7 Modul OSCM Forecasting

MODUL PERKULIAHAN
Operation
Supply Chain
Management
Forecasting
Sekolah Program Studi Tatap Muka Kode MK Disusun Oleh
07
Pascasarjana Magister 201411003 Tim Dosen
Manajemen
Abstract Kompetensi
Materi ini menjelaskan tentang Mahasiswa diharapkan memiliki
definisi dan penerapan peramalan kemampuan memahami konsep
(forecasting). peramalan, memahami penentuan
peramalan, dan memahami metode
peramalan.
Isi
A. Pengertian peramalan (Forecasting)

Menurut Jay Heizer dan Barry Render (2011:136), Peramalan adalah seni dan ilmu
untuk memprediksi kejadian di masa depan dengan melibatkan pengambilan data historis
dan memproyeksikannya ke masa mendatang dengan model pendekatan sistematis.
Menurut William J. Stevenson (2009:72), peramalan adalah input dasar dalam proses
pengambilan keputusan manajemen operasi dalam memberikan informasi tentang
permintaan di masa mendatang dengan tujuan untuk menentukan berapa kapasitas atau
persediaan yang diperlukan untuk membuat keputusan staffing, budget yang harus
disiapkan, pemesanan barang dari supplier dan partner dari rantai pasok yang dibutuhkan
dalam membuat suatu perencanaan. Menurut Wignjosoebroto (2003:337), metode
peramalan adalah suatu upaya untuk memperoleh gambaran mengenai apa yang akan
terjadi di masa mendatang. Dalam hal ini gambarang mengenai masa depan tersebut akan
menjadi dasar di dalam membuat perencanaan. Peramalan menurut Sumayang (2003:24),
adalah perhitungan yang objektif dan dengan menggunakan data-data masa lalu, untuk
menentukan sesuatu di masa yang akan datang. Sedangkan pengertian peramalan menurut
Sudjana (1989:254) adalah proses perkiraan (pengukuan) besarnya atau jumlah sesuatu
pada waktu yang akan datang berdasarkan data pada masa lampau yang dianalisis secara
ilmiah khususnya menggunakan metode statistika.
B. Tujuan Peramalan (Forecasting)

Menurut Heizer dan Render (2009:47), peramalan (forecasting) mempunyai tujuan
antara lain:
a. Sebagai pengkaji kebijakan perusahaan yang berlaku disaat ini dan dimasa lalu dan juga
melihat sejauh mana pengaruh dimasa datang.
b. Peramalan dibutuhkan karena terdapat time lag atau delay antara ketika suatu kebijakan
perusahaan ditetapkan dengan ketika implementasi.
c. Peramalan adalah dasar penyusunan bisnis di suatu perusahaan sehinga bisa
meningkatkan efektivitas sebuah rencana bisnis.
C. Fungsi Peramalan (Forecasting)

Fungsi dari peramaalan akan diketahui ketika pengambilan keputusan. Keputusan
yang baik adalah keputusan yang berdasarkan atas pertimbangan apa yang akan terjadi di
2020 Operation Supply Chain Management Biro Akademik dan Pembelajaran

2 Tim Dosen http://www.widyatama.ac.id
waktu keputusan tersebut dijalankan. Jika kurang tepat ramalan yang sudah disusun, maka
masalah peramalan juga merupakan masalah yang sering dihadapi (Gingting, 2007).
D. Manfat Peramalan (Forecasting)

Kegunaan atau manfaat dari peramalan adalah sebagai berikut:
a. Sebagai alat bantu untuk merencanakan yang efektif dan efisien.
b. Untuk menetapkan kebutuhan sumber daya pada masa yang akan datang.
c. Untuk membuat keputusan yang tepat.
E. Jenis-Jenis Peramalan (Forecasting)

Menurut Herianto (2008:78) berdasarkan horizon waktu, peramalan (forecasting) bisa
dibedakan menjadi tiga jenis, yaitu:
a. Peramalan Jangka Panjang
Adalah yang meliputi waktu yang lebih panjang dari 18 bulan, seperti contohnya
peramalan yang dibutuhkan dalam hubungannya dengan penanaman modal,
merencanakan fasilitas dan merencanakan untuk kegiatan litbang.
b. Peramalan Jangka Menengah
Adalah yang meliputi waktu antara 3 sampai 18 bulan, seperti contohnya peramalan
untuk merencanakan penjualan, merencanakan produksi dan merencanakan tenaga
kerja tidak tetap.
c. Perencanaan Jangka Pendek
Adalah yang meliputi jangka waktu kurang dari tiga bulan. Seperti contohnya peramalan
dalam keterkaitannya dengan merencanakan pembelian material, membuat jadwal kerja
dan menugaskan karyawan.
Menurut Heizer dan Render (2009:47), berdasarkan fungsi dan perencanaan operasi
pada masa depan, peramalan (forecasting) dibedakan menjadi tiga jenis, yaitu:
a. Peramalan Ekonomi (Economic Forecast)
Peramalan ini membahas siklus bisnis dengan prediksi tingkat inflasi tersedianya uang,
dana yang diperlukan untuk pembangunan perumahan dan indikator perencanaan
lainnya.
b. Peramalan Teknologi (Technological Forecast)
Peramalan ini memahami tingkat kemajuan teknologi yang bisa meluncurkan produk
baru yang menarik yang memerlukan pabrik dan peralatan yang baru.
c. Peramalan Permintaan (Demand Forecast)
Adalah proyeksi permintaan pada produk atau layanan perusahaan. Proyeksi
permintaan produk atau layanan suatu perusahaan, peramalan ini juga bisa disebut
dengan peramalan penjualan yang menjadi pengendali produksi, kapasitas dan juga

sistem penjadwalan dan menjadi input untuk merencanakan keuangan, pemasaran, dan
sumber daya manusia.
F. Dekomposisi Deret Waktu

