Metode Peramalan:

Model time series dalam peramalan: model dengan memanfaatkan data lama untuk
memprediksi kebutuhan pada waktu yang akan datang.
Model asosiatif: memformulasikan kaitan antara kebutuhan dan variabel penentu
dalam sebuah fungsi dan memanfaatkan fungsi tersebut untuk memprediksi
kebutuhan pada waktu yang akan datang.

Elemen-elemen dalam peramalan:

 Permintaan
 Waktu
 Siklus
 Trend
 Rata-rata
 Randomness

Trend

Per
mint Siklus
aan

Rata-rata

Elemen-elemen dalam peramalan Waktu

Beberapa metode peramalan:

 Moving average

Moving average=
∑ permintaan n periode sebelumnya
n

1
Contoh:

Permintaan Moving average 4 bulan

Bulan
riil (∑permintaan 4 bulan/4)
Januari 24
Pebruari 26
(24 + 26 + 32 +34)/4 = 29
Maret 32
April 34
Mei 32 29
Juni 45 31
Juli 34 35,75
Agustus 28 36,25
September 42 34,75
Oktober 22 37,25
November 42 31,5
Desember 18 33,5

 Weighted moving average

Weighted Moving average=

∑ ( permintaan periode n)(bobot periode n)
∑ bobot
Peramalan dilakukan dengan mengambil data selama 4 bulan dengan bobot masing-
masing 4, 3, 2, 1. Bobot lebih besar diberikan untuk bulan-bulan yang lebih akhir.
Contoh:

Bulan Permintaan riil Weighted moving average 4 bulan

Januari 24
Pebruari 26
(4×34 + 3×32 + 2×26 +1×24)/10 = 30,8
Maret 32
April 34
Mei 32 30,8
Juni 45 32,0
Juli 34 37,6
Agustus 28 36,9
September 42 33,6
Oktober 22 36,5
November 42 30,4
Desember 18 34,6

2
 Perbedaan ramalan moving average dan weighted moving average 4
bulan

Bulan Permintaan 4 bulan moving 4 bulan moving average

riil average dengan pembobotan
Januari 24
Pebruari 26
Maret 32
April 34
Mei 32 29 30,8
Juni 45 31 32,0
Juli 34 35,75 37,6
Agustus 28 36,25 36,9
September 42 34,75 33,6
Oktober 22 37,25 36,5
November 42 31,5 30,4
Desember 18 33,5 34,6

40

Pe 30
rm
int
aa
n

20 Permintaan Riil 4 bulan moving average 4 bulan moving

dengan pembobotan average

2 4 6 8 10 12
Waktu

 Exponential Smoothing

Ramalan baru = ramalan terakhir + α(permintaan riil terakhir –

ramalan terakhir)

Rt =Rt −1+ α ( Pt −1−Rt −1)

3
Contoh:

Ramalan untuk penjualan sebuah produk untuk bulan Januari = 150. Penjualan riil
pada bulan Januari = 180 unit. Tentukan dengan metode exponential smoothing
harga ramalan untuk permintaan bulan Februari. Smoothing constant α ditetapkan =
0,25.

Rt =Rt −1+ α ( Pt −1−Rt −1)

R Peb . =R Jan . + α(P jan. −R jan. )

R Peb . =150+0.25 × ( 180−150 )=157 , 5 unit

Permintaan pada bulan Pebruari diramalkan sebesar 157,5 unit

Contoh:

Permintaan riil untuk bulan Januari sampai Desember ditunjukkan pada tabel.
Tentukan harga peramalan untuk bulan-bulan ini dengan metode exponential
smoothing dengan smoothing constant 0,20 dan 0,25. Ramalan bulan Januari = 22.

Ramalan menggunakan exponential smoothing dengan α = 0,20

Bulan Permintaan riil Rt =Rt −1+ α ( Pt −1−Rt −1)

Januari 24 22,00
Pebruari 26 22,00 + 0,20 × (24 – 22,00) = 22,40
Maret 32 22,40 + 0,20 × (26 – 22,40) = 23,12
April 34 23,12 + 0,20 × (32 – 23,12) = 24,89
Mei 32 24,89 + 0,20 × (34 – 24,89) = 26,72
Juni 45 26,72 + 0,20 × (32 – 26,72) = 27,77
Juli 34 27,77 + 0,20 × (45 – 27,77) = 31,22
Agustus 28 31,22 + 0,20 × (34 – 31,22) = 31,78
September 42 31,78 + 0,20 × (28 – 31,78) = 31,02
Oktober 22 31,02 + 0,20 × (42 – 31,02) = 33,22
November 42 33,22 + 0,20 × (22 – 33,22) = 30,97
Desember 18 30,97 + 0,20 × (24 – 30,97) = 33,18

