Nama : Pascal Alvito Rizqi Fatiha

NIM : F0221197
Kelas : Manajemen C 2021
Sumber : Operating Management tahun 2017, Heizer dan Render

Resume Manajemen Operasi 2 Forecasting

• Peramalan

Peramalan adalah suatu perkiraan tingkat permintaan yang diharapkan untuk suatu
produk atau beberapa produk dalam periode tertentu di masa yang akan datang.
Menurut Heizer dan Render peramalan (forecasting) adalah seni dan ilmu untuk
memperkirakan kejadian di yang akan datang. Hal ini dapat dilakukan dengan melibatkan
pengambilan data masa lalu dan menempatkannya ke masa yang akan datang dengan suatu
bentuk model matematis. Hal tersebut juga merupakan prediksi intuisi yang bersifat subjektif.
Atau dapat pula menggunakan kombinasi model matematis yang disesuaikan dengan
pertimbangan yang baik dari seorang manager.
Metode peramalan (forecasting) merupakan alat bantu yang penting dalam perencanaan
yang efektif dan efisien khususnya dalam bidang industri. Peranan mempunyai peranan
langsung pada peristiwa eksternal yang pada umumnya berada di luar kendali manajemen :
ekonomi, pelanggan, pesaing, pemerintah dan lain-lain. Aktivitas manajemen operasi
umumnya menggunakan peramalan permintaan dan perencanaan yang menyangkut jadwal
produksi, perencanaan pemenuhan kebutuhan bahan baku, perencanaan kapasitas produksi,
perencanaan distribusi barang, penentuan tata letak, penentuan metode proses produksi, dan
mendesain perencanaan kebutuhan mendatang.
Peramalan tidak terlalu dibutuhkan dalam kondisi permintaan pasar yang stabil karena
perubahan permintaannya relatif kecil. Tetapi peramalan akan sangat dibutuhkan bila kondisi
permintaan pasar bersifat komplek dan dinamis. Peramalan yang akurat merupakan informasi
yang sangat dibutuhkan dalam pengambilan keputusan manajemen.
Ketepatan secara mutlak dalam memprediksi bahwa peristiwa dan tingkat kegiatan
yang akan tidak mungkin dapat dicapai. Oleh karena itu ketika perusahaan tidak dapat melihat
kejadian yang belum pasti terjadi maka diperlukan waktu, tenaga agar dapat memiliki kekuatan
jika kejadian yang akan datang tidak sesuai dengan apa yang ingin dicapai.

Melalui metode peramalan ini, perusahaan melakukan kegiatan untuk mencapai target
pada waktu yang ingin dicapai atau waktu yang akan datang serta meperhitungkan kondisi
yang mungkin terjadi . kondisi yang akan akan datang tidak dapat diperkirakan secara pasti
sehingga mau tidak mau perusahaan harus bekerja dengan orientasi pada waktu yang akan
datang yang tidak pasti.

Untuk membuat peramalan dengan menggunakan pola data dengan asumsi bahwa pola
data yang lalu itu akan berulang lagi pada waktu yang akan datang. Walaupun demikian,
kegiatan forecasting tidaklah semata-mata berdasarkan prosedur ilmiah atau terorganisir,
karena ada kegiatan peramalan yang menggunakan intuisi (perasaan) atau lewat diskusi
informal dalam sebuah grup. Berikut beberapa ciri sebuah kegiatan peramalan, yaitu:

1. Berfokus pada masa lalu

2. Bertujuan untuk menguji perkembangan saat ini dan relevansi di masa yang akan
datang
3. Metode yang digunakan adalah proyeksi berdasarkan ilmu statistik, diskusi, dan review
program.
4. Frekuensinya bersifat regular (teratur).
5. Hasil peramalan tidak sekedar akurasi, namun bersifat pembelajaran.

Dari ciri-ciri diatas, dapat dilihat bahwa peramalan adalah kegiatan yang bersifat
teratur, berupa perkiraan masa yang akan datang dengan menggunakan tidak hanya metode
ilmiah, namun juga mempertimbangkan hal-hal yang bersifat kualitatif, seperti perasaan,
pengalaman seseorang dan lainnya.

• Peramalan Horizon Waktu

Menurut Heizer dan Render berpendapat bahwa peramalan biasanya diklarifikasikan

berdasarkan horizon waktu masa depan yang dilingkupinya. Horizon waktu
terbagi menjadi beberapa kategori:
1. Peramalan Jangka Pendek
Peramalan ini meliputi jangka waktu yaitu satu tahun, tetapi umumnya digunakan
dengan itungan bulanan. Peramalan ini digunakan untuk merencakan penjualan,
penjadwalan kerja, jumlah tenaga kerja, penugasan kerja pembelian, dan tingkat
produksi.
2. Peramalan Jangka Menengah
 Peramalan jangka menengah atau intermediate mencakup hitungan lebih dari tiga
bulan hingga 3 tahun. Peramalan ini biasanya digunakan untuk penjualan, perencanaan,
dan anggaran produksi, anggaran kas, serta menganalisis bermacam rencana operasi.
3. Peramalan Jangka Panjang
Peramalan jangka panjang umumnya untuk sebagai perhitungan tiga tahun atau lebih.
Biasanya digunakan untuk merencanakan produk baru, pembelanjaan modal, lokasi
atau pengembangan fasilitas.