1. Pola horisontal (H) terjadi bilamana data berfluktuasi disekitar nilai rata-rata yang
konstan. Suatu produk yg penjualannya tidak meningkat atau menurun selama waktu
tertentu termasuk jenis ini. Pola khas dari data horizontal atau stasioner seperti ini dapat
dilihat dalam Gambar 3.1.
2. Pola musiman (S) terjadi bilamana suatu deret dipengaruhi oleh faktor musiman
(misalnya kuartal tahun tertentu, bulanan, atau hari-hari pada minggu tertentu).
Penjualan dari produk seperti minuman ringan, es krim, dan bahan bakar pemanas
ruang semuanya menunjukkan jenis pola ini. Untuk pola musiman kuartalan dapat dilihat
Gambar 3.2.
3. Pola siklus (C) terjadi bilamana datanya dipengaruhi oleh fluktuasi ekonomi jangka
panjang seperti yang berhubungan dengan siklus bisnis. Contoh: Penjualan produk
seperti mobil, baja, dan peralatan utama lainnya. Jenis pola ini dapat dilihat pada
Gambar 3.3.
4. Pola trend (T) terjadi bilamana terdapat kenaikan atau penurunan sekuler jangka
panjang dalam data. Contoh: Penjualan banyak perusahaan, GNP dan berbagai
indikator bisnis atau ekonomi lainnya. Jenis pola ini dapat dilihat pada Gambar 3.4.
Gambar 3.1. Pola Data Horizontal Gambar 3.2. Pola Data Musiman

Gambar 3.3. Pola Data Siklis Gambar 3.4. Pola Data Trend
G. Langkah Sistem Peramalan

Menurut Stevenson (2011:74) dalam buku Operation Management ada 6 langkah
dasar dalam proses peramalaan, yaitu:
1. Tentukan tujuan dari permalaan. Bagaimana hasilnya akan digunakan dan kapan akan
digunakaan, langkah ini akan memberikan indikasi akan tingkat detail yang dibutuhkan
dalam peramalan, banyaknya sumber daya yang dibutuhkan, dan tingkat akurasi.
2. Menentukan rentang waktu, semakin panjang rentang waktunya maka semakin
berkurang akurasi dari permalaan.
3. Pilih teknik/metoda forecasting.
4. Analisa dan rapihkan data, karena data yang tidak akurat mengurangi validasi dari hasil
peramalan.
5. Buatlah Peramalaan.
6. Pantau hasil dari permalaan, hasil peramalaan harus diawasi dan dipantau untuk
mengetahui apakah performanya memuaskan, jika tidak revisi lagi metoda/teknik yang
digunakan, uji lagi validitas dari data yang digunakaan.
Aspek aspek pada peramalan pada dasarnya identik dengan studi kelayakan suatu
proyek/kegiatan dalam perusahaan. Ada beberapa aspek yang harus dipertimbangkan,
antara lain:
1. Aspek ekonomi, yaitu yang mengadakan proyeksi terhadap aspek-aspek makro
terutama aspek kependudukan dan pendapatan.
2. Aspek industry, yakni analisis terhadap permintaan pasar dari seluruh perusahaan yang
menghasilkan produk sejenis dari produk yang diusulkan dalam studi kelayakan proyek.
3. Aspek penjualan masa lalu, yaitu dilakukan untuk melihat “market positioning” produk
dalam stuktur persaingan dan dari padanya dapat diketahui “market share“ produk
tersebut.
4. Analisis peramalan permintaan, yaitu berkaitan dengan perencanaan program
pemasaran di masa yang akan datang.
5. Pengawasan hasil dari peramalan, yaitu usaha untuk minimalisasi kesalahan hasil dari
berbagai teknik peramalan yang digunakan.
Adapun Proses Peramalan menurut Rizky Yudaruddin, (2019:9-13) dalam
perusahaan dapat mengikuti tahapan berikut:
1. Permasalahan Perusahaan atau Manajemen
Setiap perusahaan akan menghadapai berbagai masalah dari yang sederhana hingga
yang kompleks. Hal ini menyebabkan perusahaan membutuhkan jawaban yang ringkas,

sederhana dan akurat untuk menjadi dasar dalam pengambilan keputusan. Misalnya
perusahaan dihadapkan pada pengambilan keputusan mengenai apakah akan ada
peningkatan permintaan signifikan jika produk mengalami perbaikan. Hal ini penting
karena diperlukan sumberdaya yang besar untuk melakukan perbaikan produk, jika
proyeksi permintaan menunjukan tidak akan ada permintaan yang signifikan maka akan
menimbulkan kerugian bagi perusahaan karena tidak sebanding dengan biaya perbaikan
produk. Jadi pertanyaan manajemen mengenai masalah perusahaan berfungsi sebagai
titik awal dari peramalan.
2. Pengumpulan Data
Pertanyaan manajemen sebagai permasalahan perusahaan harus diperjelas. Kejelasan
permasalahan memberikan gambaran yang jelas pula sehingga pertanyaan mengenai
mengapa ramalan dibutuhkan, dan bagaimana hasil akan digunakan menjadi jelas.
Misalnya peramalan anggaran modal bersifat jangka panjang dibandingkan dengan
peramalan produksi yang mingguan atau bulanan membutuhkan data yang berbeda.
Jadi pengumpulan data akan dilakukan setelah mendapatkan kejelasan permasalan
yang dihadapi perusahaan.
Permasalahan
Perusahaan atau
Manajemen
Pengumpulan Data
Formulasi Model
Perancangan Model Peramalan
Analisis dan Interpertasi
Tidak
Validasi
Hasil?
Y
a
Hasil Akhir

