Machine Translated by Google

DASAR PERAMALAN

Prakiraan: Prediksi, proyeksi, atau perkiraan beberapa aktivitas, peristiwa, atau peristiwa di masa depan
kejadian.

Jenis Prakiraan
- Prakiraan ekonomi
o Memprediksi berbagai indikator ekonomi, seperti jumlah uang beredar, inflasi
suku bunga, suku bunga, dll.
- Prakiraan teknologi
o Memprediksi tingkat kemajuan teknologi dan inovasi.
- Perkiraan permintaan
o Memprediksi permintaan masa depan atas produk atau jasa perusahaan.

Karena hampir semua keputusan manajemen operasi (baik dalam kategori strategis
maupun taktis) memerlukan masukan berupa estimasi yang baik mengenai permintaan di
masa depan, jenis peramalan inilah yang ditekankan dalam buku teks kita dan dalam kursus
ini. JENIS-JENIS METODE PERAMALAN

Metode kualitatif: Jenis metode peramalan ini didasarkan pada penilaian, opini, intuisi, emosi,
atau pengalaman pribadi dan bersifat subjektif.
Mereka tidak bergantung pada perhitungan matematis yang ketat.

Metode kuantitatif: Jenis metode peramalan ini didasarkan pada model matematika
(kuantitatif), dan bersifat objektif. Mereka sangat bergantung pada perhitungan matematis.

METODE PERAMALAN KUALITATIF

Metode Kualitatif

Eksekutif Pasar Tenaga penjualan Delfi

Pendapat Survei Gabungan metode

Pendekatan di mana Pendekatan yang Pendekatan di mana Pendekatan di mana

sekelompok menggunakan setiap tenaga konsensus

manajer bertemu wawancara dan penjualan kesepakatan

dan secara kolektif survei untuk dicapai di antara
memperkirakan penjualan di wilayahnya
mengembangkan perkiraan menilai preferensi sekelompok ahli
pelanggan dan menilai permintaan
Machine Translated by Google

METODE PERAMALAN KUANTITATIF

Metode kuantitatif

Model Deret Waktu Model Asosiatif

Model deret waktu melihat pola data
masa lalu dan berupaya memprediksi
masa depan berdasarkan pola mendasar
yang terdapat dalam data tersebut.
Model asosiatif (sering disebut model
kausal) mengasumsikan bahwa
variabel yang diramalkan berkaitan dengan
variabel lain dalam lingkungan.
Mereka mencoba memproyeksikan
berdasarkan asosiasi tersebut.

MODEL SERI WAKTU

Model Keterangan

Naif Menggunakan nilai aktual periode terakhir sebagai perkiraan

Rata-rata Sederhana (Rata-rata) Menggunakan rata-rata semua data masa lalu sebagai perkiraan

Menggunakan rata-rata sejumlah observasi terbaru tertentu,

Rata-Rata Pergerakan Sederhana dengan setiap observasi mendapat penekanan (bobot) yang sama

Menggunakan rata-rata sejumlah observasi terbaru tertentu,

Rata-Rata Pergerakan Tertimbang dengan setiap observasi mendapat penekanan (bobot) berbeda

Prosedur rata-rata tertimbang dengan bobot yang menurun secara

Pemulusan Eksponensial
eksponensial seiring bertambahnya usia data

Teknik yang menggunakan metode kuadrat terkecil untuk

Proyeksi Tren
menyesuaikan garis lurus pada data

Mekanisme untuk menyesuaikan prakiraan untuk mengakomodasi pola

Indeks Musiman
musiman apa pun yang ada dalam data
Machine Translated by Google

DEKOMPOSISI SERI WAKTU

Pola yang mungkin ada dalam suatu deret waktu

Tren: Data menunjukkan pertumbuhan atau penurunan yang stabil seiring berjalannya waktu.

Musiman: Data menunjukkan perubahan naik dan turun dalam jangka waktu pendek hingga menengah (terutama
selama satu tahun).

Siklus: Data menunjukkan perubahan ke atas dan ke bawah dalam jangka waktu yang sangat lama.

Variasi acak: Variasi data yang tidak menentu dan tidak dapat diprediksi sepanjang waktu tanpa pola
yang jelas.
ILUSTRASI DEKOMPOSISI RANGKA WAKTU
Pola Hipotetis Permintaan Historis

Tuntutan

Waktu

KOMPONEN TREND DALAM PERMINTAAN SEJARAH

Tuntutan

Waktu
Machine Translated by Google

KOMPONEN MUSIM DALAM PERMINTAAN SEJARAH

Tuntutan

Tahun 1 Tahun 2 Tahun 3 Waktu

KOMPONEN SIKLUS DALAM PERMINTAAN SEJARAH

Tuntutan

Bertahun-tahun atau puluhan tahun Waktu

Machine Translated by Google

KOMPONEN ACAK DALAM PERMINTAAN SEJARAH

Tuntutan

Waktu

DATA SET UNTUK MENUNJUKKAN METODE PERAMALAN

Kumpulan data berikut mewakili serangkaian tuntutan hipotetis yang terjadi selama beberapa tahun berturut-turut. Data
dikumpulkan setiap triwulan, dan nilai triwulanan ini digabungkan menjadi total tahunan.

Untuk berbagai ilustrasi berikut, kami mungkin membuat asumsi yang sedikit berbeda tentang titik awal untuk memulai proses
pada model yang berbeda. Dalam kebanyakan kasus, kita berasumsi bahwa setiap tahun telah dibuat ramalan untuk tahun
berikutnya. Kemudian, setelah satu tahun berlalu, kita akan mengamati berapa permintaan sebenarnya (dan kita pasti akan
melihat perbedaan antara apa yang telah kita perkirakan dan apa yang sebenarnya terjadi, karena, bagaimanapun juga,
prakiraan tersebut hanyalah tebakan belaka).

Yang terakhir, untuk menjaga angka-angka pada ukuran yang dapat dikelola, beberapa angka nol telah dihilangkan
(yaitu, angka-angka ini mewakili permintaan dalam ribuan unit).

