MAKALAH

MANAJEMEN OPERASIONAL
PERAMALAN

Disusun oleh kelompok 5

Decca Assyafa NPM 19210073
Ira Puspita Sari NPM 19210099
Khariz Gylbran NPM 19210117

PROGRAM STUDI S1 MANAJEMEN A1

FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS BINANIAGA INDONESIA
2023
PROFIL PERUSAHAAN GLOBAL
Peramalan Memberikan Keunggulan Bersaing Bagi Tupperware

Di Tupperware campuran baja tahan karat cetakan, yag setiap cetakannya membutuhkan
lebih dari 1.000 jam keterampilan tangan, merupakan jantung proses pembuata. Setiap
cetakan meghasilkan bentuk yang saksama dari suatu produk baru. Harga rata-rata cetakan
sekitar $100.000 dan berbobot hingga 5 ton. Ketika produk tertentu dijadwalkan untuk
diproduksi, cetakannya degan teliti ditempatkan ke mesin pencetakan.

Tupperware adalah perusahaan manufaktur global yang sukses, dengan total penjualan
sebesar $1,1 miliar yang 85% lebih penjualan berasal dari Amerika Serikat. Tupperware
dikenal karena mutunya, memberikan garansi seumur hidup bahwa jenis produk plastik
tersebut tidak akan retak, pecah dan terkelupas.
Peramalan permintaan di Tupperware adalah proses yang sangat menentukan dan tidak
pernah berakhir. Setiap pusat keuntungan yang berjumlah 50 di seluruh dunia bertanggung
jawab untuk meramalkan penjualan bulanan, kuartalan, dan tahunan berbasis computer.
Variasi model peramalan statistic yang digunakan di Tupperware mencakup setiap Teknik
yang dibahas termasuk rata-rata bergerak, penghalusan eksponensial, dan analisis regresi.
 PEMBAHASAN
.
APAKAH PERAMALAN ITU ?
Peramalan (Forecasting) adalah seni dan ilmu untuk memperkirakan kejadian di masa
depan. Hal ini dapat dilakukan dengan melibatkan pengambilan data dari masa lalu dan
menempatkan ke masa yang akan datang dengan suatu bentuk model matematis. Bisa juga
merupakan prediksi intuisi yang bersifat subjektif. Atau bisa juga dengan menggunakan
kombinasi model matematis yang disesuaikan dengan pertimbangan yang baik dari seorang
manajer.

MERAMAL HORIZON WAKTU

Peramalan biasanya diklasifikasikan berdasarkan horizon waktu masa depan yang
dicakupnya. Horizon waktu di bagi beberapa katergori :
1. Peramalan jangka pendek. Peramalan ini mencakup jangka waktu 1 tahun
tetapi umumnya kurang dari 3 bulan. Peramalan ini digunakan untuk
merencanakan pembelian, penjadwalan kerja, jumlah tenaga kerja, penugasan
kerja, dan tingkat produksi.
2. Peramalan jangka waktu menengah. Peramalan jangka menengah
(intermediate) umumnya mencakup hitungan bulanan hingga 3 tahun.
Peramalan ini berguna untuk merencanakan penjualan, perencanaan dan
anggaran kas, dan menganalisis bermacam-macam rencana operasi.
3. Peramalan jangka Panjang. Umumnya untuk perencanaan masa 3 tahun atau
lebih. Peramalan jangka Panjang digunakan untuk merencanakan prouk baru,
pembelanjaan modal, lokasai atau pengembangan fasilitas, serta penelitian
dan pengembangan (litbang).
Peramalan jangka menengah dan jangka panjang dapat dibedakan dari peramalan jangka
pendek dengan melihat tiga hal :
• Pertama, Peramalan jangka menengah dan jangka panjang berkaitan dengan
permasalahan yang lebih menyeluruh dan mendukung keputusan manajemen yang
berkaitan dengan perencanaan produk, pabrik, dan proses Menerapkan keputusan
akan fasilitas, seperti misalnya keputusan seorang manajer umum untuk membuka
pabrik manufaktur baru di Brasil, dapat memerlukan waktu 5-8 tahun sejak
permulaan hingga benar-benar selesai secara tuntas.
 • Kedua, peramalan jangka pendek biasanys menerapkan metodologi yang berbeda
dibandingkan peramalan jangka panjang. Teknik matematika, seperti rata-rata
bergerak, penghalinan eksponemal, dan ekstraolasi tren (yang kesemuanya akan
dibahas sebentar lagi) umumnya dikenal untuk peramalan jangka pendek. Lebih
sedikit metode kuantitif yang berguna untuk meramalkan suatu permasalahan,
misalnya apakah suatu produk baru seperti perekam disk optik perlu dimasukkan
dalam lini produk perusahaan.

• Ketiga, sebagaimana yang mungkin Anda perkirakan, peramalan jangka pendek

cenderung lebih sepur dibandingkan peramalan jangka panjang. faktor-faktor
yangmempengaruhi perubahan permintaan berubah setiap hari.

PENGARUH SIKLUS HIDUP PRODUK

Faktor lain yang harus dipertimbangkan sut membuat peramalan penjualan, terutama
peramalan Penjualan jangka panjang, adalah siklus hidup produk. Penjualan produk dan
bahkan jasa, tidak terjadi pada tingkat yang konstan sepanjang hidupnya. Hampir semua
produk yang berhasil melalui empat tahapan:
(1) Perkenalan, (2) Pertumbuhan, (3) Kematangan dan(4) penurunan
Produk dalam dua tahapan pertama siklus produk (seperti virtual reality dan TV
dengan fitur beresolusi tinggi) membutuhkan peramalan yang lebih panjang daripada
produk yang berada pada tahapan matang dan penurunan (seperti disker 344 inci dan
mobil penumpang). Ieramalan yang menggambarkan sildus hidup, berguna dalam
memproyeksikan tingkat penempatan peknis.

JENIS PERAMALAN
1. Peramalan Ekonomi (Economic Forecast)
Merencanakan siklus bisnis dengan memprediksikan tingkat inflasi, ketersediaan uang,
dana yang dibutuhkan dan indikator perencanaan laimnya yang berguna membantu
organisasi menyiapkan peramalan jangka menengah hingga panjang.
2. Peramalan Teknologi (Technologi Forecast)
Memperhatikan tingkat kemajuan teknologi yang dapat meluncurkan produk baru yang
menarik, yang membutuhkan produk dan peralatan baru
 3. Peramalan Permintaan (Demand Forecast)
Proyeksi permintaan atau produk layanan suatu perusahaan. Peramalan ini disebut juga
Peramalan Penjualan , yang mengendalikan produksi, kapasitas serta sistem penjadwalan
dan menjadi input bagi perencanaan keuangan, pemasaran dan sumber daya manusia.