Gambar 3.5 Tahapan Peramalan
(Sumber: Rizky Yudaruddin (2019:10)
3. Formulasi Model
Setelah keputusan dibuat untuk mengembangkan ramalan, model teoritis harus
dikembangkan untuk menanggapi pertanyaan manajemen. Formulasi model akan
membantu mengurai pertanyaan manajamen menjadi lebih sederhana dan ringkas.
Misalnya, jika manajemen tertarik dengan perkiraan tren jangka panjang, kami dapat
memilih, misalnya, tren atau model regresi untuk tugas ini. Di sisi lain, jika manajemen
tertarik pada perkiraan jangka pendek, yaitu, proyeksi mingguan atau bulanan, kita dapat
memilih, misalnya, rata-rata bergerak, perataan eksponensial, atau model Box-Jenkins
dalam analisis.
4. Perencanaan Model Peramalan
Konstruk teoritis dari model membantu dalam menguraikan hubungan yang ada antara
berbagai variabel model. Pada saat yang sama, itu memungkinkan untuk memisahkan
pengaruh menjadi faktor internal atau eksternal. Faktor-faktor di mana perusahaan
memiliki kendali disebut faktor internal. Ini mungkin termasuk harga, kualitas produk,
karakteristik produk, pengeluaran pemasaran dan iklan, dan logistik (fasilitas distribusi).
Faktor-faktor yang berada di luar perusahaan beroperasi di luar kendali perusahaan.
Faktor-faktor eksogen ini mungkin termasuk tingkat bunga, tingkat inflasi, pendapatan,
pekerjaan, dan nilai tukar dalam perdagangan internasional.
5. Analisis dan Interpretasi
Hasil dari peramalan akan dianalisis dan interpretasikan. Untuk memastikan apakah
permasalahan dari perusahaan terjawab. Apa yang menjadi masalah yang sebenarnya,
kenapa berbeda dengan kondisi yang diharapkan oleh perusahaan.
6. Validasi
Setiap hasil peramalan perlu dilakukan validasi. Validasi bertujuan memastikan tidak
ada yang bias dari hasil peramalan. Apakah hasil peramalan sudah akurat atau belum.
Tentu saja akan ada error, karena hal ini sesuatu yang normal. Kita tidak dapat
memastikan akurasi menjadi 100 persen. Untuk itu harus ditetapkan batas error yang
ditolerasi. Jika hasil validasi menunjukan hasil ramalan memiliki hasil error melebih batas
yang ditoleransi maka perlu kembali dilakukan pengecekan ulang dari pengumpulan
data hingga analisis dan interpretasi.
7. Hasil Akhir
Tahap akhir dalam proses peramalan adalah menyajikan hasilnya kepada manajemen.
Namun, ada beberapa hal yang harus dipahami oleh manajemen dari hasil ramalan
yang dibuat. Pertama, hasil permalan tidak statis tapi dinamais, artinya bias saja hasil

peramalan tidak tepat 100 persen namun batas error yang ditoleransi juga tidak terlalu
jauh. Kedua, perlu evaluasi peramalan secara berkelanjutan.
H. Pendekatan Peramalan
Menurut Haizer dan Render (2009), berdasarkan sifat penyusunnya, terdapat dua
pendekatan yang sering digunakan dalam peralamalan (forecasting), yaitu:
1) Metode Kualitatif (Subjektif)
Metode forecasting dapat bersifat subjektif, hal ini disebabkan oleh pengaruh faktor-
faktor seperti emosi, intuisi dan pengalaman seseorang. Berikut ini merupakan
klasisfikasi metode kualitatif:
a. Jury of Executive Opinion
Data yang digunakan bersumber dari pendapat dari top management dan terkadang
dikombinasi dengan model-model statistik guna menghasilkan estimasi permintaan
kelompok.
b. Delphi Method
Data yang digunakan bersumber dari kuesioner yang disebarkan kepada responden,
kemudian hasil dari survei yang dilakukan menjadi bahan pengambilan keputusan
sebelum dilakukan forecasting.
c. Sales Force Composite
Pendekatan ini melibatkan tenaga penjualan guna melakuan estimasi jumlah
penjualan yang dicapai di area mereka. Kemudaian dilakukan pengkajian forecasting
guna memastikan tingkat realistis kemudian dilakukan kombinasi pada tingkat
wilayah dan nasional guna mendapatkan forecasting secara keseluruhan.
d. Consumer Market Survey
Data yang digunakan berdasarkan hasil survei terhadap konsumen melalui
percakapan informal seputar rencana pembelian di masa mendatang.
2) Metode Kuantitatif (Objektif)

