑟. 𝐺𝑡
dimana :
𝐷𝑡 = j𝑢𝑚𝑙𝑎ℎ 𝑝𝑒𝑟𝑚i𝑛𝑡𝑎𝑎𝑛 𝑢𝑛𝑡𝑢𝑘 𝑝𝑒𝑟i𝑜𝑑𝑒 𝑡
𝑆𝑡 = 𝑛i𝑙𝑎i i𝑛𝑡𝑒𝑟𝑐𝑒𝑝𝑡 𝑢𝑛𝑡𝑢𝑘 𝑝𝑒𝑟i𝑜𝑑𝑒 𝑡
𝑆𝑡−1 = 𝑛i𝑙𝑎i i𝑛𝑡𝑒𝑟𝑐𝑒𝑝𝑡 𝑢𝑛𝑡𝑢𝑘 𝑝𝑒𝑟i𝑜𝑑𝑒 𝑡 − 1
𝐺𝑡 = 𝑛i𝑙𝑎i 𝑠𝑙𝑜𝑝𝑒 𝑢𝑛𝑡𝑢𝑘 𝑝𝑒𝑟i𝑜𝑑𝑒 𝑡
𝐺𝑡−1 = 𝑛i𝑙𝑎i 𝑠𝑙𝑜𝑝𝑒 𝑢𝑛𝑡𝑢𝑘 𝑝𝑒𝑟i𝑜𝑑𝑒 𝑡 − 1
𝛼, 𝛽 = 𝑘𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑎 𝑠𝑚𝑜𝑜𝑡ℎi𝑛𝑔
𝐹𝑡,𝑡+𝑐 = 𝑝𝑒𝑟𝑎𝑚𝑎𝑙𝑎𝑛 𝑢𝑛𝑡𝑢𝑘 𝑟 𝑝𝑒𝑟i𝑜𝑑𝑒 𝑘𝑒 𝑑𝑒𝑝𝑎𝑛 𝑦𝑎𝑛𝑔 𝑑i𝑙𝑎𝑘𝑢𝑘𝑎𝑛 𝑝𝑎𝑑𝑎
𝑝𝑒𝑟i𝑜𝑑𝑒 𝑡

b. Linear Regression With Time

Linear Regression With Time termasuk kepada peramalan jenis Multiple
Step Forecast (MSF). Metode ini berupaya mengestimasi sebuah garis
lurus sesuai dengan kumpulan titik-titik yang ada. tujuan dari metode ini
adalah untuk mengestimasi garis tersebut berdasarkan titik-titik data
yang ada. garis tersebut terdiri dari intercept dan slope. Kedua nilai
tersebut berubah seiring dengan pertambahan periode peramalan. Pada
metode ini waktu merupakan variable independen.
2.3.2.3 Model Untuk Pola Data Seasonal
a. Holt’s Winter Methode (Triple Exponential Smoothing)
Metode Holt Winter digunakan untuk mengatasi adanya pola data trend dan
seasonal. Pada metode ini terdapat tiga jenis parameter yaitu α,β dan 𝛾.
Metode ini juga membutuhkan nilai awal dari data peramalan sebelumnya
sehingga dibutuhkan pendekatan yang sama dengan metode Double
exponential smoothing using Holt’s Method untuk nilai awal tersebut.

𝐹(𝑡) = 𝘢 [𝑋(𝑡) − 𝑆(𝑡 − 𝑐)] + (1 − 𝘢)[𝐹(𝑡 − 1) + 𝑇(𝑡 − 1)]

𝑇(𝑡) = 𝛽[𝐹(𝑡) − 𝐹(𝑡 − 1)] + (1 − 𝛽)𝑇(𝑡 − 1)
𝑆(𝑡) = 𝛾[𝑥(𝑡) − 𝐹(𝑡)] + (1 − 𝛾)𝑆(𝑡 − 𝑐)

Untuk forecast data aktual :

