MAKALAH MANAJEMEN OPERASI

“Peramalan Permintaan AMDK pada PT. PQR Dengan Metode Least Square dan
Standard Error of Estimate”

Dosen Pengampu:

Dr. Jajang Suherman,SAB.MAB

Disusun Oleh:

WINDI DANIAR

41033402211215

PROGRAM STUDI MANAJEMEN

FAKULTAS EKONOMI UNIVERSITAS ISLAM NUSANTARA

2022/2023
 KATA PENGANTAR

Puji syukur kehadirat Allah SWT yang telah memberikan rahmat dan hidayah-
Nya sehingga Kami dapatmenyelesaikan tugas makalah yang berjudul Peramalan Perminaan
AMDK pada PT. PQR Dengan Metode Least Square dan Standard Error of Estimate” ini tepat
pada waktunya.Adapun tujuan dari penulisan dari makalah ini adalah untuk memenuhi tugas
untuk mata kuliah manajemenoperasi lanjutan. Selain itu, makalah ini juga bertujuan untuk
menambah wawasan tentang manajemen operasibagi para pembaca dan juga bagi penulis.

Kami mengucapkan terima kasih kepada bapak Dr. Jajang Suherman SAB, MAB, selaku
dosen mata kuliah manajemenoperasi lanjutan yang telah memberikan tugas ini sehingga dapat
menambah pengetahuan dan wawasan sesuaidengan bidang studi yang kami tekuni.

Kami menyadari, makalah yang Kami tulis ini masih jauh dari kata sempurna. Oleh
karena itu, kritik dan saranyang membangun akan kami nantikan demi kesempurnaan makalah
ini.

Bandung, 6 November 2022

Penulis
 DAFTAR ISI

BAB I..........................................................................................................................................................4
PENDAHULUAN......................................................................................................................................4
1.1. Latar Belakang..................................................................................................................................4
1.2. Rumusan Masalah.............................................................................................................................4
1.3. Tujuan...............................................................................................................................................4
BAB II........................................................................................................................................................5
TINJAUAN PUSTAKA............................................................................................................................5
2.1. Air Mineral.......................................................................................................................................5
2.2. Forecasting (Peramalan Permintaan)................................................................................................5
2.3. Metode Peramalan............................................................................................................................6
2.4. Metode Least Square (Kuadrat terkecil)...........................................................................................6
2.5. Metode least square untuk pola data konstan....................................................................................8
BAB III.......................................................................................................................................................9
PEMBAHASAN.........................................................................................................................................9
DAFTAR PUSTAKA..............................................................................................................................12
 BAB I

PENDAHULUAN
1.1. Latar Belakang
Banyak perusahaan membuat peramalan berdasarkan data penjualan historis. Asumsi yang
digunakan adalah kausalitas (sistem Cosual). Dengan kata lain, apa yang terjadi di masa lalu
terulang pada titik ini. Ketika menurunkan model statistik untuk , hubungan sebab akibat tidak
diperhitungkan. Dalam asumsi ini, pola penjualan masa lalu digunakan sebagai dasar untuk
memprediksi penjualan masa depan. Perhatikan bahwa tidak mengubah kausalitas masa lalu.
Pada dasarnya, perkiraan permintaan diperoleh dengan mencocokkan persamaan terbaik dengan
data historis atau tabulasi silang. Koefisien persamaandiestimasi menggunakan metode kuadrat
terkecil. Rumus terbaik adalah rumus, yang meminimalkan deviasi kuadrat dari data aktual
dalam hasil prediksi. Persamaan data diturunkan dari dengan rumus standar. Analisis statistik
dari perkiraan permintaan ini dapat dilakukan dengan komputer. Mengenai penggunaan
komputer, pengguna perangkat lunak harus menyadari lima hal yang dapat mengacaukan
validitas atau kegunaan persamaan permintaan statistik. (3) penyimpangan dari asumsi normal.
(4) kausalitas dua arah, (5) munculnya variabel baru yang sebelumnya tidak dipertimbangkan;
Sebagai produsen air minum dalam kemasan (AMDK), PT PQR perlu memproduksi galon air
untuk memenuhi kebutuhan pelanggan. Kebijakan rasionalisasi arus kas mengharuskan
manajemen menggunakan prakiraan produk untuk melakukan perhitungan biaya dengan
menggunakan peramalan produk.