KEPENTINGAN STRATEGIS PERAMALAN

Peramalan yang baik sangat penting dalam semua aspek bisnis : Peramalan merupakan
satu-satunya prediksi atas permintaan hingga permintaan yang benarnya diketahui.
Peramalan permintaan mengendalikan keputusan di banyak bidang. Berikut ini akan dibahas
dampak peramalan produk pada tiga sktivitas :
1. Sumber Daya Manusia
Mempekerjakan, melatih, dan memberhentikan pekerja, semuanya bergantung pada
perminas Jika departemen sumber daya manuais harus mempekerjakan pekerja tambahan
tanpa adanya persiapan, akibatnya kualitas pelatihan menurun dan kualitas pekerja juga
menurun.
2. Kapasitas
Saat kapasitas tidak mencukupi, kekurangan yang diakibatkannya bisa berarti tidak
terjaminnya pengiriman, kehilangan konsumen dan kehilangan pangsa pasar.
3. Manajemen Rantai Pasokan
Hubungan yang baik dengan pemasok, harga barang dan komponen bersaing, bergantung
pada peramalan yang akurat.

7 LANGKAH SISTEM PERAMALAN

1. Menetapkan tujuan peramalan
2. Memilih unsur apa yang akan diramal
3. Menentukan horizon waktu peramalan
4. Menentukan tipe model peramalan
5. Mengumpulkan data yang diperlukan untuk melakukan peramalan
6. Melakukan peramalan
7. Memvalidasi dan menerapkan peramalan
7 langkah tersebut menyajikan jalan yang sistematis untuk memulai, mendesain dan
menerapkan sistem peramalan.
Terlepas dari 7 langkah tersebut sebuah perusahaan harus menghadapi kenyataan bahwa
permalan :
1. Jarang ada yang sempurna
 2. Hampir semua teknik peramalan mengasumsikan bahwa sistem akan tetap stabil
3. Peramalan kelompok produk atau peramalan secara keseluruhan lebih akurat dari
pada peramalan individu produk.

PENDEKATAN DALAM PERAMALAN

Terdapat dua pendekatan umum permalan, sebagaimana ada dua cara mengatasi semua
model keputusan. Berikut dua pendekatan peramalan :
1. Pendekatan Peramalan Kualitatif (quatitative forecast)
Peramalan yang menggabungkan faktor-faktor seperti intuisi, pengambilan keputusan,
emosi, pengalaman pribadi dan sistem nilai. Peramalan kualitatif mempunyai 4 teknik yang
berbeda :
1. Keputusan dari Pendapat Juri Eksekutif (Jury of Executive Opinion).
Pendapat manajer atau tingka tinggi, sering dikombinasikan dengan model
statistik, ikumpulkan untuk mendapatkan prediksi permintaan.
2. Metode Delphi (Delphi Method). Ada 3 jenis peserta dalam metode Delphi :
Pengambilan keputusan, biasanya terdiri dari 5-10 orang pakar yang
melakukan peramalan.
Karyawan, Membantu pengambilan keputusan dengan menyiapkan,
menyebarkan, mengumpulkan, meringkas sejumlah kuisioner dan hasil
survei.
Responden, Sekelompok orang yang ditempatkan di tempat berbeda dengan
penelitian dilakukan. Responden memberikan input pada pengambilan
keputuan sebelum pelamaran dibuat.
3. Gabungan dari Tenaga Tenjualan (sales force composite). Setiap tenaga
penjualan memperkirakan berapa penjualan yang diri nya bisa lakukan dalam
wilayahnya. Peramalan ini kemudian dikaji untuk memastikan apakah
peramalan cukup realistis. Kemudian dikombinasikan pada tingkat wilayah
dan nasional mendapatkan peramalan secara keseluruhan.
4. Survei Pasar Konsumen (consumer market survey). Meminta input dari
konsumen mengenai rencana pembelian mereka dimasa depan. Hal tersebut
tidak hanya membantu peramalan namun juga membantu memperbaiki
desain produk dan perencanaan produk baru.
 2. Pendekatan Peramalan Kuantitatif (qualitative forecast)
Peramalan yang menggunakan satu atau lebih model matematis dengan data masa
lalu dan variabel sebab akibat untuk meramalkan permintaan.
Ada lima metode peramalan yang menggunakan data masa lalu, dibagi ke dalam dua
kategori :
1. Pendekatan Naif
2. Rata-rata Bergerak
Model time-series
3. Pengalusan Eksponensial
4. Proyeksi Tren
5. Regresi linear Model asosiatif

• Model Time-Series Model time-series membuat prediksi dengan asumsi bahwa

masa depan merupakan fungal masa lalu. Melihat apa yang terjadi selama kurun
walau tertentu, dan menggunakan data masa lalu tersebut untuk melakukan
peramalan.
• Model asosiatif (atau hubungan sebab akibat), seperti regresi linear
menggabungkan variabel atau faktor yang mungkin mempengaruhi kuantitas yang
sedang diramalkan.

PERAMALAN TIME-SERIES
Time-series didasarkan pada waktu yang berurutan atau yang berjarak sama (mingguan,
bulanan, kuartalan, dan lainnya).

DEKOMPOSISI TIME-SERIES
Menganalisis time-series berarti membagi data masa lalu menjadi komponen-komponen,
dan kemudian memproyeksikannya ke masa depan. Time-series mempunyai empat
komponen: tren musim, siklus, dan variasi acak (random variation).
1. Tren merupakan pergerakan data sedikit demi sedikit meningkat atau menurun
Perubahan pendapatan, populasi, penyebaran umur, atau pandangan budaya dapat
mempengaruhi pergerakan tren.
2. Musim adalah pola data yang berulang pada kurun waktu tertentu seperti hari, mitg
bulan, amu kuartal Ada enam pola musiman yang biasa terjadi:
 Sebagai contoh, restoran dan tempat pangkas rambut mengalami musim minggu
dengan hari Sabtu sebagai hari paling sibuk. Distributor bir meramalkan pola tahun.
Dengan musim bulanan. Ada tiga musim-Mei, Juli, dan September-masing-masing
mempunyai satu hari libur yang merupakan hari khusus minum bir.
3. Siklus adalah pola dalam data yang terjadi setiap beberapa tahun. Siklus ini biasany
terkait pada siklus bisnis dan merupakan satu hal penting dalam analisis dan
perencanaan bisnis jangka pendek. Memprediksi siklus bisnis sulit karena bisa
dipengaruhi oleh kejadian politik ataupun kerusuhan internasional.
4. Variasi acak merupakan satu titik khusus dalam data, yang disebabkan oleh peluang
dan situasi yang tidak biasa. Variasi acak tidak mempunyai pola khusus, jadi tidak
dapat diprediksi.