ƒ(𝑡) = 𝐹(𝑡 − 1) + 𝑇(𝑡 − 1) + 𝑆(𝑡 − 𝑐)
Untuk forecast future demand :
ƒ(𝑡 + ℎ) = 𝐹(𝑡) + ℎ𝑇(𝑡) + 𝑆(𝑡 + ℎ − 𝑐) 𝑓𝑜𝑟 ℎ = 1,2 … . 𝑐
ƒ(𝑡 + ℎ) = 𝐹(𝑡) + ℎ𝑇(𝑡) + 𝑆(𝑡 + ℎ − 2𝑐) 𝑓𝑜𝑟 ℎ = 𝑐 + 1, 𝑐 + 2 … ,2𝑐
ƒ(𝑡 + ℎ) = 𝐹(𝑡) + ℎ𝑇(𝑡) + 𝑆(𝑡 + ℎ − 3𝑐) 𝑓𝑜𝑟 ℎ = 2𝑐 + 1,2𝑐 + 2, … , 3𝑐
di mana,
X(𝑡) = 𝑛i𝑙𝑎i 𝑑𝑎𝑡𝑎 𝑎𝑘𝑡𝑢𝑎𝑙 𝑢𝑛𝑡𝑢𝑘 𝑝𝑒𝑟i𝑜𝑑𝑒 𝑡
𝐹(𝑡) = 𝑛i𝑙𝑎i i𝑛𝑡𝑒𝑟𝑐𝑒𝑝𝑡 𝑢𝑛𝑡𝑢𝑘 𝑝𝑒𝑟i𝑜𝑑𝑒 𝑡
𝑇(𝑡) = 𝑛i𝑙𝑎i ƒ𝑎𝑘𝑡𝑜𝑟 𝑠𝑙𝑜𝑝𝑒 𝑢𝑛𝑡𝑢𝑘 𝑝𝑒𝑟i𝑜𝑑𝑒 𝑡
𝑆(𝑡) = 𝑛i𝑙𝑎i ƒ𝑎𝑘𝑡𝑜𝑟 𝑠𝑒𝑎𝑠𝑜𝑛𝑎𝑙 𝑢𝑛𝑡𝑢𝑘 𝑝𝑒𝑟i𝑜𝑑𝑒 𝑡
𝛼, 𝛽, 𝛾 = 𝑘𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑎 𝑠𝑚𝑜𝑜𝑡ℎi𝑛𝑔
𝑐 = j𝑢𝑚𝑙𝑎ℎ 𝑝𝑒𝑟i𝑜𝑑𝑒 𝑑𝑎𝑙𝑎𝑚 1 𝑠i𝑘𝑙𝑢𝑠
 ƒ(𝑡 + ℎ) = 𝑛i𝑙𝑎i ℎ𝑎𝑠i𝑙 𝑝𝑒𝑟𝑎𝑚𝑎𝑙𝑎𝑛 𝑢𝑛𝑡𝑢𝑘 ℎ 𝑝𝑒𝑟i𝑜𝑑𝑒 𝑘𝑒 𝑑𝑒𝑝𝑎𝑛 𝑦𝑎𝑛𝑔 𝑑i𝑙𝑎𝑘𝑢𝑘𝑎𝑛
𝑝𝑎𝑑𝑎 𝑝𝑒𝑟i𝑜𝑑𝑒 𝑡

2.4 Ukuran Hasil Performansi Peramalan

Pemilihan model peramalan yang tepat adalah kunci dalam melakukan peramalan dengan
baik. Kriteria baik atau tidaknya suatu model peramalan dalam meramalkan data dengan
pola tertentu harus didasarkan pada ukuran-ukuran performansi peramalan yang
kuantitatif sehingga dapat dibandingkan dengan baik. Ukuran performansi peramalan
dilakukan berdasarkan adanyagalat (error) yang dihasilkan antara nilai hasil peramalan dan
nilai data aktual. Dengan mudah, semakin kecil galat yang dihasilkan dari peramalan
dengan suatu model tertentu, semakin baik model tersebut dalam meramalkan data yang
bersangkutan.

Konsep galat (error) tersebut kemudian digunakan untuk menentukan model peramalan
terbaik, beserta parameter-parameternya, untuk suatu data tertentu. Tentu saja, model
peramalan terbaik ialah model peramalan yang menghasilkan galat terkecil.

Besarnya galat pada periode ke-t, yaitu 𝑒(𝑡), dinyatakan dengan formula berikut :

𝑒(𝑡) = 𝑌(𝑡) − 𝑌̂(𝑡)

Dimana :

𝑒(𝑡)= 𝑔𝑎𝑙𝑎𝑡 𝑢𝑛𝑡𝑢𝑘 𝑝𝑒𝑟i𝑜𝑑𝑒 𝑡

𝑌(𝑡)= 𝑛i𝑙𝑎i 𝑑𝑎𝑡𝑎 𝑎𝑘𝑡𝑢𝑎𝑙 𝑢𝑛𝑡𝑢𝑘 𝑝𝑒𝑟i𝑜𝑑𝑒 𝑡
𝑌̂(𝑡)= 𝑛i𝑙𝑎i ℎ𝑎𝑠i𝑙 𝑝𝑒𝑟𝑎𝑚𝑎𝑙𝑎𝑛 𝑢𝑛𝑡𝑢𝑘 𝑝𝑒𝑟i𝑜𝑑𝑒 𝑡