Metode forecasting dilakukan menggunakan model perhitungan matematis yang
beragam berdasarkan data historis terkait dengan forecasting yang dilakukan dan
variabel sebab akibat guna melakukan forecasting. Metode kuantitatif terbagi ke dalam
dua jenis:
a. Time Series Method
Time series method berupa analisis deret waktu yang terdiri dari cycle, random
variation, dan trend seasonal. Time series method merupakan metode yang tepat
dalam melakukan forecasting pada variabel yang memiliki pola permintaan yang

cukup konsisten dan akurat dalam periode waktu yang lama. Berikut merupakan
metode yang dapat digunakan untuk melakukan analisis data tersebut, yaitu:
1. Naive Method
Pendekatan naive merupakan metode forecasting dengan mengasumsikan
bahwa permintaan di periode mendatang sama dengan permintaan di periode
sebelumnya.
2. Moving Average
Rata-rata bergerak merupakan metode forecasting yang dilakukan berdasarkan
data rata-rata historis aktual pada beberapa periode terakhir guna melakukan
forecasting di periode mendatang.
3. Weighted Moving Averages
Metode ini melakukan pembobotan pada rata-rata bergerak yang diberikan pada
nilai baru, sehingga nantinya diperoleh sebuah urutan terbaru yang lebih besar
dibandingkan dengan nilai sebelumnya. Hal ini dilakukan apabila terdeteksi pola
trend pada forecasting variabel.
4. Exponential Smoothing
Penghalusan eksponensial merupakan metode forecasting weighted moving
average yang memberikan bobot secara eksponensial terhadap data yang paling
akhir, sehingga diperoleh bobot bertingkat yang lebih besar.
3) Model Asosiatif (Causal)

a. Trend Projection
Merupakan metode yang digunakan untuk mencocokan garis trend pada
serangkaian data di periode lalu, kemudian data tersebut diproyeksikan ke periode
mendatang guna melakukan forecasting jangka menengah maupun jangka panjang.
Metode ini merupakan metode yang paling banyak digunakan karena dapat menarik
garis yang mewakili letak data yang ada. Hasil yang diproyeksikan berup garis trend
yang dianggap rasional.
b. Linear Regression
Metode ini digunakan dalam perhitungan suatu perkiraan atau persamaan regresi
yang akan menjelaskan hubungan antar variabel yang ada, termasuk diantaranya
variabel bebas dan variabel bergantung. Tujuan utama penggunaan regresi adalah
memperkirakan nilai suatu variabel bergantung ke variabel bebas tertentu. Hasil dari
perhitungan regresi dinyatakan ke dalam sebuah garis lurus.

Gambar 3.6. Metode Forecasting
(Sumber: Haizer & Render, 2009)
Adapun kondisi yang harus terpenuhi dalam menggunakan metode kuantitatif,

yakni:
a. Informasi tentang masa lalu tersedia;
b. Informasi yang tersedia dapat dikuantitatifkan kedalam bentuk data numerik;
c. Dapat diasumsikan beberapa pola yang terdapat di masa lalu akan terus
berlanjut.
I. Teknik Peramalan
Pada modul perkuliahan peramalan ini, yang menjadi fokus bahasan utamanya
adalah peramalan jangka pendek. Keuntungan utama dari teknik peramalan jangka pendek
adalah kesederhanaannya. Kita dapat menggunakan model-model sederhana ini sebagai
tolok ukur untuk mengukur penerapan, keandalan, dan kebutuhan model-model yang lebih
canggih. Teknik-teknik ini disebut sebagai "teknik smoothing." Teknik ini sederhana dan
intuitif, membuatnya sangat berguna bagi manajer. Model-model ini memungkinkan analis
peramalan untuk membedakan antara fluktuasi acak dan pola dasar yang mendasari dalam
data.
Ada tiga jenis peramalan jangka pendek yanga akan dibahas dalam modul
perkuliahan ini yaitu: Naïve, Average, dan Smoothing. Masing-masing model ini memiliki

kelebihan dan kekurangan. Kesederhanaan model naïve membuatnya sangat berguna
untuk perkiraan cepat jika pola datanya sedemikian rupa, sehingga tidak ada banyak
perubahan antara satu periode waktu dan lainnya. Namun, keterbatasan model naïve
adalah bahwa ramalan masa depan hanya tergantung pada masa lalu langsung dan
mungkin ada keacakan yang signifikan dalam data.
Untuk menghilangkan keacakan dalam data, kita bisa menggunakan average. Teknik
average memberikan peningkatan terhadap model naïve, karena model ini
mempertimbangkan seluruh rangkaian waktu dan fluktuasi. Dalam teknik average, hanya
mengambil satu set nilai yang diamati dan menghitung rata-rata, dan kemudian
menggunakan rata-rata ini sebagai perkiraan. Dalam model rata-rata bergerak, analis harus
memiliki poin data historis sebanyak yang diperlukan untuk rata-rata bergerak. Untuk
mengatasi kelemahan dari teknik average, maka teknik smoothing dapat digunakan. Teknik
ini menggunakan pendekatan dengan pembobotan.
1) Metode Naïve
Teknik naïve adalah model peramalan yang paling hemat biaya dan efesien, para
pebisnis sering kali menghadapi suatu pilihan yang rumit ketika mencoba meramalkan
dengan data yang berukuran sangat kecil. Situasi ini menciptakan sebuah masalah karena
kebanyakan teknik peramalan memerlukan data yang besar. Peramalan dengan metode
Naïve merupakan penyelesaian yang mungkin jika semata-mata didasarkan pada informasi
yang tersedia sekarang. Teknik peramalan yang mengasumsikan permintaan periode
berikutnya sama dengan permintaan pada periode terakhir. Contoh: Jika diasumsikan
permintaan pada periode berikutnya sama dengan permintaan pada periode paling baru,
misalnya jika permintaan pada bulan November 90, maka permintaan pada bulan Desember
adalah 90 juga.
Tabel 3.1 Contoh Metode Naïve
Month Orders Per Forecast