1.2. Rumusan Masalah

Berapa jumlah AMDK dalam satuan gallon yang harus diproduksi pada tahun 2022.

1.3. Tujuan
Untuk mengetahui berapa jumlah AMDK yang harus di produksi oleh PT PQR pada tahun
2022.
 BAB II

TINJAUAN PUSTAKA
2.1. Air Mineral
Air mineral, Anda mungkin sudah tahu judul ini. Aqua sendiri merupakan salah satu merk
produk AMDK , namun pada umumnya orang yang sudah mengoceh adalah dengan menyebut
AMDK sebagai air mineral atau aqua. Air mineral dan air minum dalam kemasan sendiri punya
perbedaan. Untuk lebih jelas mengenai perbedaan air mineral, air minum dalam kemasan, dan
yang lainnya, berikut ini pengertian/definisi air menurut SNI 01-3553-2006 yaitu:

1. Air Minum Dalam Kemasan (AMDK) adalah air baku yang telah diproses, dikemas, dan aman
diminum mencakup air mineral..

2. Air Baku adalah air yang telah memenuhi persyaratan kualitas air bersih sesuai peraturan yang
berlaku.

3. Air Mineral adalah air minum dalam kemasan yang mengandung mineral dalam jumlah
tertentu tanpa menambahkan mineral.

4. Air mineral/Air Murni/Non Mineral adalah air minum dalam kemasan yang diperoleh melalui
proses pemurnian seperti destilasi, deionisasi, reverse osmosis dan proses setara.

2.2. Forecasting (Peramalan Permintaan)

Forecasting merupakan suatu seni dan ilmu pengetahuan yang dapat memprediksi peristiwa
pada masa yang akan mendatang.peramalan akan melibatkan pengambilan data historis (seperti
penjualan tahun lalu) . Peramalan juga bisa dijadikan dasar untuk memmabantu pengambilan
keputusan yang sifatnya belum tetap atau tidak pasti contoh dalam pengambilan keputusan,
dalam kebijakan pengendalian dari sistem persediaan (inventory), keputusan perencaaan
produksi, penjadwalan kebutuhan mesin, peralatan bahan, serta dapat menentukan tingkatnya
tenaga kerja selama periode proses produksi. Peramalan tidak hanya digunakan untuk
memperkirakan permintaan produk saja, namun secara luas juga digunakandalam sistem lainnya.
Dalam suatu industri. peramalan dilakukan oleh berbagai departemen, seperti departemen:
pemasaran, produksi. pemasaran. persediaan. Keuangan. Peramalan dapat diklasifikasi dengan
horizon pada waktu yang akan datang, berikut waktu horizon dibagi dalam 3 kategori sebagai
berikut : (Heizer2014, hlm 114).
2.3. Metode Peramalan
Metode peramalan dapat diklasifikasi atas dua kelompok besar yaitu metode kualitatif dan
kuantitatif. Kedua kelompok tersebut memberikan hasil peramalan yang kuantitatif.
Perbedaannya terletak pada cara peramalan yang dilakukanMetode kualitatif didasarkan pada
pertimbangan akal sehat (human judgement) dan pengalaman. Metode kuantitatif adalah sebuah
prosedur formal yang menggunakan model matematik dan data masa lalu untuk
memproyeksikan kebutuhan di masa yang akan datang. (Heizer 2014, hlm 114).

1. Metode kualitatif

Metode kualitatif pada umumnya digunakan apabila data kuantitatif tentang permintaan masa
lalu tidak tersedia atau akurasinya tidak memadai. Misalnya peramalan tentang permintaan
produk baru yang akan dikembangkan, jelas data

masa lalu tidak tersedia. Walaupun data masa lalu tersedia, kalau kondisi lingkungan masa yang
akan datang sama sekali sudah berbeda dengan kondisi masa lalu maka keberadaan data masa
lalu itu tidak akan menolong peramalan permintaan masa yang akan datang (Kusuma 2009, hlm
13).