Ramalan menggunakan exponential smoothing dengan α = 0,25

Bulan Permintaan riil Rt =Rt −1+ α ( Pt −1−Rt −1)
Januari 24 22,00
Pebruari 26 22,50
Maret 32 23,38
April 34 25,53
Mei 32 27,65
Juni 45 28,74
Juli 34 32,80
Agustus 28 33,10
September 42 31,83
Oktober 22 34,37
November 42 31,28

4
 Desember 18 33,96

 Exponential smoothing dengan trend

Rt =α Pt −1+(1−α )(Rt −1+T t −1)

T t=β (R ¿ ¿ t−R t−1 )+(1−β )T t −1 ¿

Ramalan dengan trend

RT t =Rt + T t

Contoh: ramalan bulan Januari diasumsikan = 20 dengan trend = 4 unit. α = 0,2 dan
β = 0,3.

Contoh perhitungan:

Ramalan bulan Pebruari:

Rt =α Pt −1+(1−α )(Rt −1+T t −1)

R peb . =0 , 2 × P jan . +(1−0 , 2)×(R Jan. +T jan. )
R peb . =0 , 2 ×24+ ( 0 , 8 ) × ( 20+4 )=24

Trend bulan pebruari:

T t=β ( R ¿ ¿ t−R t−1 )+(1−β )T t −1 ¿
T Peb . =β (R ¿ ¿ peb−R Jan . )+(1−β)T Jan . ¿
T Peb . =0 , 3 × ( 24−20 ) + ( 1−0 , 3 ) × 4=4 unit

Ramalan dengan trend bulan Pebruari:

RT t =Rt + T t
RT Peb . =RPeb . +T Peb .
RT Peb . =24+ 4=28

Contoh: peramalan dengan trend untuk data pada tabel. Ramalan bulan Januari
diasumsikan = 20 dengan trend = 4 unit. α = 0,2 dan β = 0,3.

Ramalan dengan
Bulan Permintaan riil Ramalan, Rt Trend, Tt
trend, RTt
1 Januari 24 20 4 24
2 Pebruari 30 24 4 28
3 Maret 38 28,4 4,12 32,52
4 April 36 33,62 4,45 38,06
5 Mei 40 37,65 4,32 41,98
6 Juni 45 41,58 4,21 45,79
7 Juli 42 45,63 4,16 49,79
8 Agustus 48 48,23 3,69 51,92
9 September 52 51,14 3,46 54,59

5
 1 Oktober
56 54,08 3,30 57,38
0
1 November
64 57,10 3,22 60,32
1
1 Desember
61,06 3,44 64,49
2

Perbedaan ramalan tanpa dan dengan trend

Ramalan Ramalan dengan

Bulan Permintaan riil
tanpa trend, Rt trend, RTt
1 Januari 24 20 24
2 Pebruari 30 20,8 28
3 Maret 38 22,64 32,52
4 April 36 25,71 38,06
5 Mei 40 27,76 41,98
6 Juni 45 30,22 45,79
7 Juli 42 33,17 49,79
8 Agustus 48 34,94 51,92
9 September 52 37,55 54,59
10 Oktober 56 40,44 57,38
11 November 64 43,55 60,32
12 Desember 47,64 64,49

80

60

40

20

Permintaan Riil Ramalan tanpa trend Ramalan dengan trend

2 4 6 8 10 12

Kesalahan peramalan:

6
 Kesalahan peramalan = permintaan riil – harga ramalan

Kesalahan peramalan = Pt – Rt

Beberapa cara menentukan kesalahan peramalan:

Permintaan riil dan ramalan ditunjukkan pada tabel. Ramalan menggunakan metode
exponential smoothing dengan α = 0,25:

Rt =Rt −1+¿
(1) (2) α (Pt −1 −R t−1 ) (4) (5) (6)
(3)
Deviasi Deviasi Absolute percent
Ramalan α = mutlak kuadrat error
Bulan Permintaan
0,25
|( 2 ) −(3)| 2
|( 2 ) −(3)| 100|( 2 )− ( 3 )|/(2)
Januari 24 22,00 2,00 4,000 8,3333
Pebruari 26 22,50 3,50 12,250 13,4615
Maret 32 23,38 8,62 74,304 26,9375
April 34 25,53 8,47 71,741 24,9118
Mei 32 27,65 4,35 18,923 13,5938
Juni 45 28,74 16,26 264,388 36,1333
Juli 34 32,80 1,20 1,440 3,5294
Agustus 28 33,10 5,10 26,010 18,2143
September 42 31,83 10,17 103,429 24,2143
Oktober 22 34,37 12,37 153,017 56,2273
November 42 31,28 10,72 114,918 25,5238
Desember 18 33,96 15,96 254,722 88,6667
98,72 1099,14 339,747