Tahun Kuartal 1 Kuartal 2 94 Kuartal 3 Kuartal 4 41 Total Permintaan Tahunan

1 62 113 310
2 73 110 130 52 365
3 79 118 140 58 395
4 83 124 146 62 415
89 135 161 65 450
56 94 139 162 70 465
Machine Translated by Google

ILUSTRASI METODE NAÏVE

Metode naif: Ramalan untuk periode berikutnya (periode t+1) akan sama dengan permintaan aktual periode ini (At).

Dalam ilustrasi ini kita berasumsi bahwa setiap tahun (dimulai pada tahun ke-2) kita membuat perkiraan, kemudian
menunggu untuk melihat permintaan apa yang terjadi pada tahun tersebut. Kami kemudian membuat ramalan untuk tahun
berikutnya, dan seterusnya hingga ramalan untuk tahun ke-7.

Sebenarnya

Tuntutan Ramalan
Tahun (Pada) (kaki) Catatan

-- Tidak ada data permintaan sebelumnya yang

1 310
menjadi dasar perkiraan untuk periode 1

Mulai saat ini, prakiraan ini dibuat berdasarkan tahun

2 365 310
demi tahun.

3 395 365

4 415 395

5 450 415

6 465 450

7 465

METODE MEAN (RATA-RATA SEDERHANA).

Metode mean (rata-rata sederhana): Ramalan untuk periode berikutnya (periode t+1) akan sama dengan rata-rata seluruh
permintaan historis di masa lalu.

Dalam ilustrasi ini kita berasumsi bahwa metode rata-rata sederhana digunakan. Kita juga akan berasumsi bahwa, jika tidak
ada data saat permulaan, kita membuat perkiraan untuk tahun pertama (300). Pada akhir tahun pertama kita bisa mulai
menggunakan metode peramalan ini. Dalam ilustrasi ini kita berasumsi bahwa setiap tahun (dimulai pada tahun ke-2) kita
membuat perkiraan, kemudian menunggu untuk melihat permintaan apa yang terjadi pada tahun tersebut. Kami
kemudian membuat ramalan untuk tahun berikutnya, dan seterusnya hingga ramalan untuk tahun ke-7.
Machine Translated by Google

Sebenarnya

Tuntutan Ramalan
Tahun (Pada) (kaki) Catatan

Ramalan ini awalnya hanya tebakan.

1 310 300

Mulai saat ini, prakiraan tersebut dibuat berdasarkan

2 365 310.000 tahun demi tahun dengan menggunakan
pendekatan rata-rata sederhana.
3 395 337.500
4 415 356.667
5 450 371.250
6 465 387.000
7 400.000

METODE RATA-RATA BERGERAK SEDERHANA

Metode rata-rata bergerak sederhana: Ramalan untuk periode berikutnya (periode t+1) akan sama dengan rata-rata sejumlah
pengamatan terkini, dengan masing-masing pengamatan mendapat penekanan (bobot) yang sama.

Dalam ilustrasi ini kami berasumsi bahwa simple moving average 2 tahun yang digunakan. Kita juga akan berasumsi bahwa,
jika tidak ada data saat permulaan, kita membuat perkiraan untuk tahun pertama (300).
Kemudian, setelah tahun pertama berlalu, kami membuat perkiraan untuk tahun ke-2 dengan menggunakan metode naif
(310). Lebih dari itu, kami memiliki data yang cukup untuk membuat prakiraan rata-rata pergerakan sederhana 2 tahun
kami terungkap sepanjang tahun.
Sebenarnya

Tuntutan Ramalan
Tahun (Pada) (kaki) Catatan

Ramalan ini awalnya hanya tebakan.

1 310 300

Perkiraan ini dibuat dengan menggunakan

2 365 310
pendekatan yang naif.

Mulai saat ini, prakiraan ini dibuat berdasarkan tahun

3 395 337.500 demi tahun dengan menggunakan pendekatan
rata-rata pergerakan 2 tahun.
4 415 380.000
5 450 405.000
6 465 432.500

7 457.500
Machine Translated by Google

ILUSTRASI RATA-RATA BERGERAK SEDERHANA LAINNYA

Dalam ilustrasi ini kami berasumsi bahwa simple moving average 3 tahun yang digunakan. Kita juga akan berasumsi bahwa,
jika tidak ada data saat permulaan, kita membuat perkiraan untuk tahun pertama (300).
Kemudian, setelah tahun pertama berlalu, kami menggunakan metode naif untuk membuat perkiraan untuk tahun ke-2 (310)
dan tahun ke-3 (365). Setelah itu, kami memiliki data yang cukup untuk membuat prakiraan rata-rata pergerakan sederhana 3
tahun kami terungkap sepanjang tahun.

Permintaan Ramalan
Tahun Aktual (Pada) (kaki) Catatan

Ramalan ini awalnya hanya tebakan.

1 310 300

Perkiraan ini dibuat dengan menggunakan

2 365 310
pendekatan yang naif.

Perkiraan ini dibuat dengan menggunakan

3 395 365
pendekatan yang naif.

Mulai saat ini, prakiraan ini dibuat berdasarkan tahun

4 415 356.667 demi tahun dengan menggunakan pendekatan
rata-rata pergerakan 3 tahun.
5 450 391.667
6 465 420.000

7 433.333

METODE RATA-RATA BERGERAK TERTIMBANG

Metode rata-rata pergerakan tertimbang: Ramalan untuk periode berikutnya (periode t+1) akan sama dengan rata-rata
tertimbang dari sejumlah pengamatan terkini.
Dalam ilustrasi ini kami berasumsi bahwa rata-rata pergerakan tertimbang 3 tahun digunakan. Kita juga akan berasumsi bahwa,
jika tidak ada data pada saat permulaan, kita membuat perkiraan untuk tahun pertama (300).
Kemudian, setelah tahun pertama berlalu, kami menggunakan metode naif untuk membuat perkiraan untuk tahun ke-2 (310)
dan tahun ke-3 (365). Di luar titik tersebut, kami memiliki data yang cukup untuk memungkinkan perkiraan rata-rata
pergerakan tertimbang 3 tahun kami terungkap sepanjang tahun. Bobot yang digunakan adalah sebagai berikut: Tahun
terakhir, 0,5; tahun sebelumnya, 0,3; tahun sebelumnya, .2

Permintaan Ramalan
Tahun Aktual (Pada) (kaki) Catatan

Ramalan ini awalnya hanya tebakan.