2. Metode kuantitatif

Peramalan berdasarkan metode kuantitatif (intrinsic forecasting) mempunyai asumsi bahwa data
permintaan masa lalu dari produk atau item yang diramalkan mempunyai pola yang diperkirakan
masih berlanjut ke masa yang akan datang. Pola permintaan tersebut mungkin kurang jelas
terlihat karena faktor random yang menghasilkan fluktuasi. Peramalan mencakup analisis data
masa lalu untuk menemukan pola permintaan dan berdasarkan pola ini diproyeksikan besarnya
permintaan pada masa yang akan datang. Karena metode peramalan intrinsik ini didasarkan
pada asumsi bahwa pola permintaan masa lalu akan terus berlanjut ke masa yang akan datang
maka metode ini tidak mampu memproyeksikan titik belok (turning points) yaitu perubahan
permintaan secara tiba-tiba. Untuk peramalan permintaan jangka pendek masalah yang demikian
tidak akan ditemui (Sinulingga, 2009, hlm 133).

2.4. Metode Least Square (Kuadrat terkecil)

Metode ini paling sering digunakan untuk meramalkan Y, karena perhitungannya lebih teliti.
Persamaan garis trend yang akan dicari ialah
Y ‘ = a0 +bx ,

dimana:

a = ( ∑Y ) / n

b = ( ∑XY ) / ∑x2

dengan :

Y = data berkala (time series)

Y ‘ = taksiran nilai trend.

a0 = nilai trend pada tahun dasar.

b = rata-rata pertumbuhan nilai trend tiap tahun.

x = variabel waktu (hari, minggu, bulan atau tahun).

Dengan menggunakan metode Least Square kita mencocokan fungsi sekumpulan data.
Fungsi ini berbentuk [9]:

Y1 Ft

Dimana Y1 adalah fungsi peramalan yang terbentuk dari variabel independen waktu t.
Fungsi Y1 tersebut cocok jika Standart Error of Estimate fungsi tersebut terkecil.

Ketepatan garis regresi dapat dilihat apabila semua sebaran titik mendekati garis regresi.
Penyebaran dan penyimpangan titik-titik tersebut dari garis regresi disebut dengan standard error
of estimate.

Biegel mendefinisikan Standart Error of Estimate sebagai:

SEE = ¿ ∑
√
( y 1− y 2 ) ❑2
(n−f )

Dimana :

SEE = Standart Error of Estimate

Yt = Permintaan aktual pada periode ke t

Y’t = Permintaan hasil peramalan pada periode ke t

N = Jumlah data yang dignakan

F = Derajat kebebasan fungsi tersebut.

Meminimasi Standart Error of Etimate berarti meminimasi jumlah kuadrat selisih nilai
permintaan aktual dan nila fungsi peramalan pada periode t. Sampai saat ini tidak dibicarakan
bentukfungsi Y1 = f(t). Kenyataannya fungsi tersebut dapat menyatakan hubungan fungsional
apa saja. Untuk kemudahan pembahasan. Diasumsikan bahwa t ialah bilangan bulat berurutan.
Dengan demikian bentuk akhir fungsi peramalan yang terjadi tidak mungkin diterapkan pada
situasi di mana t bukan bilangan bulat berurutan. Selain itu juga diperlukan pembatasan fungsi
peramalan. Jika tidak dibatasi, fungsi tersebut akan bekerja secara tidak memuaskan.

2.5. Metode least square untuk pola data konstan

Jika permintaan cenderung konstan tetapi memiliki variasi acak, maka fungsi peramalan
konstan cocok untuk digunakan. Fungsi peramalan untuk fungsi konstan adalah:

Y1  y

Dengan f pada Standart Error of Estimate (persamaan diatas) sama dengan 1 (satu).
 BAB III

PEMBAHASAN
Tabel 1 menyajikan data permintaan Tahun 2021.