Dalam implementasinya, konsep galat ini memiliki kelemahan seperti adanya efek saling
meniadakan yaitu ketika 2 atau lebih data memiliki galat yang secara resultan
(penjumlahan) saling meniadakan. Hal ini akan menyebabkan kesalahan dalam
menentukan performansi suatu model peramalan. Oleh sebab itu, dengan melakukan
perbaikan pada perumusan matematika, berikut ini ialah beberapa ukuran performansi
yang dirumuskan untuk menghilangkan efek saling meniadakan tersebut.
• Mean Absolute Deviation (MAD)
∑𝑁 ̂
𝑡=1|𝑌(𝑡) − 𝑌 (𝑡)|
𝑀𝐴𝐷 =
𝑁
• Mean Squared Error (MSE)
(𝑌(𝑡) − 𝑌̂(𝑡))2
𝑀𝑆𝐸 =
𝑁

• Mean Absolute Percent Error (MAP)

𝑁
100 𝑌(𝑡) − 𝑌̂(𝑡)
𝑀𝐴𝑃 = ∑⌊ ⌋
𝑁 𝑌(𝑡)
𝑡=1
2.5 Verifikasi Hasil Peramalan

Verifikasi hasil peramalan bertujuan memeriksa fungsi peramalan, apakah sudah

mewakili datayang ada atau belum. Metode verifikasi yang umum digunakan adalah
moving range chart.

𝑀𝑅 = |(𝐹𝑡 − 𝐴𝑡 ) − (𝐹𝑡−1 − 𝐴𝑡−1 )|

𝑀𝑅
̅̅̅̅̅
𝑀𝑅 = ∑
𝑛−1
Dimana:

𝑀𝑅 = 𝑀𝑜𝑣i𝑛𝑔 𝑅𝑎𝑛𝑔𝑒
𝐹𝑡 = 𝑁i𝑙𝑎i 𝑟𝑎𝑚𝑎𝑙𝑎𝑛 𝑝𝑒𝑟i𝑜𝑑𝑒 𝑡
𝐴𝑡 = 𝑁i𝑙𝑎i 𝑎𝑘𝑡𝑢𝑎𝑙 𝑝𝑒𝑟i𝑜𝑑𝑒 𝑡
𝐹𝑡−1 = 𝑁i𝑙𝑎i 𝑟𝑎𝑚𝑎𝑙𝑎𝑛 𝑝𝑒𝑟i𝑜𝑑𝑒 𝑡 − 1
𝐴𝑡−1 = 𝑛i𝑙𝑎i 𝑎𝑘𝑡𝑢𝑎𝑙 𝑝𝑒𝑟i𝑜𝑑𝑒 𝑡 − 1
Kemudian dibuat batas control atas atau Upper Control Limit (UCL), batas control bawah
atau Lower Control Limit (LCL), dan garis tengah atau Center Line (CL).
̅̅̅̅̅
𝑈𝐶𝐿 = +2,66𝑀𝑅
̅̅̅̅̅
𝐿𝐶𝐿 = −2.66𝑀𝑅
𝐶𝐿 = 0
Berdasarkan peta kendali yang dibuat, dapat terlihat sebaran data. Apakah sebaran data
berada di dalam atau di luar control. Jika sebaran berada di luar control, maka fungsi atau
metode peramalan yang digunakan tidak sesuai. Sehingga peramalan yang dihasilkan
tidak representative.

Kondisi abnormalitas dapat diidentifikasi berdasarkan empat aturan sebagai berikut :

1. 2 dari 3 data yang berurutan berada di daerah A

2. 4 dari 5 data yang berurutan berada di daerah B
3. 8 atau lebih data yang berurutan berada di salah satu sisi (atas atau bawah) center
line.
4. Terdapat satu titik yang berada diluar bata kendali atas dan batas kendali bawah.
Kondisitersebut disebut out of control.
 Outlier

Outlier adalah hasil observasi yang berbeda secara signifikan dengan data-data hasil
observasi yang lainnya. Outlier dapat membuat hasil analisis data tidak representative.
Terdapat dua tindakan yang dapat dilakuan terhadap outlier. Pertama, ourlier dapat
diabaikan jika tidak terdapat alasan yang masuk akan terhadap keberadaan outlier
tersebut. Kedua, jika keberadaan data outlier tersebut dapat dijelaskan maka harus
dihiraukan supayatidak mengganggu proses selanjutnya. Pada data time series, outlier
tidak dapat dihapus karena setiap data merupakan data yang diperhitungkan.