1 310 300

Perkiraan ini dibuat dengan menggunakan

2 365
3 395
310
pendekatan yang naif.
Perkiraan ini dibuat dengan menggunakan
365
pendekatan yang naif.

Mulai saat ini, prakiraan ini dibuat berdasarkan tahun

4 415 369.000 demi tahun dengan menggunakan perhitungan
wtd 3 tahun. rata-rata bergerak. mendekati.
450 399.000
56 465 428.500
7 450.500
Machine Translated by Google

METODE HALUS EKSPONENSIAL

Metode pemulusan eksponensial: Perkiraan baru untuk periode berikutnya (periode t) akan dihitung sebagai berikut:

Perkiraan baru = Perkiraan periode terakhir + ÿ(Permintaan aktual periode terakhir – Perkiraan periode terakhir)

(kotak ini berisi semua yang perlu Anda ketahui untuk menerapkan pemulusan eksponensial)
Ft = Ft-1 + ÿ(At-1 – Ft-1) (persamaan 1)

Ft = ÿAt-1 + (1-ÿ)Ft-1 (persamaan alternatif 1 – sedikit lebih mudah digunakan)

Dimana ÿ merupakan koefisien pemulusan yang nilainya antara 0 dan 1.

Metode pemulusan eksponensial hanya mengharuskan Anda menggali dua data untuk menerapkannya (permintaan aktual
terkini dan perkiraan terkini).

Fitur yang menarik dari metode ini adalah perkiraan yang dibuat dengan model ini akan mencakup sebagian dari setiap permintaan
historis. Selain itu, akan ada bobot berbeda yang diberikan pada nilai permintaan historis ini, dengan data lama yang menerima
bobot lebih rendah. Sekilas hal ini mungkin tidak terlihat jelas, namun properti ini diilustrasikan pada halaman berikut.

DEMONSTRASI: PENGHALUSAN EKSPONENSIAL MENCAKUP SEMUA DATA MASA LALU Catatan: manipulasi

matematis dalam kotak ini bukanlah sesuatu yang harus Anda lakukan saat menerapkan pemulusan eksponensial. Yang
perlu Anda gunakan hanyalah persamaan 1 di halaman sebelumnya. Demonstrasi ini bertujuan untuk meyakinkan mereka yang
skeptis bahwa ketika menggunakan persamaan 1, semua data historis akan disertakan dalam perkiraan, dan semakin tua
datanya, semakin rendah bobot yang diterapkan pada data tersebut.

Untuk membuat perkiraan untuk periode berikutnya, kami akan menggunakan persamaan alternatif 1 yang mudah digunakan:
Ft = ÿAt-1 + (1-ÿ)Ft-1 (persamaan 1)
Ketika kita membuat perkiraan untuk periode saat ini (Ft-1), hal itu dibuat dengan cara sebagai berikut:
Ft-1 = ÿAt-2 + (1-ÿ)Ft-2 (persamaan 2)
Jika persamaan 2 disubstitusikan ke persamaan 1 maka diperoleh persamaan berikut:
Ft = ÿPada-1 + (1-ÿ)[ÿPada-2 + (1-ÿ)Ft-2]
Yang dapat dibersihkan sebagai berikut:
Ft = ÿAt-1 + ÿ(1-ÿ)At-2 + (1-ÿ) 2Ft-2 (persamaan 3)
Kita dapat melanjutkan permainan tersebut dengan mengetahui bahwa Ft-2 = ÿAt-3 + (1-ÿ)Ft-3 (persamaan 4)
Jika persamaan 4 disubstitusikan ke persamaan 3 maka diperoleh persamaan berikut:
2
Ft = ÿPada-1 + ÿ(1-ÿ)Pada-2 + (1-ÿ) [ÿPada-3 + (1-ÿ)Ft-3]
Yang dapat dibersihkan menjadi sebagai berikut: Ft =
ÿAt-1 + ÿ(1-ÿ)At-2 + ÿ(1-ÿ) 2At-3 + (1-ÿ) 3Ft-3 Jika Anda terus
memainkan permainan itu , Anda harus mengetahui bahwa Ft = ÿAt-1 + ÿ(1-
ÿ)At-2 + ÿ(1-ÿ) 2At-3 + ÿ(1-ÿ) 3At-4 + ÿ (1-ÿ) 4At- 5 + ÿ (1-ÿ) 5Pada-6 ……….
Saat Anda menaikkan bobot desimal tersebut ke pangkat yang lebih tinggi, nilainya akan semakin kecil.
Machine Translated by Google

ILUSTRASI PENGHALUSAN EKSPONENSIAL

Dalam ilustrasi ini kita berasumsi bahwa, dengan tidak adanya data pada saat startup, kita membuat perkiraan untuk tahun
pertama (300). Kemudian, untuk setiap tahun berikutnya (dimulai tahun ke-2) kami membuat perkiraan menggunakan
model pemulusan eksponensial. Setelah perkiraan dibuat, kami menunggu untuk melihat permintaan yang terjadi
sepanjang tahun. Kami kemudian membuat ramalan untuk tahun berikutnya, dan seterusnya hingga ramalan untuk tahun
ke-7.
Kumpulan perkiraan ini dibuat menggunakan nilai ÿ sebesar 0,1
Sebenarnya

Tuntutan Ramalan
Tahun (A) (F) Catatan

Ini hanyalah dugaan, karena tidak ada data

1 310 300
permintaan sebelumnya.

Mulai saat ini, prakiraan ini dibuat setiap tahunnya

2 365 301 dengan menggunakan pemulusan
eksponensial dengan ÿ=.1
3 395 307.4
4 415 316.16
5 450 326.044
6 465 338.4396
7 351.09564

ILUSTRASI PENGHALUSAN EKSPONENSIAL KEDUA

Dalam ilustrasi ini kita berasumsi bahwa, dengan tidak adanya data pada saat startup, kita membuat perkiraan untuk tahun
pertama (300). Kemudian, untuk setiap tahun berikutnya (dimulai tahun ke-2) kami membuat perkiraan menggunakan
model pemulusan eksponensial. Setelah perkiraan dibuat, kami menunggu untuk melihat permintaan yang terjadi
sepanjang tahun. Kami kemudian membuat ramalan untuk tahun berikutnya, dan seterusnya hingga ramalan untuk tahun
ke-7.
Kumpulan perkiraan ini dibuat menggunakan nilai ÿ sebesar 0,2
Sebenarnya

Tuntutan Ramalan
Tahun (A) (F) Catatan

Ini hanyalah dugaan, karena tidak ada data

1 310 300
permintaan sebelumnya.