Tabel 1. Data permintaan Tahun 2021

Bulan 1 2 3 4 5 6 7 8 9 10 11 12
Sales 95 116 102 94 90 89 108 106 99 118 106 117

Sehingga niai fungsi peramalannya adalah:

Y I = total Demand/Jumlah Periode

= 1238/12

=103,25 unit per bulan.

Jika persamaan ini digunakan sebagai fungsi peramalan, maka kita akan meramalkan
bahwa permintaan produk adalah sebanyak 103 unit tiap bulan selama beberapa bulan
berikutnya.

Dengan fungsi peramalan sebagaimana di atas maka Standart Error of Estimate (lihat
persamaan) dapat dihitung sebagaimana Tabel 2 persamaan tersebut menggunakan derajat
kebebasan (f) sama dengan satu; yaitu derajat kebebasan yang digunakan untuk fungsi konstan.

Standart Error of Estimate dapat diinterprestasikan sebagai ekspektasi permintaan terletak

dalam selang antara 92 unit (permintaan rata- rata dikurangi satu kali Standart Error of Estimate)
dan 114 unit permintaan rata-rata ditambah satu kali Standart Error of Estimate ialah sebesar
0,686. Cara lain menyatakan hal diatas ialah terdapat tingkat kepercayaan sebesar 68% bahwa
permintaan akan terletak antara 92 dan 114 unit.

Tingkat kepercayaan dapat dipertinggi jika selang etimasi permintaan ditambah. Sebagai
contoh, tingkat kepercayaan ekspektasi permintaan terletak dalam selang antara 83 sampai
dengan 123 unit ialah 95%. Atau tingkat kepercayaan permintaan pada bulan- bulan tersebut
akan terletak pada selang antara 72 sampai dengan 135 unit ialah sebesar 99,7 %.
 Tabel 2. Perhitungan Standart Error of Estimate Peramalan

Bulan Periode Sales Ramalan Selisih Selisih

Aktual Sales Kuadrat
Januari 1 95 103 9 81
Februari 2 116 103 112 144
Maret 3 102 103 0 0
April 4 94 103 10 100
Mei 5 90 103 12 144
Juni 6 89 103 15 225
Juli 7 108 103 5 25
Agustus 8 106 103 3 9
September 9 99 103 4 16
Oktober 10 118 103 15 225
Nvember 11 106 103 4 16
Desember 12 117 103 14 196
1238 - - 1184

SEE = (1184-(12-1)) ½ = (107,4) ½ = 10,2

Tabel 3. Peramalan untuk Periode 2022

Bulan Jan Feb Mar Apr Me Jun Jul Agt Sep Okt Nov Des
Periode 13 14 15 16 17 18 19 20 21 22 23 24
Peramala 104 104 104 104 104 104 104 104 104 104 104 104
n

Peramalan untuk Periode 2022 Peramalan (forecasting) permintaan akan produk dan jasa di
waktu mendatang dan bagian-bagiannya adalah sangat penting dalam perencanaan dan
pengawasan produksi. Peramalan yang baik adalah esensial untuk efisiensi operasi-operasi
manufacturing dan jasa.
 Manajemen produksi/operasi menggunakan hasil-hasil peramalan dalam membuat
keputusan- keputusan yang menyangkut pemilihan proses, perencanaan kapasitas, dan layout
fasilitas, serta untuk berbagai keputusan yang bersifat terus menerus berkenaan dalam
perencanaan, scheduling dan persediaan.
 DAFTAR PUSTAKA

Rambe, Muhammad Ihsan Fauzi, 2003. Perancangan Aplikasi Peramalan Persediaan Obatobatan
Menggunakan Metode Least Square (Studi Kasus : Apotik Mutiara Hati ), Pelita Informatika Budi Darma
Vol 6.

Yamit, 2003. Manajemen Operasi dan Operasi, Edisi Kedua, Yogyakarta: Ekonisia.

Assauri, Sofyan, 1991. Teknik dan Metode Peramalan. LPFE. UI. Jakarta