Mean absolute deviation:

MAD=
∑|Permintaan Riil−Ramalan|
n

MAD=
∑|P i−Ri|
n
98 , 72
MAD= =8 , 23
12
Mean squared error:

MSE=
∑ (Permintaan riil−ramalan)2
n

MSE=
∑ (Pi −R i)
2

n
1099 ,14
MSE= =91 ,59
12

7
Mean absolute percent error:

MAPE=
∑ 100|Permintaan Riil i−Ramalani|/ Permintaan Riili
n

MAPE=
∑ 100|Pi −R i|/ Pi
n
339,747
MAPE= =28 ,31 %
12
Peramalan dengan analisis regresi
Data kebutuhan angkutan kapal feri yang diperoleh selama 10 tahun ditunjukkan
pada tabel. Tentukan kebutuhan kapal feri untuk tahun 2023 dengan menggunakan
analisis regresi.

1 2 3 4 5 6 7 8 9 10
Tahun 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022
Kebutuhan 120 142 156 168 180 202 225 240 268 282
Persamaan garis lurus

Y i=α + β X i +ϵ i

Persamaan yang diperoleh dari sampel

Y^i=a+b X i
S=∑ (Y i −Y^i)
2

S=∑ [Y i−( a+b X i ) ]

2

Metode kuadrat terkecil

∂S ∂S n ∑ XY −∑ X ∑ Y
=0 ; =0 ; b=
n ∑ X −¿ ¿ ¿¿
2
∂a ∂b

ϵ9

ϵ5

Yi
8
Y^i

X5 X9
Penyelesaian soal:

Persamaan garis lurus untuk data ini dengan analisis regresi

Kebutuhan = 99,87 + 17,90 × tahun

Tahun dinyatakan dengan angka 1 untuk tahun 2013 dan angka 10 untuk tahun
2022.

Analysis of Variance

D
Source F Adj SS Adj MS F-Value P-Value
Regression 1 26424,9 26424,9 855,09 0,000
Error 8 247,2 30,9
Total 9 26672,1

Model Summary
S R-sq R-sq(adj) R-sq(pred)
5,55905 99,07 98,96% 98,59%
%

Coefficients
SE
Term Coef Coef T-Value P-Value
Constant 99,87 3,80 26,30 0,000 9
Ramalan untuk tahun 2023 bisa diperoleh dengan memberi angka 11 pada variabel
tahun pada persamaan regresi
Kebutuhan = 99,87 + 17,90 × tahun

(Ramalan kebutuhan)2023 = 99,87 + 17,90 × 11 = 296,8 kapal feri.

Peramalan dengan faktor musiman dan tren

Permintaan sebuah produk untuk masing-masing kuarter pada 3 tahun berjalan
ditujunjukkan pada tabel. Dengan menganggap terdapat faktor musiman pada data
per kuarter dan juga ditengarai adannya tren, maka tentukan ramalan produk untuk
kuarter 1 sampai 4 pada tahun ke 4.

Penyelesaian:

Kuarter 1 Kuarter 2 Kuarter 3 Kuarter 4 Jumlah

Tahun 1 61 66 57 88 272
Tahun 2 66 71 71 91 299
Tahun 3 69 77 75 99 320
Jumlah 196 214 203 278 891

Mencarai tren dengan analisis regresi:

Tahun, x Total permintaan, y

1 272
2 299
3 320

Dengan analisis regresi untuk data tahun 1 sampai tahun ke 3 diperoleh persamaan
regresi:

y = 249,0 + 24,00 x
permintaan tahun ke 4, x = 4 diperoleh y = 345

Perhitungan faktor musiman:

K1: 196/891 = 0,219

K2: 214/891 = 0,240
K3: 203/891 = 0,227
K4: 278/891 = 0,312

Ramalan K1 = 0,219 x 345 = 75,5

Ramalan K2 = 0,240 x 345 = 82,8
Ramalan K3 = 0,227 x 345 = 78,3
Ramalan K4 = 0,312 x 345 = 107,6

10
11