Mulai saat ini, prakiraan tersebut dibuat berdasarkan

2 365 302 tahun demi tahun menggunakan pemulusan
eksponensial dengan ÿ=.2
3 395 314.6
4 415 330.68
5 450 347.544

6 465 368.0352
7 387.42816
Machine Translated by Google

ILUSTRASI PENGHALUSAN EKSPONENSIAL KETIGA

Dalam ilustrasi ini kita berasumsi bahwa, dengan tidak adanya data pada saat startup, kita membuat perkiraan untuk tahun
pertama (300). Kemudian, untuk setiap tahun berikutnya (dimulai tahun ke-2) kami membuat perkiraan menggunakan
model pemulusan eksponensial. Setelah perkiraan dibuat, kami menunggu untuk melihat permintaan yang terjadi
sepanjang tahun. Kami kemudian membuat ramalan untuk tahun berikutnya, dan seterusnya hingga ramalan untuk tahun
ke-7.

Kumpulan perkiraan ini dibuat menggunakan nilai ÿ sebesar 0,4

Sebenarnya

Tuntutan Ramalan
Tahun (A) (F) Catatan

Ini hanyalah dugaan, karena tidak ada data

1 310 300
permintaan sebelumnya.

Mulai saat ini, prakiraan ini dibuat dari tahun ke

2 365 304 tahun dengan menggunakan pemulusan
eksponensial dengan ÿ=.4

3 395 328.4

4 415 355.04

5 450 379.024

6 465 407.4144

7 430.44864
Machine Translated by Google

PROYEKSI TREN

Metode proyeksi tren: Metode ini merupakan versi dari teknik regresi linier. Ini mencoba untuk menarik garis lurus
melalui titik-titik data historis dengan cara yang sedekat mungkin dengan titik-titik tersebut. (Secara teknis, pendekatan ini berupaya
mengurangi deviasi vertikal titik-titik dari garis tren, dan melakukannya dengan meminimalkan nilai kuadrat deviasi titik-titik dari
garis). Pada akhirnya, rumus statistik menghitung kemiringan garis tren (b) dan titik perpotongan garis tersebut dengan sumbu
y (a). Ini menghasilkan persamaan garis lurus

Y = a + bX

Dimana X mewakili nilai pada sumbu horizontal (waktu), dan Y mewakili nilai pada sumbu vertikal (permintaan).

Untuk data demonstrasi, perhitungan untuk b dan a mengungkapkan hal berikut (CATATAN: Saya tidak akan meminta
Anda membuat perhitungan statistik untuk b dan a; ini akan diberikan kepada Anda.
Namun, Anda perlu mengetahui apa yang harus dilakukan dengan nilai-nilai ini ketika diberikan kepada Anda.)

b = 30

sebuah = 295

kamu = 295 + 30X

Persamaan ini dapat digunakan untuk meramalkan tahun apa pun di masa depan. Misalnya:

Tahun 7: Ramalan = 295 + 30(7) = 505

Tahun 8: Ramalan = 295 + 30(8) = 535

Tahun 9: Ramalan = 295 + 30(9) = 565

Tahun 10: Ramalan = 295 + 30(10) = 595

Machine Translated by Google

STABILITAS VS. RESPONSIF DALAM PERAMALAN

Semua metode peramalan permintaan bervariasi dalam tingkat penekanannya pada perubahan permintaan terkini ketika
membuat perkiraan. Metode peramalan yang bereaksi sangat kuat (atau cepat) terhadap perubahan permintaan dikatakan
responsif. Metode peramalan yang tidak bereaksi cepat terhadap perubahan permintaan dikatakan stabil. Salah satu isu
penting dalam memilih metode peramalan yang tepat bergantung pada pertanyaan tentang stabilitas versus daya tanggap.
Seberapa besar stabilitas atau seberapa besar daya tanggap yang harus diterapkan merupakan fungsi dari fluktuasi
permintaan di masa lalu. Jika permintaan telah menunjukkan pola kenaikan (atau penurunan) yang stabil, maka diperlukan
respons yang lebih baik, karena kita ingin bereaksi dengan cepat terhadap kenaikan (atau penurunan) permintaan tersebut
ketika kita membuat perkiraan berikutnya. Di sisi lain, jika permintaan berfluktuasi ke atas dan ke bawah, maka diperlukan
stabilitas yang lebih baik, karena kita tidak ingin “bereaksi berlebihan” terhadap fluktuasi permintaan yang naik dan turun tersebut.

Untuk beberapa metode peramalan sederhana yang telah kami teliti, hal-hal berikut dapat diperhatikan:

Pendekatan Rata-Rata Bergerak: Menggunakan lebih banyak periode dalam perkiraan rata-rata bergerak Anda akan menghasilkan
lebih banyak stabilitas dalam perkiraan tersebut. Menggunakan periode yang lebih sedikit dalam perkiraan rata-rata pergerakan
Anda akan menghasilkan perkiraan yang lebih responsif.

Pendekatan Rata-Rata Pergerakan Tertimbang: Menggunakan lebih banyak periode dalam perkiraan rata-rata pergerakan
tertimbang Anda akan menghasilkan lebih banyak stabilitas dalam perkiraan tersebut. Menggunakan periode yang lebih
sedikit dalam perkiraan rata-rata pergerakan tertimbang akan menghasilkan perkiraan yang lebih responsif. Selain itu,
memberikan bobot yang lebih rendah pada permintaan terkini akan menghasilkan stabilitas perkiraan yang lebih baik.
Memberikan bobot yang lebih tinggi pada permintaan terkini akan menghasilkan perkiraan yang lebih tanggap.