Gambar 4.1
Permintaan produk selama 4 tahun. Di petakan disertai
tren pertumbuhan dan pola musiman
PENDEKATAN NAIF
Teknik Peramalan yang mengasumsikan permintaan di periode mendatang sama
dengan permintaan terkini. Cara yang paling sederhana untuk meramal adalah
dengan berasumsi bahwa permintaan di periode mendatang akan sama dengan
permintaan pada periode terakhir. Dengan kata lain, jika penjualan sebuah produk-
katakanlah telepon genggam Motorola-adalah 68 unit pada bulan Januari, kita dapat
meramalkan bahwa penjualan pada bulan Februari akan sama yaitu sebanyak 68 unit
juga. Terbukti untuk beberapa jenis produk, pendekatan naif (naive approach) ini
merupakan model peramalan objektif yang paling efektif dan efisien dari segi bisya.
Paling tidak, pendekatan naif memberikan titik awal untuk perbandingan dengan
model lain yang lebih canggih.

RATA-RATA BERGERAK
Peramalan Rata-rata bergerak (moving average) menggunakan sejumlah data aktual
masa lalu untuk menghasilkan peramalan. Rata-rata bergerak berguna jika kita dapat
mengasumsikan bahwa permintaan pasar akan stabil sepanjang masa yang kita
ramalkan. Menjumlahkan permintaan selama mata empat bulan yang lalu, dibagi
dengan empat. Sewaktu tatu bulan berlalu, data bulanan yang terbaru ditambahkan
pada penjumlahan dats tiga bulan sebelumnya, dan data bulan yang paling awal
dihapus. Praktik semacam ini cenderung meminimumkan ketidaknormalan dalam
data berseri . Secara sistematis, rata-rata bergerak sederhana (merupakan prediksi
permintaan periode mendarang) dinyatakan sebagai :

di mana n adalah jumlah periode dalam rata-rata bergerak sebagai contoh 4,5 atau 6
bulan berarti rata rata bergerak untuk 4,5 atau 6 periode.
Baik rata -rata bergerak sederhana maupun rata-rata bergerak dengan pembobotan
sangat efektif dalam meredam fluktuasi pada pola permintaan untuk menghasilkan
prediksi yang stabil. Rata-rata bergerak mempunyai tiga masalah:
1. Bertambahnya jumlah n (jumlah periode yang dirata rata) memang meredam
fluktuasi dengan lebih baik, tetapi membuat metode ini kurang sensitive terhadap
perubahan nyata pada data.
2. Rata-rata bergerak tidak dapat menggambarkan tren dengan baik. Karena
merupakan rata-rata, mereka akan selalu berada dalam tingkat yang sebelumnya
dan tidak akan memprediksikan perubahan ke tingkat yang lebih tinggi atau lebih
rendah, yang merupakan nilai actual sesungguhnya.
3. Rata-rata bergerak membutuhkan data masa lalu yang ekstensif.

Penghalusan Eksponensial
Penghalusan eksponensial (exponential smoothing) merupakan metode
peramalan rata-rata bergerak dengan pembobotan yang canggih, namun masih
mudah digunakan. Metode ini menggunakan sedikit pencatatan data masa lalu.
Rumus penghalusan eksponential dasar dapat ditunjukan sebagai berikut :
Peramalan baru = peramalan periode lalu
+ α(permintaan aktual periode lalu–peramalan periode lalu)
Dimana α adalah sebuah bobot, atau konstanta penghalusan (shooting constant),
yang dipilih oleh peramal, yang mempunyai nilai antara 0 dan 1. Persamaan (4-3)
juga ditulis secara matematis sebagai :
Ft = Ft-1 + α (At-1 - Ft-1)
Dimana
Ft = peramalan baru
Ft-1 = peramalan sebelumnya
α = konstanta penghalus (pembobot) (0 ≤ α ≤ 1)
At-1 = permintaan aktual periode lalu

Konsepnya tidak rumit. Prediksi terakhir permintaan sama dengan prediksi lama,
disesuaikan dengan sebagian dari diferensasi permintaan actual periode lalu
dengan prediksi lama.
Konstanta penghalusan adalah faktor pembobotan yang digunakan dalam
peramalan penghalusan eksponensial, ,merupakan angka antara 0 dan 1.

Gambar 4.2 Permintaan actual vs. metode rata-rata bergerak dan rata-rata
bergerak dengan pembobotan
Hanya tiga minggu setelah IBM memperkenalkan lini computer rumah yang baru, seluruh
persediaan untuk sepanjang tahun terjual habis sehingga IBM tidak dapat memenuhi
permintaan selama masa liburan. Mengapa? IBM mengaitkan kekurangan tersebut pada
peramalan yang konservatif masalah kronis dalam salah menghitung permintaan untuk
computer pribadi (pc). Kehilangan pendapatan potensial sebesar $100 juta merupakan
pengulangan terhadap masalah peramalan yang sama dua tahun sebelumnya untuk computer
pribadi IBM yang terkenal.
__________________________________________________________________________
pada persamaan (4-4), Ft = 1,0 At-1. Semua nilai yang lebih lama turun, dan peramalan
menjadi sama dengan model naif sebagaimana yang disebutkan sebelumnya pada bab ini. Ini
berarti. peramalan permintaan untuk periode mendatang sama dengan permintaan periode
ini.
Tabel berikut membantu menggambarkan konsep ini. Sebagai contoh, saat α=0,5, kita bisa
melihat bahwa peramalan baru seluruhnya berdasarkan permintaan pada tiga atau empat
periode terakhir. Saat α = 0,1, peramalan menempatkan sedikit bobot pada permintaan
sekarang dan menggunakan banyak periode (sekitar 19) dari nilai masa lalu dalam
perhitungan.

Memilih Konstanta Penghalusan Pendekatan penghalusan eksponensial mudah digunakan,

dan telah berhasil diterapkan pada hampir setiap jenis bisnis. Walaupun demikian, nilai yang
tepat untuk konstanta penghalusan, α, dapat membuat diferensiasi antara peramalan yang
akurat dan yang tidak akurat. Nilai α yang tinggi dipilih saat rata-rata cenderung berubah.
Nilai α yang rendah digunakan saat rata-rata cukup stabil. Tujuan pemilihan suatu nilai
untuk konstanta penghalusan adalah untuk mendapatkan peramalan yang paling akurat.