• Jenis Peramalan

Perusahaan pada umumnya menggunakan tiga jenis peramalan yang utama dalam
perencanaan operasi untuk masa yang akan datang.
1. Peramalan ekonomi (Economic forecast) menjelaskan siklus bisnis dengan
memprediksi tingkat inflasi, ketersediaan modal, dana yang dibutuhkan untuk
membangun perencanaan indokator yang lain.
2. Peramalan teknologi (techonological forecast) memperhatikan tingkat kemajuan
teknologi yang dapat meluncurkan produk baru yang menarik, yang membutuhkan
pabrik dan peralatan baru.
3. Peramalan permintaan (demand forecast) adalah proyeksi permintaan untuk produk
atau layanan suatu perusahaan. Peramalan ini disebut juga peramalan penjualan,
dimana mengendalikan produksi, kapasitas, serta sistem penjadwalan dan menjadi
input bagi perencanaan keuangan, pemasaran, dan sumber daya manusia.
• Pendekatan Peramalan

Terdapat dua pendekatan umum untuk peramalan sebagaimana ada dua cara mengatasi
semua model keputusan. Pendekatan yang satu adalah analisis kuantitatif dan pendekatan lain
adalah analisis kualitiatif.
1. Peramalan kuantitatif (Quantitative Forecast) menggunakan model matematis yang
beragam dengan data masa lalu dan variabel sebab akibat untuk meramalkan permintaan.
2. Peramalan subjektif atau kualitatif (Qualitative Forecast) menggabungkan faktor,
seperti intuisi, emosi, pengalaman pribadi, dan sistem nilai pengambil keputusan untuk
meramal.
• Metode Peramalan Kuantitatif

Metode peramalan kuantitatif terdiri dari peramalan deret waktu (time series) dan
peramalan sebab akibat. Kedua metode kuantitatif ini mendasarkan peramalannya adalah pada
data lalu dengan menggunakan predictor untuk masa yang akan datang. Dengan mengelola
data yang sebelumnya maka melalui metode Time Series atau kausal akan sampai pada suatu
hasil peramalan.
1. Peramalan deret waktu (Time Series)
Peramalan ini dilakukan berdasarkan data-data dari suatu produk yang sudah ada
sebelumnya, kemudian diolah pola datanya berupa trend maupun berbentuk siklus.
2. Peramalan sebab akibat (causal)
Peramalan ini dilakukan berdasarkan data yang sudah ada sebelumnya, tetapi
menggunakan data dari variabel lain yang menentukan atau mempengaruhinya di masa
yang akan datang, seperti penduduk, pendapatan, dan kegiatan ekonomi.

metode - metode peramalan kuantitatif, terdiri dari :

1. Pendekatan Naif (Naive Method)

Cara paling sederhana untuk meramal adalah berasumsi bahwa permintaan di periode
mendatang akan sama dengan permintaan pada periode terakhir. Untuk beberapa jenis
produk, pendekatan naif (naive method) merupakan model peramalan objektif yang
paling efektif danefisien dari segi biaya. Paling tidak, pendekatan naif memberikan titik
awal untuk perbandingan dengan model lain yang lebih canggih.
2. Rata-Rata Bergerak (Moving Average)
Peramalan rata-rata bergerak menggunakan sejumlah data aktual masa lalu untuk
menghasilkan peramalan. Rata-rata bergerak berguna jika kita dapat mengasumsikan
bahwa permintaan pasar akan stabil sepanjang masa kita ramalkan. Secara matematis,
rata-rata bergerak sederhana (merupakan prediksi permintaan periode mendatang)
dinyatakan sebagai berikut :

∑ Permintaan dalam periode n

sebelumnya Rata - rata bergerak =
n

Dimana (n) adalah jumlah periode dalam rata-rata bergerak.

3. Rata-Rata Bergerak dengan Pembobotan (Weighted Moving Average) Saat terdapat

tren atau pola yang terdeteksi, bobot dapat digunakan untuk menempatkan penekanan
yang lebih pada nilai terkini. Pemilihan bobot merupakan hal yang tidak pasti karena
 tidak ada rumus untuk menetapkan mereka. Oleh karena itu, pemutusan bobot yang
digunakan membutuhkan pengalaman. Sebagai contoh, jika bulan atau periode terakhir
diberi bobot yang terlalu berat, peramalan dapat menggambarkan perubahan yang
terlalu cepat yang tidak biasa pada permintaan atau pola penjualan.
Rata-rata bergerak dengan pembobotan akan digambarkan secara sistematis sebagai
berikut

(Bobot periode n)(Permintaan dalam periode n)

Pembobotan rata - rata bergerak = ∑

∑Bobot

4. Penghalusan Eksponential (Exponential Smoothing)

Penghalusan Eksponensial merupakan metode peramalan rata-rata bergerak dengan

pembobotan yang canggih, tetapi masih mudah digunakan. Metode ini menggunakan
pencatatan data masa lalu yang sangat sedikit. Rumus penghalusan eksponensial dasar
dapat ditunjukkan sebagai berikut :