Pendekatan Pemulusan Eksponensial Sederhana: Menggunakan nilai alpha (ÿ) yang lebih rendah akan menghasilkan
stabilitas perkiraan yang lebih baik. Menggunakan nilai alfa (ÿ) yang lebih tinggi akan menghasilkan perkiraan yang lebih responsif.
Machine Translated by Google

MASALAH MUSIM DALAM PERAMALAN

Sampai saat ini kita telah melihat beberapa cara untuk membuat ramalan untuk tahun mendatang. Dalam banyak
kasus, manajer mungkin menginginkan lebih banyak detail dibandingkan hanya perkiraan tahunan. Mereka
mungkin ingin memiliki proyeksi untuk periode waktu tertentu dalam tahun tersebut (misalnya minggu, bulan, atau
kuartal). Mari kita asumsikan bahwa perkiraan permintaan kita untuk tahun mendatang adalah 480, namun
manajemen menginginkan perkiraan untuk setiap kuartal dalam tahun tersebut. Pendekatan sederhananya adalah
dengan membagi total perkiraan tahunan sebesar 480 dengan 4, sehingga menghasilkan 120. Kita kemudian dapat
memproyeksikan bahwa permintaan untuk setiap triwulan dalam setahun adalah 120. Namun tentu saja,
perkiraan tersebut bisa dianggap tidak akurat. , karena pengujian terhadap tabel asli data historis kami menunjukkan
bahwa permintaan tidak seragam di setiap triwulan dalam setahun. Tampaknya terdapat puncak dan lembah
yang berbeda (yaitu, wilayah dengan permintaan lebih tinggi dan wilayah dengan permintaan lebih rendah).
Grafik di bawah mengenai permintaan triwulanan historis dengan jelas menunjukkan puncak dan lembah tersebut sepanjang tahun.

Permintaan Kuartalan Selama Enam Tahun Sejarah

200

150

Tuntutan

100

50

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Kuartal Berurutan Selama Enam Tahun

Mekanisme untuk menghadapi musiman diilustrasikan pada beberapa halaman berikutnya.

Machine Translated by Google

MENGHITUNG NILAI INDEKS MUSIM

Dengan cara ini Anda akan menemukan nilai indeks musiman yang dihitung di buku teks. Mulailah dengan
menghitung permintaan rata-rata pada masing-masing empat kuartal dalam setahun.

Kol.1 Kol.2 Kol.3 Kol.4 Kol.5 Kol.6

Tahunan
Tahun Q1 Q2 Q3 Q4
Tuntutan
1 62 94 113 41 310
2 73 110 130 52 365
3 79 118 140 58 395
4 83 124 146 62 415
89 135 161 65 450
56 94 139 162 70 465

(62+73+ (94+110+ (113+130+ (41+52+

Rata-rata
79+83+ 118+124+ 140+146+ 58+62+
Tuntutan
89+94) 135+139) 6 161+162) 6 65+70)
Per Kuartal.
6 = 80 = 120 = 142 6 = 58

Selanjutnya, perhatikan bahwa total permintaan selama enam tahun sejarah ini adalah 2400 (yaitu, 310 + 365 + 395 + 415 +
450 + 465), dan jika total permintaan sebesar 2400 ini tersebar merata di masing-masing 24 kuartal dalam periode ini,
periode enam tahun, rata-rata permintaan triwulanan adalah 100 unit.
Cara lain untuk melihatnya adalah rata-rata triwulanan adalah 100 unit, yaitu
(80 + 120 + 142 + 58)/4 = 100 satuan.

Namun angka-angka di atas menunjukkan bahwa permintaan tidak merata di setiap kuartal. Pada Kuartal 1, rata-rata
permintaan jauh di bawah 100 (rata-rata mencapai 80 pada Kuartal 1). Pada Kuartal 2 dan 3, rata-rata permintaan
jauh di atas 100 (dengan rata-rata masing-masing 120 dan 142). Terakhir, pada Kuartal 4 rata-rata permintaan berada
di bawah 100 (rata-rata 58 pada Kuartal 4). Kita dapat menghitung indeks musiman untuk setiap triwulan dengan
membagi rata-rata permintaan triwulanan dengan 100 yang akan terjadi jika semua permintaan didistribusikan secara
merata di seluruh triwulan.

Hal ini akan menghasilkan nilai indeks musiman alternatif berikut:

Tahun Q1 Q2 Q3 Q4
Musiman 80/100 = 120/100 = 142/100 = 58/100 =
Indeks 0,80 1,20 1,42 0,58

Pemeriksaan cepat terhadap nilai indeks musiman alternatif ini menunjukkan bahwa rata-ratanya adalah 1,0 (sebagaimana
mestinya). (0,80 + 1,20 + 1,42 + 0,58)/4 = 1.000
MENGGUNAKAN NILAI INDEKS MUSIM
Machine Translated by Google

Prakiraan berikut dibuat untuk 4 tahun ke depan dengan menggunakan pendekatan garis proyeksi tren (rumus proyeksi
tren yang dikembangkan adalah Y = 295 + 30X, dimana Y adalah ramalan dan X adalah angka tahun).

Prakiraan Tahun
7 505
8 535
9 565
10 595

Jika prakiraan tahunan ini didistribusikan secara merata setiap tahunnya, maka prakiraan triwulanan akan terlihat seperti
berikut:

Tahunan
Tahun Q1 Q2 Q3 Q4 Tahunan/4
Ramalan
7 126,25 126,25 126,25 126,25 505 126.25
8 133,75 133,75 133,75 133,75 535 133,75
9 141,25 141,25 141,25 141,25 565 141.25
10 148,75 148,75 148,75 148,75 595 148,75

Namun, faktor musiman pada permintaan di masa lalu menunjukkan bahwa prakiraan ini tidak didistribusikan secara
merata pada setiap kuartal. Kita harus mengambil pembagian ini dan mengalikannya dengan nilai indeks musiman (SI)
untuk mendapatkan perkiraan triwulanan yang lebih masuk akal. Hasil perhitungan tersebut ditunjukkan di bawah
ini.