Menghitung Kesalahan Peramalan

Kekurangan keseluruhan dari setiap model peramalan rata-rata bergerak,
penghalusan eksponensial, atau lainnya dapat dijelaskan dengan membandingkan nilai yang
diramal dengan nilai actual atau nilai yang sedang diamati. Jika Ft melambangkan peramalan
pada periode t, dan At melambangkan permintaan aktual pada periode t, maka kesalahan
peramalan (deviasi) adalah :
Kesalahan peramalan = permintaan aktual – nilai peramalan
= At – Ft
Ada beberapa perhitungan yang biasa digunakan untuk menghitung kesalahan peramalan
(fore cast error) total. Perhitungan ini dapat digunakan untuk membandingkan model
peramalan yang berbeda, juga untuk mengawasi peramalan, untuk memastikan peramalan
berjalan dengan baik. Tiga dari perhitungan yang paling terkenal adalah deviasi rata-rata
absolut (mean absolute deviation- MAD), kesalahan rata-rata kuadrat (mean squared error -
MSE), dan kesalahan persen rata-rata absolut (mean absolute percent error-MAPE).
Sekarang akan dijelaskan dan diberikan sebuah contoh untuk masing-masing perhitungan.

Mean absolute deviation adalah ukuran pertama kesalahan peramalan keseluruhan untuk
sebuah model MAD. Nilai ini dihitung dengan mengambil jumlah nilai absolut dari tiap
kesalahan peramalan dibagi dengan jumlah periode data (n) :
Hampir semua software peramalan menyediakan fitur yang secara otomatis menemukan
konstanta penghalusan dengan kesalahan peramalan terkecil. Beberapa software mengubah
nilai α menjadi lebih besar jika kesalahan menjadi lebih besar dari batas yang dapat diterima.

Mean squared error (MSE) merupakan cara kedua untuk mengukur kesalahan peramalan
keseluruhan. MSE merupakan rata-rata selisih kuadrat antara nilai yang diramalkan dan
yang diamati. Rumusnya :

Kekurangan penggunaan MSE adalah bahwa ia cenderung menonjolkan deviasi yang besar
karena danya pengkuadratan. Sebagai contoh, jika kesalahan peramalan untuk periode 1 dua
kali lipat bih besar dari kesalahan untuk periode 2, maka kesalahan kuadrat pada periode 1
lebih besar mpat kali lipat dibandingkan kesalahan kuadrat pada periode 2. Oleh karena itu,
menggunakan SE sebagai perhitungan kesalahan peramalan biasanya menunjukkan bahwa
lebih baik empunyai beberapa deviasi yang kecil daripada satu deviasi besar.

Mean Absolute Percent Error Masalah yang terjadi dengan MAD dan MSE adalah bahwa
nilai mereka tergantung pada besarnya unsur yang diramal. Jika unsur tersebut dihitung
dalam satuan buan, maka nilai MAD dan MSE bisa menjadi sangat besar. Untuk
menghindari masalah ini, ita dapat menggunakan mean absolute percent error (MAPE).
MAPE dihitung sebagai rata-rata liferensiasi absolut antara nilai yang diramal dan aktual,
dinyatakan sebagai persentase nilai aktual. ika kita memiliki nilai yang diramal dan aktual
untuk n periode, MAPE dihitung sebagai:

PENERAPAN MO
Peramalan di Disney World
Saat chairman Disney, Michael Eisner, menerima laporan harian dari taman bermain
utamanya di Orlando, Florida, laporan hanya berisi dua angka: peramalan kehadiran
pengunjung hari sebelumnya pada taman- taman (Magic Kingdom, Epcot, Fort Wilderness,
MGM Studios, dan Blizzard Beach) dan kehadiran aktual. Diharapkan kesalahan yang ada
mendekati nol (dengan menggunakan MAPE sebagai pengukuran). Eisner memperlakukan
peramalan dengan sangat serius.
Tim peramalan pada Disney World tidak hanya melakukan prediksi harian, dan
Eisner bukan satu- satunya pelanggan. Tim peramalan ini juga menyedia- kan peramalan
harian, mingguan, bulanan, tahunan, dan 5-tahunan bagi manajemen tenaga kerja,
departemen perawatan, operasi, keuangan, dan penjadwalan taman. Peramal menggunakan
model pertimbangan, ekonometrik, rata-rata bergerak, dan analisis regresi. Peramalan
tahunan dari tim tersebut, yang dilakukan di tahun 1999 untuk jumlah pengun- jung total
tahun 2000, menghasilkan MAPE = 0.
Dengan 20% konsumen Disney datang dari luar Amerika Serikat, model ekonomi
mengandung variabel- variabel seperti kepercayaan konsumen dan produk domestik bruto
(PDB) dari tujuh negara. Disney juga mensurvei satu juta orang per tahun untuk mengetahui
rencana perjalanan mereka di masa depan dan penga- laman mereka di masa lalu. Hal ini
membantu tidak hanya meramalkan kehadiran, tetapi juga perilaku pada setiap wahana
(berapa lama orang akan menunggu dan berapa kali mereka naik suatu wahana). Input untuk
model peramalan bulanan mempertimbangkan adanya penerbangan khusus, pidato yang
diberikan oleh Kepala Federal Reserve, dan tren di Wall Street. Disney bahkan mengawasi
jadwal liburan 3.000 sekolah pada distrik di dalam dan di luar Amerika Serikat.

Sumber. J. Newkirk dan M. Haskell. "Forecasting in the Service Sector," presentasi

pada 12th Annual Meeting of the Production and Operations Management Society, 1 April
2001, Orlando, Florida.

MAPE mungkin merupakan perhitungan yang paling mudah diartikan. Sebagai contoh,
MAPE 6% merupakan pernyataan yang jelas, yang tidak bergantung pada permasalahan
seperti banyaknya data input. MAPE menyatakan kesalahan sebagai persentase dari nilai
aktual.

PENGHALUSAN EKSPONENSIAL DENGAN PENYESUAIAN TREN

Penghalusan eksponensial yang sederhana, dengan teknik yang telah di jelaskan
dalam Contoh 3 hingga 6, sama seperti teknik rata-rata bergerak manapun Mereka gagal
memberikan respons terhadap tren yang terjadi. Teknik peramalan lain yang dapat
menyesuaikan dengan tren tentu saja ada. Walaupun demikian, karena penghalusan
eksponensial merupakan pendekatan model yang popular di bisnis, marilah kita lihat secara
lebih rinci.
Inilah alasan mengapa penghalusan eksponensial harus diubah saat ada tren.
'Asumsikan permintaan untuk barang atau jasa kita telah meningkat 100 unit per bulan, dan
kita telah meramal dengan α= 0,4 dalam model penghalusan eksponensial. Tabel berikut
menunjukkan kelambatan (lag) yang parah pada bulan ke-2, 3, 4, dan 5, bahkan ketika
prediksi awal untuk bulan pertama sudah sempurna.