BAHAN DAN PERALATAN

Bahan dan peralatan yang dibutuhkan dalam praktikum ini adalah sebagai berikut.

a. Modul praktikum
b. Data penjualan aktual masa lalu
c. Perangkat lunak Microsoft Excel
d. Perangkat komputer
Bahan dan peralatan tersebut WAJIB dibawa oleh praktikan saat praktikum berlangsung.

PROSEDUR PRAKTIKUM

Langkah-langkah pengolahan data yang dilakukan dalam praktikum ini adalah sebagai berikut.

1. Lakukan pre-processing data.

2. Agregasikan data penjualan jenis produk yang sama dari 3 regional penjualan untuk
setiap periode.
3. Plot data penjualan agregat masa lalu untuk setiap jenis produk.
4. Analisis pola data penjualan setiap jenis produk.
5. Pilih model-model peramalan deret waktu yang sesuai untuk meramalkan data
penjualansetiap jenis dongkrak.
6. Tentukan parameter-parameter model yang digunakan untuk setiap model peramalan.
7. Gunakan bantuan referensi untuk melakukan peramalan menggunakan model-model
peramalan tersebut.
8. Ukur performansi dari hasil peramalan dengan setiap model-model peramalan tersebut.
9. Pilihlah model peramalan terbaik untuk meramalkan data penjualan setiap jenis produk.
10. Lakukan verifikasi terhadap hasil peramalan.

Pengolahan Data

• Pre-processing data penjualan produk.

• Agregasi data penjualan setiap jenis produk selama periode t.

• Pemetaan dan penentuan pola data penjualan untuk setiap jenis prodk.

• Peramalan data penjualan dengan menggunakan model-model peramalan yag sesuai

• Pengukuran performansi hasil peramalan data penjualan

• Pemilihan model peramalan untuk setiap jenis produk

• Verifikasi terhadap hasil peramalan untuk setiap model peramalan terpilih untuk setiap
jenis produk

• Hasil peramalan data penjualan dengan model peramalan terpilih untuk setiap jenis
produk

Analisis

• Analisis pre-processing data

• Analisis agregasi/diagregasi data penjualan dongkrak A, B, dan C di seluruh regional

• Analisis pola data penjualan setiap jenis produk yang telah diagregasikan

• Analisis setiap model-model peramalan

• Analisis pemilihan model peramalan untuk setiap jenis produk

• Analisis hasil peramalan dengan model peramalan terpilih

• Analisis perbandingan ketepatan penggunaan data penjualan atau data produksi untuk
peramalan permintaan produk di masa yang akan datang

• Analisis pengaruh kesalahan peramalan (kelebihan atau kekurangan) terhadap

kegiatan produksi dan solusi yang diperlukan untuk penangannya

• Analisis keterkaitan Modul Peramalan Permintaan Pasar dengan modul lainnya

Format laporan ialah sebagai berikut.

a. Jenis font : Times New Roman 11

b. Spasi : 1,2
c. Margin : Kiri 2,5 cm; Kanan, atas, dan bawah 2cm
d. Ukuran kertas : A4 (Print bolak-balik)
e. Laporan dikumpulkan dengan menggunakan klip
REFERENSI

Referensi Utama:

Nahmias, Steven. 2005. Production and Operations Analysis 5th Edition. Singapore: McGraw
Hill.

Makridakis, S. & Wheelwright, S.C. 1980. Forecasting Methods for Management3rd Ed.. New
York: John Wiley & Sons.

Hair, J., Black, B., Babin, BJ., Anderson, RE. 2010. Multivariate Data Analysis. New Jersey:
Prentice Hall, Inc.

Referensi Pendukung:

Walpole, Ronald E.; Raymond H. Myers, Sharon L. Myers, dan Keying Ye. 2002. Probability &
Statistics for Engineers & Scientists 7th Ed.. New Jersey: Prentice-Hall, Inc.

Elsayed, E.A. & Boucher, T.O. 1994. Analysis and Control of Production System 2nd . New
Jersey: Prentice Hall.

Crandall, Richard E. & William ―Rick‖ Crandall. 2008). Demand Forecasting – Art, Science, or
Chaos? South East Decision Sciences Institute Conference Proceedings, Category:
Teaching Pedagogy, p.91