SI 0,80 1.20 1.42 .58

Tahunan
Tahun Q1 Q2 Q3 Q4
Ramalan
7 101.000 151.500 179.275 107.000 73.225 505
8 160.500 189.925 113.000 169.500 77.575 535
9 200.575 81.925 565
10 119.000 178.500 211.225 86.275 595

Jika Anda memeriksa pembagian akhir ini, Anda akan melihat bahwa jumlah perkiraan triwulanan untuk tahun tertentu akan
sama dengan total perkiraan tahunan untuk tahun tersebut (terkadang mungkin terdapat sedikit perbedaan pembulatan).
Machine Translated by Google

METODE LAIN UNTUK MEMBUAT PERAMALAN MUSIM

Mari kita kembali dan memeriksa kembali data historis yang kita miliki untuk masalah ini. Saya telah menempatkan sedikit
pemisahan di antara kolom-kolom setiap kuartal agar Anda dapat memvisualisasikan dengan lebih baik fakta bahwa kita dapat
melihat salah satu dari kumpulan data vertikal tersebut dan memperlakukannya sebagai rangkaian waktu. Misalnya, kolom Q1
menampilkan perkembangan permintaan kuartal 1 selama enam tahun terakhir. Seseorang dapat dengan mudah mengupas
kumpulan data tersebut dan menggunakannya bersama dengan metode peramalan mana pun yang telah kami uji untuk
memperkirakan permintaan Q1 di tahun ke-7. Kami dapat melakukan hal yang sama untuk masing-masing dari tiga
kumpulan data triwulanan lainnya.

Tahun Q1 Q2 Q3 Q4
62 94 113 41
1 73 110 130 52
2 79 118 140 58
34 83 124 146 62
89 135 161 65
56 94 139 162 70

Sebagai ilustrasi, saya telah menggunakan metode garis tren linier pada strip data kuartal 1, yang akan menghasilkan garis tren
berikut:

Y = 58,8 + 6,0571X

Untuk tahun ke 7, X = 7, sehingga perkiraan Q1 yang dihasilkan untuk tahun ke 7 adalah 101.200

Kita dapat melakukan hal yang sama dengan strip data Q2, Q3, dan Q4. Untuk setiap jalur kami akan menghitung
persamaan garis tren dan menggunakannya untuk memproyeksikan permintaan tahun ke-7 pada kuartal tersebut. Hasil tersebut
dirangkum di sini:

Garis tren Q2: Y = 89,4 + 8,7429X; Perkiraan tahun 7 Q2 adalah 150.600

Garis tren Q3: Y = 107,6 + 9,8286X; Perkiraan tahun 7 Q3 adalah 176.400
Garis tren Q4: Y = 39,2 + 5,3714X; Perkiraan tahun 7 Q4 adalah 76.800

Total prakiraan tahun ke 7 = 101.200 + 150.600 + 176.400 + 76.800 = 505.000

Perkiraan triwulanan ini sama dengan perkiraan yang dibuat dengan nilai indeks musiman sebelumnya. Memang sedikit
berbeda, tapi kita tidak bisa mengatakan mana yang benar dan mana yang salah. Itu hanyalah prediksi yang sedikit
berbeda tentang apa yang akan terjadi di masa depan. Mereka memang memberikan perkiraan total tahunan yang sama
dengan perkiraan proyeksi tren yang dibuat untuk tahun ke-7. (Jangan berharap hal ini terjadi setiap saat, namun karena hal ini
menguatkan hasil yang diperoleh dengan metode yang berbeda, hal ini memberikan kita keyakinan akan hasil yang diperoleh
dengan metode yang berbeda. perkiraan yang telah kami buat.)
Machine Translated by Google

METODE PERAMALAN ASOSIASI

Model peramalan asosiatif (causal model) mengasumsikan bahwa variabel yang diramalkan (variabel terikat) mempunyai hubungan
dengan variabel lain (variabel bebas) dalam lingkungan. Pendekatan ini mencoba memproyeksikan permintaan berdasarkan asosiasi
tersebut. Dalam bentuknya yang paling sederhana, regresi linier digunakan untuk menyesuaikan garis pada data. Garis tersebut kemudian
digunakan untuk meramalkan variabel terikat untuk beberapa nilai variabel bebas yang dipilih.

Dalam ilustrasi ini distributor drywall di masyarakat lokal memiliki data historis permintaan selama delapan tahun terakhir serta data
jumlah izin yang telah dikeluarkan untuk pembangunan rumah baru.
Data tersebut ditampilkan pada tabel berikut:

# izin pembangunan Permintaan lembaran

Tahun rumah baru drywall berukuran 4'x8'
2004 400 60.000
2005 320 46.000
2006 290 45.000
2007 360 54.000
2008 380 60.000
2009 320 48.000
2010 430 65.000
2011 420 62.000

Jika kita mencoba melakukan analisis deret waktu terhadap permintaan, hasilnya tidak akan masuk akal, karena plot cepat antara
permintaan vs. waktu menunjukkan bahwa tidak ada hubungan pola yang jelas di sini, seperti terlihat di bawah.

Permintaan vs. Waktu

70000
65000
60000
55000
Tuntutan

50000
45000
40000
35000
30000
2003 2004 2005 2006 2007 2008 2009 2010 2011
Tahun

METODE PERAMALAN ASOSIASI (LANJUTAN)

Jika Anda menggambarkan hubungan antara permintaan dan jumlah izin mendirikan bangunan, akan muncul pola yang lebih masuk
akal. Hal ini menunjukkan bahwa permintaan terhadap produk ini akan lebih rendah bila izin mendirikan bangunan yang dikeluarkan lebih
sedikit, dan akan lebih tinggi bila izin yang dikeluarkan lebih banyak. Oleh karena itu, regresi akan digunakan untuk
Machine Translated by Google

menjalin hubungan antara variabel terikat (permintaan) dan variabel bebas (Izin Mendirikan
Bangunan).

Permintaan vs. Izin Konstruksi

70000

60000

50000

Tuntutan 40000

30000

20.000

10.000

0
250 300 350 400 450
Izin Konstruksi

Variabel bebas (X) adalah jumlah izin mendirikan bangunan. Variabel terikat (Y) adalah permintaan drywall.