Untuk memperbaiki peramalan kita, berikut akan diilustrasikan model penghalusan

eksponensial yang lebih rumit, yang dapat menyesuaikan diri pada tren yang ada. Idenya
adalah menghitung rata-rata data penghalusan eksponensial dan kemudian menyesuaikan
untuk kelambatan (lag) positif atau negatif pada tren. Rumus barunya adalah

Peramalan dengan tren (FITt) =Peramalan penghalusan eksponensial (Ft) + tren penghalusan
+ tren penghalusan eksponential (Tt)

Dengan penghalusan eksponensial dengan penyesuaian tren, estimasi rata-rata maupun tren
dihaluskan. Prosedur ini membutuhkan dua konstanta penghalusan, α untuk rata-rata dan β
untuk tren. Kemudian kita menghitung rata-rata dan tren untuk setiap periode:

Ft= α(Permintaan aktual periode terakhir) + (1 - α) (Peramalan periode terakhir + Estimasi

tren periode terakhir) atau F = α (A) + (1 -α) (Ft-1 + Tt-1)
Tt = β(Peramalan periode ini - Peramalan periode terakhir) + (1 - β) (Estimasi tren periode
terakhir) atau Tt=B (Ft – Ft-1) + (1 - B)Tt-1
Di mana
Ft = peramalan dengan eksponensial yang dihaluskan dari data berseri pada periode
Tt = tren dengan eksponensial yang dihaluskan pada periode
At = permintaan aktual pada periode t
α = konstanta penghalusan untuk rata-rata (0 ≤ α ≤ 1)
β = konstanta penghalusan untuk tren (0 ≤ β≤1)

Jadi, tiga langkah menghitung peramalan dengan yang disesuaikan dengan tren adalah:
Langkah 1: Menghitung F, peramalan eksponensial yang dihaluskan untuk periode t,
menggunakan Persamaan (4-9).
Langkah 2: Menghitung tren yang dihaluskan, Tt, menggunakan Persamaan (4-10).
Langkah 3: Menghitung peramalan dengan tren, FITt, dengan formula FITt = Ft +Tt

Gambar 4.3 peramalan penghalusan eksponensial dengan penyesuaian tren dibandingkan

dengan data permintaan

Nilai konstanta penghalusan tren (B), menyerupai konstanta α, karena ẞ yang tinggi lebih
tanggap terhadap perubahan tren. ẞ yang rendah memberikan bobot yang rendah kepada
tren terbaru dan cenderung memperhalus tren sekarang. Nilai ẞ dapat ditemukan dengan
pendekatan uji coba atau dengan menggunakan software peramalan komersial, dengan MAD
digunakan sebagai ukuran pembanding.

Penghalusan eksponensial sederhana sering disebut sebagai penghalusan tingkat pertama

(first- order smoothing) dan penghalusan dengan penyesuaian tren disebut sebagai
penghalusan tingkat kedua (second-order atau double smoothing) Model penghalusan
eksponensial tingkat tinggi lain juga digunakan, termasuk penghalusan dengan penyesuaian
musim dan penghalusan tingkat ketiga, tetapi ini di luar cakupan buku ini.
PROYEKSI TREN
Metode peramalan terakhir yang akan dibahas adalah proyeksi tren (trend projection).
Teknik ini mencocokkan garis tren pada serangkaian data masa lalu dan kemudian
memproyeksikan garis pada masa datang untuk peramalan jangka menengah atau jangka
panjang. Beberapa persamaan tren matematis dapat dikembangkan (sebagai contoh,
eksponensial atau kuadratis), tetapi pada bab ini, kita akan melihat pada tren linear (garis
lurus) saja.
Jika kita memutuskan untuk membuat garis tren lurus dengan metode statistik, kita dapat
menerapkan metode kuadrat terkecil (least square method). Pendekatan ini menghasilkan
sebuah garis lurus yang meminimalkan jumlah kuadrat dari deviasi vertikal garis pada setiap
hasil pengamatan aktual.
Garis kuadrat terkecil dijelaskan dengan sumbu y-intercept (ketinggian di mana ia
akan bersilangan dengan sumbu y) dan kemiringannya (sudur garis-slope). Jika kita dapat
menghitung y-intercept dan kemiringan, kita dapat menyatakan garis dengan persamaan
berikut:
ŷ = a + bx
keterangan :
ŷ =(disebut "y bertopi) nilai terhitung dari variabel yang akan diprediksi (disebut variabel
terikat)
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)

Gambar 4.4 metode kuadrat terkecil untuk menemukan garis lurus paling sesuai dimana
tanda bintang merupakan lokasi tujuh data aktual pengamatan atau poin data.
Ahli statistik telah membuat persamaan yang dapat kita gunakan untuk menemukan nilai a
dan b untuk setiap garis regresi. Kemiringan b ditemukan dengan

Dimana b = kemiringan garis regresi

∑ = tanda penjumlahan total
x = nilai variable bebas yang diketahui
y = nilai variable terkait yang diketahui
ˉx = rata rata nilai x
ȳ = rata-rata nilai y
n = jumlah data atau pengamatan

kita dapat menghitung y-intercept a sebagai berikut :

Catatan dalam Penggunaan Metode Kuadrat Terkecil Tiga persyaratan berikut harus
dipenuhi untuk menggunakan metode kuadrat terkecil:
➢ Selalu petakan data karena data kuadrat terkecil mengasumsikan adanya hubungan
linear. Jika yang didapatkan adalah sebuah garis lengkung, maka analisis kurva
linear mungkin diperlukan.
 ➢ Jangan memprediksikan periode waktu terlalu jauh di depan data yang diberikan.
Sebagai contoh, jika kita mempunyai data harga saham Microsoft rata-rata selama 20
bulan, kita hanya bisa meramalkan 3 atau 4 bulan ke depan. Peramalan di luar batas
itu akan menghasilkan ketepatan statistik yang kecil. Jadi, Anda tidak dapat
mengambil data penjualan 5 tahun dan memproyeksikannya untuk 10 tahun ke
depan. Dunia ini sangat tidak pasti.
➢ Devian di sekitar garis kuadrat terkecil (lihat Gambar 4.4) diasumsikan acak. Mereka
biasanya tersebar merata dengan hampir seluruh pengamatan dekat pada garis dan
hanya sebagian kecil data jauh dari garit.