Month
Jan 120 -
Feb 90 120
Mar 100 90
May 75 100
June 110 75
July 50 110
Aug 75 50
Sept 130 75
Okt 110 130
Nov 90 110
Des - 90

2) Moving Average Method (Metode Rata-Rata Bergerak)
Moving Average atau dalam bahasa Indonesia disebut dengan Rata-rata Bergerak
adalah salah satu metode peramalan bisnis yang sederhana dan sering digunakan untuk
memperkirakan kondisi pada masa yang akan datang dengan menggunakan kumpulan
data-data masa lalu (data-data historis). Dalam Manajemen Operasi dan Produksi,
kumpulan data disini dapat berupa volume penjualan dari historis perusahaan. Periode
waktu kumpulan data tersebut dapat berupa Tahunan, Bulanan, Mingguan bahkan Harian.
Metode Peramalan Moving Average ini sering digunakan dalam peramalan bisnis, seperti;
peramalan permintaan pasar (demand forecasting), analisis teknikal pergerakan saham dan
forex serta memperkirakan tren-tren bisnis di masa yang akan datang. Pada dasarnya,
Pengertian Moving Average atau Rata-rata bergerak adalah metode peramalan yang
menghitung rata-rata suatu nilai runtut waktu dan kemudian digunakan untuk
memperkirakan nilai pada periode selanjutnya. Moving Average atau Rata-rata Bergerak
diperoleh melalui penjumlahan dan pencarian nilai rata-rata dari sejumlah periode tertentu,
kemudian menghilangkan nilai terlamanya dan menambah nilai baru.
Metode Moving Average ini lebih baik digunakan untuk menghitung data yang
bersifat stabil atau data yang tidak berfluktuasi dengan tajam (data yang perubahan naik dan
turunnya sangat drastis). Hal ini dikarenakan data pada setiap periode diberikan bobot yang
sama sehingga tidak dapat mewakilkan periode-periode tertentu yang bersifat khusus
ataupun data periode terakhir yang biasanya dinilai sebagai data yang terbaik dalam
mengambarkan kondisi terkini. Oleh karena itu, munculah Metode-metode Moving
Average yang lain untuk mencoba mengatasinya, metode moving average yang lain
diantaranya adalah Metode Weighted Moving Average (Rata-rata Bergerak Berbobot) atau
disingkat dengan WMA dan Metode Exponential Smoothing (Metode Penghalusan
Bertingkat). Sedangkan Metode Moving Average yang sederhana ini sering disebut
dengan Simple Moving Average atau disingkat dengan SMA.
Rumus peramalan dengan metode moving average (rata-rata bergerak)
adalah:
MA = Σ Deman in Previos n Periods

n
Tabel 3.2 Contoh Moving Average Method
MONTH ORDERS PER FORECAST

MONTH
Jan 120 - MA = Σ Demand in Previos n Periods
Feb 90 - n
Mar 100 -

Apr 75 103.3
May 110 88.3 MA = 90 + 100 + 75
June 50 95.0 3
July 75 78.3
Aug 130 78.3 MA = 110 Order For Nov
Sept 110 86.0
Okt 90 105.0
Nov - 110.0
3) Weighted Moving Average (Metode Rata-Rata Bergerak Tertimbang)

WMA adalah merupakan sebuah penyempurnaan dari pendekatan Moving Average,
yakni dengan memberikan bobot pada data sebelumnya, secara umum, data terbaru
memiliki bobot lebih besar. Pembobotan yang sering digunakan antara 0 & 1, & jumlah
hingga 1,0.
Rumus perhitungan metode weighted moving average adalah sebagai berikut:
WMA = Σ (Weight For Period n) (Demand in period n)

Σ (Weight)
Tabel 3.3 Contoh Weighted Moving Average
Month Weght Data

August 17 % 130
September 33 % 110
October 50 % 90
November Forecast = Σ (Weight For Period n) (Demand in period n)

Σ (Weight)
= 0.50 (90) + 0.33 (110) + 0.17 (130)
= 103.4 orders
4) Exponential Smoothing (Penghalusan)

Menurut Render dan Heizer (2009), Penghalusan exponential adalah teknik
peramalan rata-rata bergerak dengan pembobotan dimana data diberi bobot oleh sebuah
fungsi exponential. Metode peramalan rata-rata bergerak yang memberikan bobot secara
eksponensial atau bertingkat pada data-data terbarunya sehingga data-data terbaru tersebut
akan mendapatkan bobot yang lebih besar. Dengan kata lain, semakin baru atau semakin
kini datanya, semakin besar pula bobotnya. Hal ini dikarenakan data yang terbaru dianggap
lebih relevan sehingga diberikan bobot yang lebih besar. Parameter penghalusan
(smoothing) biasanya dilambangkan dengan α (alpha). Peramalan dengan Exponential
Smoothing ini cukup mudah, yaitu dengan memasukan prakiraan permintaan sekarang

dengan data permintaan nyata atau data permintaan aktual ke dalam rumus Exponential
Smoothing.
Rumus Exponential Smoothing (Penghalusan Eksponensial):
F = α D + (1 - α) F
t +1 t t
Dimana:
Ft +1 = Perkiraan periode berikutnya
Dt = Permintaan aktual periode sekarang
Ft = Perkiraan sebelumnya untuk periode sekarang
α = Faktor pembobotan, penghalusan konstan
Konstanta Eksponential
0.0  a  1.0
If a = 0.20, then F = 0.20 D + 0.80 F
t +1 t t
If a = 0, then F =0D +1F =F
t +1 t t t
Forecast does not reflect recent data
If a = 1, then F = 1 D + 0 F = D
t +1 t t t
Forecast based only on most recent data
Tabel 3.4 Contoh Exponential Smoothing
Month Orders Per Forecast