Peramalan Peramalan
baru

Periode α (Permintaan sebenernya periode

= terakhir + terakhir – peramalan periode terakhir)

dimana α adalah sebuah bobot atau konstanta penghalusan yang dapat dipilih oleh
peramal yang mempunyai nilai antara 0 dan 1. Persamaan rumus diatas juga dapat
ditulis secara sistematis sebagai berikut :

Ft = Ft-1 + α (At-1 – Ft-1)

dimana :

Ft = Peramalan baru

Ft-1 = Peramalan sebelumnya α = Konstanta penghalusan

(pembobotan) (0 ≤ α ≤ 1)
 At-1 = Permintaan aktual periode lalu

Untuk memperoleh forecasting yang lebih akurat, kita dapat membandingkan nilai
forecasting dengan nilai aktual yang terjadi. Semakin kecil perbedaan antara nilai hasil
forecasting dan nilai aktual, artinya tingkat kesalahan semakin kecil dan metode forecasting
yang digunakan relatif benar. tingkat kesalahan forecasting (forecast error) dapat dirumuskan
sebagai berikut :

Forecast Error = Demand – Forecast

5. Penghalusan Eksponential dengan Penyesuaian Trenn (Exponential Smoothing with Trend)

Model penghalusan eksponensial yang lebih rumit dan dapat menyesuaikan diri pada
tren yang ada. Idenya adalah menghitung tren rata-rata data penghalusan eksponensial,
kemudian menyesuaikan untuk kelambatan (lag) positif atau negatif pada tren. Dengan
penghalusan eksponensial dengan penyesuaian tren, estimasi ratarata dan 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. Rumus Penghalusan
Eksponential dengan Penyesuaian Tren adalah sebagai berikut:

Ft = α (At-1) + (1-α) (Ft-1 + Tt-1) ,Tt = β (Ft-Ft-1) + (1-β) Tt-1

Dimana :

Ft = peramalan dengan eksponensial yang dihaluskan dari data berseri pada periode t

Tt = tren dengan eksponensial yang dihaluskan pada periode t

At = permintaan aktual periode t
α = konstanta penghalusan untuk rata-rata (0 ≤ α ≤ 1)
β = konstanta penghalusan untuk rata-rata (0 ≤ β ≤ 1)

6. Proyeksi Regresi Linear (Linear Regression)

Proyeksi Regresi Linear merupakan suatu metode peramalan yang mencocokan garis
tren pada serangkaian data masa lalu, kemudianmemproyeksikan garis pada masa
mendatang untuk peramalan jangka menengah atau jangka panjang.
 Rumus untuk menentukan perhitungan Linear Regression adalah sebagai

berikut :

y = a + bx

dimana:

y = nilai terhitung dari variabel yang akan diprediksi

a = persilangan sumbu y

b = kemiringan garis regresi (atau tingkat perubahan pada y untuk

perubahan yang terjadi di x x = variable bebas (dalam kasus ini adalah
waktu).

Untuk menentukan nilai a dan b, akan di jelaskan pada rumus dibawah ini :

dimana :

b = kemiringan garis regresi

∑ = tanda penjumlahan total X = nilai variabel

bebas yang diketahui y = nilai variabel terkait
yang diketahui

a= - bx

dimana: ȳ = rata-rata nilai y xȳ=

rata-rata nilai x

• Menghitung Kesalahan Peramalan

Menurut Freddy Rangkuti (2005 : 80) menyatakan keharusan untuk membadingkan

perhitungan yang memiliki nilai MAD (Mean Absolute Deviation) paling kecil, karena
semakin kecil MAD berarti semakin kecil pula perbedaan antara hasil forecasting dan nilai
aktual.
Sedangkan menurut Jay Heizer dan Barry Render (2010 ; 177), ada beberapa
perhitungan yang biasa digunakan untuk menghitung kesalahan peramalan total. Perhitungan
ini dapat digunakan untuk membandingkan model peramalan yang berbeda, mengawasi
peramalan, dan untuk memastikan peramalan berjalan baik. Tiga dari perhitungan yang paling
terkenal adalah deviasi mutlak rerata (Mean
Absolute Deviation – MAD), kesalahan kuadrat rata-rata (Mean Squared Error – MSE), dan
kesalahan persen mutlak rata-rata (Mean Absolute Percent Error – MAPE).

1. Deviasi Rata-Rata Absolut (Mean Absolute Deviation)

MAD merupakan ukuran pertama kesalahan peramalan keseluruhan untuk sebuah
model. Nilai ini dihitung dengan mengambil jumlah nilai absolut dari tiap kesalahan
peramalan dibagi dengan jumlah periode data n. Rumus untuk menghitung MAD
adalah sebagai berikut :

∑| aktual - peramalan |
MAD =
n

2. Kesalahan Rata-Rata Kuardrat (Mean Square Error)

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

∑| kesalahan peramalan |2
MSE =
n
3. Kesalahan persen Rata- Rata Absolut (Mean
Absolute Percentage

Error = MAPE)