MUSIMAN PADA DATA

Variasi musiman (seasonal variation) pada data adalah pergerakan yang reguler baik
meningkat maupun menurun dalam kurun waktu tertentu, yang terkait dengan kejadian
berulang seperti cuaca atau liburan. Sebagai contoh, permintaan untuk batu bara dan bahan
bakar mencapai puncaknya saat musim dingin. Sementara permintaan untuk keanggotaan
golf atau krim kulit tabir surya paling tinggi saat musim panas.
Musim dapat diaplikasikan dalam setiap jam, hari, minggu, bulan, atau pola berulang
lainnya Restoran cepat saji mengalami waktu sibuknya setiap hari pada tengah hari dan
berulang lagi pada jam lima sore Bioskop mempunyai permintaan yang tinggi pada hari
Jumat dan Sabtu malam Kantor pos. Toys "R" Us Toko Perlengkapan Natal, dan Toko Kartu
Hallmark juga mengalami variasi musiman dalam lalu lintas konsumen dan penjualan.
Sama halnya, pemahaman variasi musiman sangat penting untuk perencanaan
kapasitas pada suatu organisasi untuk menangani beban puncak Misalnya perusahaan listrik
ketika waktu yang sangat dingin dan panas bank di hari Jumat sore, serta bus dan kereta api
pada jam sibuk di siang dan sore hari.
Peramalan mesin seperti dalam Contoh 8 termasuk mengkaji tren data selama waktu
tertentu Adanya varian musiman memerlukan penyesuaian peramalan garis tren Variasi
dinyatakan dalam jumlah nilai skrual yang berbeda dari nilai rata-rata dalam time series.
Menganalisis data dalam waktu bulanan atau kuartalan, biasanya memudahkan pakar
statistik untuk melihat pola musiman Indeks musim kemudian dapat dikembangkan dengan
beberapa metode.
Dengan apa yang disebut sebagai model variasi musiman multiplikatif
(multiplicative seasonal model), faktor musiman dikalikan dengan suatu prediksi permintaan
rata-rata untuk menghasilkan peramalan musiman. Asumsi kita dalam bagian ini adalah
bahwa tren telah dihapuskan dari data. Jika tidak, bobot data musiman akan menyimpang
karena tren.
Berikut adalah langkah yang akan diikuti oleh sebuah perusahaan yang memiliki
"musim" 1 bulan :
1. temukan rata rata permintaan historis untuk setiap musim (atau bulan dalam kasus
ini) dengan menjumlahkan permintaan bulan tersebut dalam setiap tahun, dibagi
dengan jumlah tahun data yang tersedia. Sebagai contoh, jika dalam bulan Januari,
kata mengalami penjualan 8, 6, dan 10 selama masa 3 tahun, maka rata-rata
permintaan bulan Januari sama dengan (8+ 6 +10)/3 = 8 unit.
2. Hitung rata-rata permintaan untuk semua bulan dengan membagi rata-rata
permintaan tahunan total dengan jumlah musim. Sebagai contoh, jika rata-rata
permintaan total untuk suatu tahun adalah 120 unit dan terdapat 12 musim (setiap
bulan), maka rata- rata permintaan bulanan adalah 120/12 = 10 unit.
3. Hitunglah indeks musiman untuk setiap musim dengan membagi permintaan historis
aktual bulan itu (dari langkah pertama) dengan rata-rata permintaan pada seluruh
bulan (dari langkah kedua). Sebagai contoh, jika rata-rata permintaan historis di
bulan Januari selama waktu 3 tahun adalah 8 unit dan rata-rata permintaan seluruh
bulan 10 unit, maka indeks musiman untuk bulan Januari adalah 8/10 = 0,80. Sama
halnya, indeks musiman 1,20 untuk bulan Februari berarti permintaan di bulan
Februari lebih besar 20% dari rata-rata permintaan bulan lainnya.
4. Estimasikan permintaan tahunan total untuk tahun depan.
5. Bagilah prediksi permintaan tahunan total dengan jumlah musim, kemudian kalikan
dengan indeks musiman bulan tersebut. Hal ini menghasilkan peramalam musiman.

Gambar 4.8 peramalan tren dan musim yang dipadukan

VARIASI SIKLUS DALAM DATA
Siklus (cycle) adalah layaknya variasi musiman dalam data, tetapi berlangsung setiap
beberapa tahun, bukan mingguan, bulanan, atau kuartalan. Meramalkan siklus dari data
time-series sangat sulit, carena sangat susah untuk memprediksi titik balik yang
mengindikasikan siklus baru telah dimulai. Cara terbaik untuk memprediksi siklus bisnis
adalah dengan menemukan variabel pendahulu (leading variable) yang berhubungan dengan
data. Sebagai contoh, tingkat kelahiran "mendahului" adanya pendaftaran di universitas
sekitar 18 tahun ke depan. Saat Ohio Board of Regents melihat siklus jangka panjang pada
70 universitas negeri di negara bagian tersebut, perubahan kelahiran 18 tahun sebelumnya
merupakan alat prediksi yang baik akan adanya perubahan jumlah' pendaftaran. Sama
halnya dengan Izin Mendirikan Bangunan (IMB) merupakan variabel pendahulu yang bagus
untuk barang terkait seperti penjualan kulkas, jasa pemotongan rumput, dan pendaftaran
sekolah.
Membangun hubungan sebab akibat atau teknik variabel terkait yang mempengaruhi
satu sama lain adalah topik selanjutnya.

METODE PERAMALAN ASOSIATIF: ANALISIS REGRESI DAN KORELASI

Tidak seperti peramalan time-series, model peramalan asosiatif biasanya
mempertimbangkan beberapa variabel yang berhubungan dengan kuantitas yang diprediksi.
Saat variabel terkait ini ditentukan, model statistik dibuat dan digunakan untuk meramalkan.
Pendekatan ini lebih berdaya guna daripada metode time-series yang hanya menggunakan
nilai historis variabel yang diramalkan.
Banyak faktor yang bisa dipertimbangkan dalam analisis asosiatif. Sebagai contoh,
penjualan PC IBM mungkin terkait dengan anggaran iklan IBM, harga yang diberikan
perusahaan, harga pesaing, strategi promosi, bahkan kondisi perekonomian negara dan
tingkat pengangguran. Dalam hal ini, penjualan PC disebut sebagai variabel terikat, dan
variabel lainnya disebut variabel bebas. Tugas manajer adalah mengembangkan hubungan
statistik terbaik antara penjualan PC dan variabel bebas. Model peramalan asosiatif
kuantitatif yang paling umum adalah analisis regresi linear (linear regression analysis).
• Analisis regresi linear adalah Model matematis garis lurus yang menjelaskan
hubungan fungsional antara variabel bebas dan variabel terikat.
MENGGUNAKAN ANALISIS REGRESI UNTUK PERAMALAN
Kita dapat menggunakan model matematis yang sama yang kita gunakan pada
metode kuadrat terkecil dari proyeksi tren untuk melakukan analisis regresi linear. Variabel
terikat yang kita ingin ramalkan akan tetap sama yaitu . Tetapi sekarang, variabel bebas,
yaitu x, tidak lagi waktu. Kita akan menggunakan persamaan:
ŷ = a + bx
keterangan :
ŷ = nilai variabel terikat (dalam contoh kita adalah penjualan)
a = perpotongan sumbu y
b = kemiringan garis regresi
x = variabel bebas