Month α = 0,5 F = α D + (1 - α) F
Jan 37 - 2 1 1
Feb 40 37.00 F = (0.50) (37) + (0.50) (37) = 37

2
Mar 41 38.50
May 37 39.75 F = α D + (1 - α) F
April 45 38.37 3 2 2
June 50 41.68 F = (0.50) (40) + (0.50) (37) = 38.50
3
July 43 45.84
Aug 47 44.42 F = α D + (1 - α) F
4 3 3
Sept 56 45.71
F = (0.50) (41) + (0.50) (37,9) = 39.75
Okt 52 50.85 4
Nov 55 51.42
Des 54 53.21
Jan - 53.61
5) Adjusted Exponential Smoothing

(Penghalusan eksponensial yang disesuaikan)
Rumus peramalan dengan metode moving average (rata-rata bergerak) adalah:
AFt +1 = Ft +1 + Tt +1

Dimana:
T = Faktor tren yang dihaluskan secara eksponensial
Tt +1 = α (Ft +1 - Ft) + (1 - α) Tt
Dimana:
Tt = faktor tren periode terakhir
α = perataan konstan untuk tren 0 ≤ α ≤ 1
Tabel 3.5 Contoh Adjusted Exponential Smoothing
Month Orders Per Forecast T3 = α (F3 - F2) + (1 - α) T2

Month α = 0,5
= (0.30)(38.5 - 37.0) + (0.70)(0)
Jan 37 -
Feb 40 37.00 = 0.45
Mar 41 38.50 AF3 = F3 + T3 = 38.5 + 0.45
May 37 39.75
April 45 38.37 = 38.95
June 50 41.68 T13 = α (F13 - F12) + (1 - α) T12
July 43 45.84 = (0.30)(53.61 - 53.21) + (0.70)(1.77)
Aug 47 44.42
Sept 56 45.71 = 1.36
Okt 52 50.85 AF13 = F13 + T13 = 53.61 + 1.36 = 54.97
Nov 55 51.42
Des 54 53.21
Tabel 3.6 Contoh Adjusted Exponential Smoothing
Month Orders Per Forecast Trend Adjusted

Month α =0,5 Tt +1 Forecast
AFt +1
Jan 37 - - -
Feb 40 37.00 0.00 37.00
Mar 41 38.50 0.45 38.95
May 37 39.75 0.69 40.44
April 45 38.37 0.07 38.44
June 50 41.68 0.07 47.82
July 43 45.84 1.97 45.37
Aug 47 44.42 0.95 46.76
Sept 56 45.71 1.05 58.13
Okt 52 50.85 2.28 53.19
Nov 55 51.42 1.76 54.98
Des 54 53.21 1.77 54.96
Jan 53.61 1.36 54.96
6) Methode Forecast Error Equations (Kesalahan Perkiraan)

Setelah dilakukan perhitungan forecasting maka akan didapatkan hasil. Setelah
diperoleh hasil yang diinginkan maka dilakukan pengujian kesalahan (error) guna
memastikan tingkat akurasi dari hasil perhitungan yang telah dilakukan hal ini dikarenakan
semua kondisi forecasting selalu memiliki derajat ketidakpastian. Besarnya derajat

ketidakpastian dapat disebabkan oleh besarnya faktor tidak terduga (outliners), dimana tidak
ada satupun metode forecasting yang dapat menghasilkan hasil forecasting dengan akurat.
Jumlah error pada awal mulanya tidak dilakukan rata-rata yang digunakan sebagai
parameter besar kecilnya error hal ini dikarenakan adanya kemungkinan hasil nilai positif
dan negatif yang apabila dijumlahkan dan dirata-rata akan menghasilkan nilai yang sedikit
atau dapat dikatakan hasil forecasting yang seolah-olah memiliki rata-rata error kecil. Oleh
sebab itu pada beberapa metode pengujian error hal semacam ini diantisipasi menggunakan
absolute atau multlak yang menjadikan semua nilai yang ada menjadi positif, sehingga
apabila dihitung rata-rata error akan teridentifikasi jumlah error dan lebih mudah menilai
metode mana yang memiliki tingkat error yang kecil. Sehingga dapat disimpulkan bahwa
metode forecasting dikatakan baik apabila memiliki nilai error yang kecil.
a. Mean Absolute Deviation (MAD)

Adalah rata-rata kesalahan mutlak dalam suatu periode tertentu tanpa menghiraukan
apakah hasil forecasting lebih besar atau lebih kecil dibandingkan data sebenarnya. MAD
digunakan untuk mengetahui sejauh mana tingkat akurasi perhitungan dari metode
forecasting yang dilakukan. Secara matematis dapat dituliskan:
𝑀𝐴𝐷 = ∑|𝐴𝑡 − 𝐹𝑡|