Penerapan rumus regresi menghasilkan model peramalan sebagai berikut:

kamu = 250 + 150X

Jika perusahaan berencana menemukan dari catatan publik bahwa 350 izin konstruksi telah diterbitkan pada
tahun 2012, maka perkiraan yang masuk akal mengenai permintaan drywall pada tahun 2012 adalah:

Y = 250 + 150(350) = 250 + 52.500 = 52.750

(yang berarti perkiraan permintaan tahun depan adalah 52.750 lembar drywall)
Machine Translated by Google

MENGUKUR KEAKURATAN PERAMALAN

Mean Forecast Error (MFE): Kesalahan perkiraan adalah ukuran seberapa akurat perkiraan kita dalam jangka waktu
tertentu. Hal ini dihitung sebagai permintaan aktual dikurangi perkiraan, atau

Et = Pada - Ft

Kesalahan ramalan dalam satu periode waktu tidak menyampaikan banyak informasi, sehingga kita perlu melihat
akumulasi kesalahan dari waktu ke waktu. Kita dapat menghitung nilai rata-rata kesalahan perkiraan ini dari waktu ke
waktu (yaitu, Mean Forecast Error, atau MFE). Sayangnya, akumulasi dari Et
nilai-nilai tidak selalu sangat terbuka, karena sebagian di antaranya merupakan kesalahan positif dan sebagian lagi
negatif. Kesalahan positif dan negatif ini saling menghilangkan satu sama lain, dan jika hanya melihatnya saja (atau
melihat MFE dari waktu ke waktu) mungkin memberikan rasa aman yang salah. Sebagai ilustrasi, pertimbangkan data
asli kami, dan pasangan perkiraan hipotetis yang dibuat dengan dua metode perkiraan berbeda.

Hipotetis Hipotetis
Prakiraan Ramalan Prakiraan Ramalan
Sebenarnya Dibuat dengan Kesalahan Dengan Dibuat dengan Kesalahan Dengan

Tuntutan Metode 1 Metode 1 Metode 2 Metode 2

Tahun Pada kaki Di - Ft kaki Di - Ft
310 315 -5 370 -60
1 365 375 -10 455 -90
2 395 390 305 90
3 415 405 5 535 -120
4 450 435 10 390 60
56 465 480 15 -15 345 120
Akumulasi Kesalahan Perkiraan 0 0
Rata-rata Kesalahan Ramalan, MFE 0/6 = 0 0/6 = 0

Berdasarkan akumulasi kesalahan perkiraan dari waktu ke waktu, kedua metode tersebut terlihat sama bagusnya. Namun,
sebagian besar pengamat akan menilai bahwa Metode 1 menghasilkan prakiraan yang lebih baik dibandingkan Metode 2 (yaitu,
kesalahan yang lebih kecil).
Machine Translated by Google

MENGUKUR KEAKURATAN PERAMALAN

Mean Absolute Deviation (MAD): Untuk menghilangkan masalah kesalahan positif dan menghilangkan kesalahan
negatif, pengukuran sederhana adalah dengan melihat nilai absolut dari kesalahan (ukuran penyimpangan, apa pun tandanya).
Jika kita mengabaikan tandanya dan hanya mempertimbangkan besarnya kesalahan, kita menyebut simpangan ini sebagai
simpangan absolut. Jika kita mengumpulkan deviasi absolut ini dari waktu ke waktu dan menemukan nilai rata-rata dari deviasi

absolut tersebut, kita menyebut ukuran ini sebagai deviasi absolut rata-rata (MAD). Untuk dua metode peramalan hipotetis kami,
deviasi absolut dapat dihitung untuk setiap tahun dan rata-rata dapat diperoleh untuk deviasi absolut tahunan tersebut,
sebagai berikut:

Metode Peramalan Hipotetis 1 Metode Peramalan Hipotetis 2

Sebenarnya Ramalan Mutlak Ramalan Mutlak

Tuntutan Ramalan Kesalahan Deviasi Ramalan Kesalahan Deviasi
Tahun Pada kaki Di - Ft |Pada - Kaki| kaki Di - Ft |Pada - Kaki|

310 315 -5 5 370 -60 60

1 365 375 -10 10 455 -90 90
2 395 390 5 305 90 90
3 415 405 5 10 535 -120 120
4 450 435 10 15 390 60 60
56 465 480 15 -15 15 345 120 120

Deviasi Absolut Total 60 540

Rata-rata Deviasi Absolut 60/6=10 540/6=90

Kesalahan yang lebih kecil dari Metode 1 telah diformalkan dengan perhitungan MAD. Metode 1 tampaknya memberikan prakiraan
yang lebih akurat dalam kurun waktu enam tahun ini, sebagaimana dibuktikan dengan MAD yang jauh lebih kecil.
Machine Translated by Google

MENGUKUR KEAKURATAN PERAMALAN

Mean Squared Error (MSE): Cara lain untuk menghilangkan masalah kesalahan positif dan membatalkan kesalahan
negatif adalah dengan mengkuadratkan kesalahan perkiraan. Terlepas dari apakah kesalahan ramalan mempunyai tanda positif
atau negatif, kesalahan kuadrat akan selalu mempunyai tanda positif. Jika kita mengumpulkan kesalahan kuadrat ini
dari waktu ke waktu dan menemukan nilai rata-rata dari kesalahan kuadrat ini, kita menyebut ukuran ini sebagai mean squared error
(MSE). Untuk dua metode peramalan hipotetis kami, kesalahan kuadrat dapat dihitung untuk setiap tahun dan rata-rata dapat
diperoleh untuk kesalahan kuadrat tahunan tersebut, sebagai berikut:

Metode Peramalan Hipotetis 1 Metode Peramalan Hipotetis 2

Sebenarnya Ramalan Kuadrat Ramalan Kuadrat

Tuntutan Ramalan Kesalahan Kesalahan Ramalan Kesalahan Kesalahan
2 2
Tahun Pada kaki Di - Ft (Pada - Kaki) kaki Di - Ft (Pada - Kaki)

310 315 -5 25 370 -60 3600

1 365 375 -10 100 455 -90 8100
2 395 390 25 305 90 8100
3 415 405 5 100 535 -120 14400
4 450 435 10 225 390 60 3600
56 465 480 15 -15 225 345 120 14400

Kesalahan Kuadrat Total 700 52200

700/6 = 52200/6 =
Kesalahan Berarti Kuadrat
116.67 8700

Metode 1 tampaknya memberikan prakiraan yang lebih akurat dalam kurun waktu enam tahun ini, sebagaimana
dibuktikan dengan UMK yang jauh lebih kecil.