KESALAHAN STANDAR DARI SUATU ESTIMASI

Peramalan sebesar $325.000 untuk penjualan Nodel di Contoh 12 disebut tirik
prediksi y. Titik prediksi adalah rata-rata (mean) atau nilai harapan (expected value) dari
suatu distribusi nilai penjualan yang mungkin. Gambar 4.9 menggambarkan konsep ini.
Untuk menghitung keakuratan regresi yang diperkirakan, kita harus menghitung
kesalahan standar estimasi (standard error of the estimate), Sy,x, perhitungan ini disebut
deviasi standar regresi (standard deviation of the regression) yang menghitung kesalahan
dari variabel terikat, y, terhadap garis regresi, dan bukan terhadap rata-rata. Persamaan (4-
14) merupakan pernyataan serupa yang ditemukan hampir di semua buku statistik untuk
menghitung deviasi standar:

Keterangan :
y = nilai y untuk setiap titik data
y˛= nilai terhitung variabel terikat, dari persamaan regresi
n = jumlah data
atau
 Kedua rumus memberikan jawaban sama dan dapat digunakan dalam menyiapkan
interval yang diprediksi di sekitar titik.
Gambar 4.9 pendistribusian sekitar titik estimasi upah $600 juta

KOEFISIEN KORELASI UNTUK GARIS REGRESI

Persamaan regresi adalah satu cara untuk menyatakan hubungan antara dua variabel.
Garis regresi bukanlah hubungan "sebab akibat". Mereka menjelaskan hubungan antar-
variabel. Persamaan regresi menunjukkan bagaimana satu variabel berhubungan pada nilai
dan perubahan pada variabel lain.
Cara lain untuk mengevaluasi hubungan antara dua variabel adalah dengan
menghitung koefisien korelasi (coefficient of correlation). Ukuran ini menyatakan derajat
atau kekuatan hubungan linear. Biasanya diidentifikasi sebagai r, koefisien korelasi adalah
suatu bilangan antara +1 dan -1. Gambar 4.10 menggambarkan diferensiasi nilai r.
Untuk menghitung r, kita menggunakan data yang sama yang dibutuhkan
sebelumnya untuk menghitung a dan b untuk garis regresi. Persamaan untuk r yang agak
panjang ini adalah

Gambar 4.10 empat nilai koefisien korelasi

 Koefisien determinasi (coefficient of determination) merupakan suatu ukuran jumlah
variasi dalam variable terikat terhadap rata-ratanya yang dijelaskan oleh persamaan regresi.

ANALISIS REGRESI BERGANDA

Regresi berganda (multiple regression) adalah lanjutan praktis dari model regresi
sederhana yang baru kita bahas. Regresi berganda membolehkan kita membangun sebuah
model dengan beberapa variabel bebas, dan bukan dengan hanya satu variabel. Sebagai
contoh, jika Nobel ingin memasukkan tingkat bunga tahunan rata-rata dalam model
peramalan penjualannya, maka persamaan yang sesuai adalah:
ŷ = a + b1x1 + b2x2
keterangan :
ŷ = variable terikat, penjualan
a = sebuah konstanta
x1 dan x2 = nilai dua variable bebas berturut-turut, upah wilayah tingkat suku bunga
b1 dan b2 = koefisien dari dua variable bebas

PENERAPAN MO

Meramalkan Tenaga Kerja dengan Regresi Berganda pada TransAlta Utilities

TransAlta Utilities (TAU) adalah perusahaan energi senilai $1,6 miliar yang
beroperasi di Kanada, Selandia Baru, Australia, Argentina dan Amerika Serikat. Kantor
pusatnya berada di Alberta, Kanada. TAU adalah perusahaan layanan umum negara yang
terbesar di Kanada. TAU melayani 340.000 konsumen di Alberta melalui 57 fasilitas
pelayanan konsumen, yang masing- masing mempekerjakan 5-20 karyawan layanan
pelanggan. Pekerjaan dari 270 karyawan tersebut adalah menangani hubungan baru,
perbaikan, memeriksa saluran daya, dan memeriksa stasiun. Sistem yang ada sekarang
bukan hasil dari perencanaan pusat yang op- timum, tetapi dilakukan bertahap sejalan
dengan pertumbuhan perusahaan.
 Dengan pertolongan dari University of Alberta, TAU membangun sebuah model
sebab akibat untuk memutuskan berapa banyak karyawan yang harus ditugaskan pada setiap
fasilitas. Tim peneliti memu tuskan untuk mengembangkan sebuah model regresi berganda
dengan tiga variabel bebas. Hal tersulit adalah untuk memilih variabel yang mudah dihitung
dengan data yang tersedia. Pada akhirnya, variabel yang ditetapkan adalah jumlah konsumen
perkotaan, jumlah konsumen pedesaan, dan ukuran geografi wilayah pelayanan. Model
mengasumsikan bahwa waktu yang dihabiskan untuk konsumen sebanding dengan jumlah
konsumen dan waktu yang dihabiskan pada fasilitas (pemeriksaan saluran dan stasiun)
sementara perjalanan sebanding dengan ukuran dan pelayanan wilayah. Per definisi, waktu
yang yang tidak dapat dijelaskan adalah waktu tidak dijelaskan oleh tiga variabel (sebagai
contoh: pertemuan, istirahat, waktu tidak produktif).
Model yang dihasilkan, tidak hanya membuat manajer TAU senang, tetapi juga
menghasilkan penghematan proyek (termasuk mengoptimalkan jumlah fasilitas dan lokasi
mereka) sebesar $4 juta per tahun.

Sumber. E. Erkut, T. Myroon, dan K. Strangway. "TransAlta Rede- signs its Service-
Delivery Network," Interfaces (Maret-April 2000): 54-69.