𝑛
Keterangan:
At = nilai investasi aktual pada periode t
Ft = forecasting nilai investasi periode t
n = jumlah periode forecasting yang terlibat
b. Mean Square Error (MSE)

MSE merupakan metode yang digunakan sebagai perameter untuk melakukan
evaluasi terhadap keakurasian hasil forecasting dengan mengkuadratkan semua error yang
dihasilkan, kemudian dibagi dengan jumlah periode forecasting. Secara matematis, MSE
dapat dituliskan sebagai berikut:
MSE = ∑(𝐴𝑡 − 𝐹𝑡)2

𝑛
Keterangan:

Hasil forecasting dikatakan baik, apabila nilai MSE yang dihasilkan menunjukkan nilai
yang kecil, atau lebih kecil apabila dibandingkan dengan hasil perhitungan metode
forecasting lainnya. Semakin kecil nilai yang ditunjukkan oleh MSE, maka tingkat keakursian
hasil forecasting semakin tinggi.
c. Mean Absolute Percentage Error (MAPE)

MAPE adalah parameter ketetapan relatif dengan bentuk persentase yang
menyatakan penyimpangan dari hasil forecasting. Secara matematis dapat dituliskan:
𝑀𝐴𝑃𝐸 =∑ |𝐴𝑡 − 𝐹𝑡| 𝐴𝑡 × 100%

𝑛
Keterangan:
Metode yang memiliki nilai MAPE terkecil merupakan metode peramalan yang
terbaik.
Contoh:
Berikut contoh perhitungan forecasting menggunakan metode WMA: Diketahui data
penjualan suatu mini market dalam periode 4 bulan. Manajer mini market tersebut ingin
mengetahui penjualan bulan ke-5 menggunakan metode moving average menggunakan
bobot 0.5 bulan ke-3, 0.3 bulan ke-2, dan 0.2 bulan pertama. Dengan data penjualan
sebagai berikut:
Tabel 3.7 Contoh MAD, MSE, MAPE
[(At-Ft)/At]
Periode Actual Forecast At-Ft |At-Ft| At-Ft2
x100%
1 100
2 90
3 105
4 95 100 -5 5 25 0
5 98 97 1 1 1 0
TOTAL 390 197 4 6 6 0
MAD 3
MSE 13
MAPE 0

Hasil perhitungan di atas berdasarkan hasil yang diolah menggunakan microsoft
excel, berikut merupakan rincian dari perhitungan yang dilakukan:
a. Menghitung nilai forecasting menggunakan WMA.

F4 = ((100 × 0.2) + (90 × 0.3) + (105 × 0.5)) ÷ 1 = 99.5
F5 = ((90 × 0.2) + (105 × 0.3) + (95 × 0.5)) ÷ 1 = 97
Maka diperoleh nilai forecasting F4 = 99.5 dan F5 = 97. Setelah diketahui hasil
forecasting dari data actual, kemudian dicari nilai error dari hasil peritungan tersebut
menggunakan tiga metode pengujian error, yaitu MAD, MSE, dan MAPE:
b. Perhitungan MAD
MAD4 = |95 -100| ÷ 1 = 5
MAD5 = | 98-97 | ÷ 1 = 1
Maka diperoleh nilai MAD hasil forecasting adalah (5 + 1) ÷ 2 = 3
c. Perhitungan MSE
MSE4 = (95-100)2 ÷ 1 = 25
MSE5 = (98-97)2 ÷ 1 = 1
Maka diperoleh nilai MSE hasil forecasting adalah (25 + 1) ÷ 2 = 13
d. Perhitungan MAPE
MAPE4 = (|95-100| ÷ 95) × 100%) ÷ 1) = 0
MAPE5 = (| 98-97 | ÷ 98) × 100%) ÷ 1) = 0
Maka diperoleh nilai MAPE hasil forecasting adalah (0 + 0) ÷ 2 = 0
Latihan Soal:
Data penjualan PT. ABC sebagai berikut:
Tahun Bulan Aktual Penjualan

2018 Januari 178
Februari 172
Maret 168
April 174
Mei 192
Juni 201
Juli 190
Agustus 192
September 194
Oktober 190
November 200

Desember 210
Ditanyakan :
1. Hitunglah forecasting pada bulan januari 2019, dengan menggunakan metode berikut ini:
a. Metode Naïve
b. Moving Average Method
c. Weighted Moving Average
d. Exponential Smoothing
e. Adjusted Exponential Smoothing
2. Hitung Forecast Error Equations (Kesalahan Perkiraan) dengan menggunakan metode
berikut ini:
a. Mean Absolute Deviation (MAD)
b. Mean Square Error (MSE)
c. Mean Absolute Percentage Error (MAPE)
Daftar Pustaka
 Dyahrini, Wien, dkk. 2020. Modul Perkuliahan Manajemen Operasi. Bandung:

Universitas Widyatama.
 Ginting, Rosnani, 2007. “Sistem Produksi”. Yogyakarta: GRAHA ILMU.
 Heizer, Jay & Barry Render, 2011. “Manajemen Operasi”. Edisi Sembilan. Buku Dua.
Diterjemahkan oleh Chriswan Sungkono. Jakarta: Salemba Empat.
 Heizer, Jay dan Barry Render, 2009. “Manajemen Operasi Buku 1 Edisi 9”. Jakarta:
Salemba Empat.
 Herjanto, Eddy, 2008, “Manajemen Operasi Edisi Ketiga”, Jakarta: Grasindo.
 Lalu, Sumayang, 2003. “Dasar-dasar Manajemen Produksi dan Operasi”. Jakarta:
Penerbit Salemba Empat.
 Marwan Asri, Gunawan Adi Saputro, 2000. “Anggaran Perusahaan Edisi 3”. Yogyakarta:
BPFE.
 Stevenson, W.J., 2009. “Production/Operation Management, Third Edition”, Richard D
Irwin INC and Toppan Company LTD, Tokyo Japan
 Sudjana, Nana, dan Ibrahim, 1989. “Penelitian Kualitatif dan Kuantitatif”, Bandung: Sinar
Baru.
 Wignjosoebroto, Sritomo. 2003. “Pengantar Teknik dan Manajemen Industri”. Guna
Widya. Surabaya.
 William J. Stevenson. 2009. “Management Operation”. UK: Prentice Hall.

 Yudaruddin, Rizky, 2019. “Forecasting: “Untuk Kegiatan Ekonomi dan Bisnis”. RV
Pustaka Horizon Anggota IKAPI. Samarinda Kalimantan Timur.


7 Modul OSCM Forecasting

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

7 Modul OSCM Forecasting

Diunggah oleh

Hak Cipta:

Format Tersedia

MODUL PERKULIAHAN

Sekolah Program Studi Tatap Muka Kode MK Disusun Oleh

A. Pengertian peramalan (Forecasting)

B. Tujuan Peramalan (Forecasting)

C. Fungsi Peramalan (Forecasting)

2020 Operation Supply Chain Management Biro Akademik dan Pembelajaran

D. Manfat Peramalan (Forecasting)

E. Jenis-Jenis Peramalan (Forecasting)

2020 Operation Supply Chain Management Biro Akademik dan Pembelajaran

F. Dekomposisi Deret Waktu

2020 Operation Supply Chain Management Biro Akademik dan Pembelajaran

G. Langkah Sistem Peramalan

2020 Operation Supply Chain Management Biro Akademik dan Pembelajaran

Perancangan Model Peramalan

Analisis dan Interpertasi

2020 Operation Supply Chain Management Biro Akademik dan Pembelajaran

2020 Operation Supply Chain Management Biro Akademik dan Pembelajaran

2) Metode Kuantitatif (Objektif)

2020 Operation Supply Chain Management Biro Akademik dan Pembelajaran

3) Model Asosiatif (Causal)

2020 Operation Supply Chain Management Biro Akademik dan Pembelajaran

Adapun kondisi yang harus terpenuhi dalam menggunakan metode kuantitatif,

2020 Operation Supply Chain Management Biro Akademik dan Pembelajaran

Tabel 3.1 Contoh Metode Naïve

Month Orders Per Forecast

2020 Operation Supply Chain Management Biro Akademik dan Pembelajaran

MA = Σ Deman in Previos n Periods

Tabel 3.2 Contoh Moving Average Method

MONTH ORDERS PER FORECAST

2020 Operation Supply Chain Management Biro Akademik dan Pembelajaran

3) Weighted Moving Average (Metode Rata-Rata Bergerak Tertimbang)

WMA = Σ (Weight For Period n) (Demand in period n)

Tabel 3.3 Contoh Weighted Moving Average

Month Weght Data

November Forecast = Σ (Weight For Period n) (Demand in period n)

4) Exponential Smoothing (Penghalusan)

2020 Operation Supply Chain Management Biro Akademik dan Pembelajaran

Tabel 3.4 Contoh Exponential Smoothing

Month Orders Per Forecast

Feb 40 37.00 F = (0.50) (37) + (0.50) (37) = 37

5) Adjusted Exponential Smoothing

Rumus peramalan dengan metode moving average (rata-rata bergerak) adalah:

2020 Operation Supply Chain Management Biro Akademik dan Pembelajaran

Tabel 3.5 Contoh Adjusted Exponential Smoothing

Month Orders Per Forecast T3 = α (F3 - F2) + (1 - α) T2

Tabel 3.6 Contoh Adjusted Exponential Smoothing

Month Orders Per Forecast Trend Adjusted

6) Methode Forecast Error Equations (Kesalahan Perkiraan)

2020 Operation Supply Chain Management Biro Akademik dan Pembelajaran

a. Mean Absolute Deviation (MAD)

𝑀𝐴𝐷 = ∑|𝐴𝑡 − 𝐹𝑡|

b. Mean Square Error (MSE)

MSE = ∑(𝐴𝑡 − 𝐹𝑡)2

2020 Operation Supply Chain Management Biro Akademik dan Pembelajaran

c. Mean Absolute Percentage Error (MAPE)

𝑀𝐴𝑃𝐸 =∑ |𝐴𝑡 − 𝐹𝑡| 𝐴𝑡 × 100%

Tabel 3.7 Contoh MAD, MSE, MAPE

2020 Operation Supply Chain Management Biro Akademik dan Pembelajaran

a. Menghitung nilai forecasting menggunakan WMA.

Data penjualan PT. ABC sebagai berikut:

Tahun Bulan Aktual Penjualan

2020 Operation Supply Chain Management Biro Akademik dan Pembelajaran

 Dyahrini, Wien, dkk. 2020. Modul Perkuliahan Manajemen Operasi. Bandung:

2020 Operation Supply Chain Management Biro Akademik dan Pembelajaran