Pertanyaan yang sering muncul adalah mengapa seseorang menggunakan MSE yang lebih rumit ketika perhitungan MAD sedikit
lebih sederhana (Anda tidak perlu mengkuadratkan deviasinya). MAD memang memiliki keunggulan perhitungan yang lebih
sederhana. Namun, ada keuntungan dari metode UMK. Karena metode ini mengkuadratkan suku kesalahan, kesalahan yang
besar cenderung diperbesar. Akibatnya, UMK memberikan hukuman yang lebih tinggi pada kesalahan besar. Hal ini dapat
berguna dalam situasi di mana kesalahan perkiraan yang kecil tidak menyebabkan banyak masalah, namun kesalahan yang besar
dapat berakibat buruk.
Machine Translated by Google

MENGUKUR KEAKURATAN PERAMALAN

Mean Absolute Percent Error (MAPE): Masalah pada MAD dan MSE adalah nilainya bergantung pada besarnya item yang
diramalkan. Jika item ramalan diukur dalam ribuan atau jutaan, nilai MAD dan MSE bisa sangat besar. Untuk menghindari
masalah ini, kita bisa menggunakan MAPE. MAPE dihitung sebagai rata-rata selisih absolut antara nilai perkiraan dan nilai
aktual, yang dinyatakan sebagai persentase dari nilai sebenarnya. Intinya, kita melihat seberapa besar kesalahan tersebut
dibandingkan dengan nilai sebenarnya. Untuk dua metode peramalan hipotetis kami, persentase kesalahan absolut dapat
dihitung untuk setiap tahun dan rata-rata dapat diperoleh untuk nilai tahunan tersebut, sehingga menghasilkan MAPE,
sebagai berikut:

Metode Peramalan Hipotetis 1 Metode Peramalan Hipotetis 2

Sebenarnya Ramalan Ramalan

Mutlak Mutlak
Tuntutan Ramalan Kesalahan Ramalan Kesalahan
% Kesalahan % Kesalahan
Tahun Pada kaki Di - Ft 100|Pada - Kaki|/Pada kaki Di - Ft 100|Pada - Kaki|/Pada

310 315 -5 1,16% 370 -60 19,35%

1 365 375 -10 2,74% 455 -90 24,66%
2 395 390 1,27% 305 90 22,78%
3 415 405 5 2,41% 535 -120 28,92%
4 450 435 10 3,33% 390 60 13,33%
56 465 480 15 -15 3,23% 345 120 17,14%

Total % Absolut Kesalahan 14,59% 134,85%

14,59/6= 134,85/6=
Berarti % Kesalahan Absolut
2,43% 22,48%

Metode 1 tampaknya memberikan prakiraan yang lebih akurat dalam jangka waktu enam tahun, sebagaimana
dibuktikan oleh fakta bahwa persentase perkiraan yang tidak sesuai dengan permintaan sebenarnya lebih kecil dengan
Metode 1 (yaitu, MAPE lebih kecil).
Machine Translated by Google

ILUSTRASI EMPAT UKURAN KEAKURATAN PRAKIRAAN

Berikut adalah ilustrasi lebih lanjut dari empat ukuran keakuratan perkiraan, kali ini menggunakan
perkiraan hipotetis yang dihasilkan menggunakan beberapa metode yang berbeda dari ilustrasi
sebelumnya (disebut metode perkiraan A dan B; sebenarnya, perkiraan ini dibuat untuk tujuan ilustrasi).
Perhitungan ini menggambarkan mengapa kita tidak bisa hanya mengandalkan satu ukuran keakuratan
perkiraan.

Metode Peramalan Hipotetis A Metode Peramalan Hipotetis B

Sebenarnya Ramalan Mutlak Kuadrat Abs. % Ramalan Mutlak Kuadrat Abs. %

Tuntutan Ramalan Kesalahan Deviasi Deviasi Kesalahan Ramalan Kesalahan Deviasi Deviasi Kesalahan
2 2
Tahun Pada kaki Di - Ft |Pada - Kaki| (Pada - Kaki) |Di-Ft|/Pada kaki Di - Ft |Pada - Kaki| (Pada - Kaki) |Di-Ft|/Pada

1 310 330 -20 20 400 6,45% 310 0 0 0 0%

2 365 345 20 20 400 5,48% 365 0 0 0 0%

3 395 415 -20 20 400 5,06% 395 0 0 0 0%

4 415 395 20 20 400 4,82% 415 0 0 0 0%

5 450 430 20 20 400 4,44% 390 60 60 3600 13,33%

6 465 485 -20 20 400 4,30% 525 -60 60 3600 12,90%

Total 0 120 2400 30,55% Total 0 120 7200 26,23%

MFE = GILA = UMK = PETA= MFE = GILA = UMK = PETA=

0/6 = 120/6 = 2400/6 = 30.55/6 0/6 = 120/6 = 7200/6 = 26.23/6
0 20 400 5,09% 0 20 1200 4,37%

Anda dapat mengamati bahwa untuk masing-masing metode peramalan ini, hasil MFE yang sama dan hasil
MAD yang sama. Dengan dua ukuran ini, kita tidak mempunyai dasar untuk mengklaim bahwa salah satu
metode peramalan lebih akurat dibandingkan yang lain. Dengan mempertimbangkan beberapa ukuran
akurasi, kita dapat melihat semua data dalam upaya menentukan metode peramalan yang lebih baik untuk
digunakan. Interpretasi hasil ini akan dipengaruhi oleh bias pengambil keputusan dan parameter situasi
pengambilan keputusan. Misalnya, seorang pengamat dapat melihat ramalan dengan metode A dan
mencatat bahwa ramalan tersebut cukup konsisten karena ramalan tersebut selalu meleset dalam jumlah
yang sedikit (dalam hal ini, hilang sebanyak 20 unit setiap tahun). Namun, metode peramalan B sangat
baik pada beberapa tahun, dan sangat buruk pada beberapa tahun (hilang sebanyak 60 unit pada tahun ke-5 dan ke-6).
Pengamatan tersebut mungkin menyebabkan individu tersebut lebih menyukai keakuratan dan
konsistensi metode peramalan A. Pengamatan kausal ini diformalkan dalam perhitungan MSE.
Metode peramalan A memiliki MSE yang jauh lebih rendah dibandingkan metode peramalan B.
Pengkuadratan memperbesar kesalahan besar yang diamati dengan metode peramalan B. Namun,
orang lain mungkin melihat hasil ini dan lebih memilih metode B, karena besarnya kesalahan relatif
ukuran permintaan aktual lebih kecil dibandingkan metode A, seperti yang ditunjukkan oleh perhitungan
MAPE.