PENGAWASAN DAN PENGENDALIAN PERAMALAN

Meskipun suatu peramalan sudah selesai, jangan terus dilupakan. Tidak ada manajer
yang ingin diingatkan bahwa peramalannya sangat tidak akurat, tetapi sebuah perusahaan
perlu untuk menetapkan mengapa permintaan aktual (atau variabel apa pun yang dievaluasi)
berbeda sangat signifikan dengan yang diramalkan. Jika peramal akurat, orang tersebut
biasanya memastikan semua orang menyadari bakatnya. Sangat jarang seseorang membaca
artikel di Fortune, Forbes, atau Wall Street Journal, tentang seorang manajer keuangan yang
secara konsisten kehilangan 25% dalam peramalan pasar sahamnya.
Satu cara untuk mengawasi peramalan berjalan dengan baik adalah dengan
menggunakan sebuah sinyal penelusuran (tracking signal). Sinyal penelusuran adalah
sebuah perhitungan seberapa baik peramalan memprediksikan nilai aktual. Sejalan dengan
peramalan yang diperbarui setiap minggu, bulan atau kuartal, data permintaan baru yang
tersedia dibandingkan dengan nilai peramalan.
Sinyal penelusuran dihitung sebagai running sum of the forecast errors (RSFE)
dibagi dengan mean absolute deviation (MAD)
 Sinyal penelusuran positif menandakan permintaan lebih besar dari ramalan. Sinyal
negatif berarti permintaan lebih sedikit daripada ramalan. Sinyal penelusuran yang bagus-
adalah yang memiliki RSFE rendah-mempunyai kesalahan positif yang sama dengan
kesalahan negatifnya. Dengan kata lain, deviasi kecil tidak mengapa, tetapi kesalahan positif
dan negatif harus seimbang satu sama lain, dan pusat sinyal penelusuran sekitar nol.
Kecenderungan konsisten peramalan untuk bisa lebih besar atau lebih kecil dari nilai aktual
(yaitu, untuk RSFE tinggi) disebut sebagai kesalahan bias. Bias bisa terjadi jika, sebagai
contoh, variabel atau lini tren salah digunakan atau jika indeks musiman salah diterapkan.
Sinyal penelusuran dihitung dan dibandingkan untuk menetapkan batas kendali. Di
saat sinyal penelusuran melebihi batas kendali atas atau bawah, maka ada masalah dengan
metode peramalan, dan manajemen mungkin harus mengevaluasi kembali cara mereka
meramalkan permintaan. Gambar 4.11 menunjukkan grafik sebuah sinyal penelusuran yang
melebihi rentang variasi yang dapat diterima. Jika model yang digunakan adalah
penghalusan eksponensial, mungkin konstanta penghalusan perlu disesuaikan kembali.

PENGHALUSAN ADAPTIF
Peramalan adaptif merujuk kepada pengawasan komputer dari sinyal penelusuran
dan penyesuaian diri jika sinyal melewati batas yang ditentukan. Sebagai contoh, saat
menerapkan penghalusan eksponensial, koefisien α dan β dipilih pertama kali berdasarkan
nilai yang dapat meminimalkan kesalahan peramalan, dan kemudian disesuaikan kapan saja
saat komputer mengenali adanya sinyal penelusuran. Proses ini disebut sebagai penghalusan
adaptif (adaptive smoothing).

PERAMALAN FOCUS
Daripada menyesuaikan diri dengan cara memilih sebuah konstanta penghalusan,
komputer membiarkan kita mencoba beberapa variasi model peramalan. Pendekatan ini
disebut peramalan fokus (focus forecasting). Peramalan fokus didasarkan pada dua prinsip:
1. Model peramalan yang canggih tidak selalu lebih baik dari model yang
sederhana.
2. Tidak ada satu teknik yang dapat digunakan untuk semua produk dan jasa.
Bernard Smith, seorang manajer persediaan pada American Hardware Supply,
mengenalkan istilah peramalan fokus. Pekerjaan Smith adalah meramalkan jumlah dari
100.000 macam produk yang akan dibeli oleh 21 pembeli. Ia menemukan bahwa pembeli
tidak mempercayai atau memahami model penghalusan eksponensial. Malah, mereka
menggunakan pendekatan mereka sendiri yang sangat sederhana. Jadi Smith membangun
sistem berbasis komputer baru untuk memilih metode peramalan.
Smith memilih tujuh metode peramalan untuk diuji. Metode peramalan ini bertingkat
mulai dari yang sederhana yang biasa digunakan pembeli (seperti pendekatan nair) hingga
model statistik. Setiap bulan, Smith menerapkan peramalan dengan ketujuh model tersebut
pada setiap produk dalam persediaan. Pada percobaan simulasi ini, nilai peramalan diambil
dari permintaan aktual terkini, yang menghasilkan kesalahan peramalan yang disimulasikan.
Metode peramalan yang memberikan kesalahan terkecil dipilih oleh komputer, yang
kemudian digunakan untuk membut peramalan bulan berikutnya. Walaupun pembeli masih
mempunyai kemampuan untuk menolak, American Hardware menganggap peramalan fokus
memberikan hasil yang memuaskan.

Gambar 4.12 peramalan penjualan per jam untuk sebuah restoran cepat saji
PERAMALAN PADA SEKTOR JASA
Peramalan pada sektor jasa mempunyai tantangan yang unik. Teknik utama pada
sektor eceran adalah dengan melihat permintaan dan membuat catatan jangka pendek yang
teliti. Sebagai contoh tempat potong rambut pria mengharapkan puncak bisnisnya pada hari
jumat dan sabtu. Karenanya, hampir semua tempat potong rambut ditutup pada hari minggu
dan senin, dan terdapat banyak permintaan pada hari jumat dan sabtu. Restoran di pusat
kota, di sisi lain, mungkin harus mengikuti adanya konvensi dan liburan yntuk peramalan
jangkapendek yang efektif.

RINGKASAN
Peramalan adalah bagian penting dari fungsi manajer operasi. Peramalan permintaan
mengarahkan produksi, kapasitas, dan system penjadwalan perusahaan, serta mempengaruhi
fungsi keuangan, pemasaran, dan perencanaan karyawan.
Ada beberapa Teknik peramalan kualitatif dan kuantitatif. Pendekatan kualitatif
menggunakan penilaian, pengalaman, perasaan, dan factor lain yang sulit untuk diukur.
Peramalan kuantitatif menggunakan data masa lalu, sebab akibat, atau asosiatif untuk
diproyeksikan pada permintaan di masa dating. Perhitungan peramalan jarang dilaksanakan
secar manual. Hampir semua manajer operasi menggunakan paket software seperti forecast
PRO, SAP, tsMetrix, AFS,SAS,SPSS atau Excel.
Tidak ada metode peramalan yang sempurna dalam semua kondisi. Bahkan sekali
manajemen telah menemukan pendekatan yang memuaskan, manajemen masih harus terus
mengawasi dan mengendalikan peramalan untuk memastikan kesalahan masih bisa
dikendalikan, peramalan sering memberikan banyak tantangan, tetapi juga kepuasan, yang
merupakan bagian dari pengelolaan.