Metode Peramalan

(Forecasting Method)

Kelompok 2 :
Meliesa Sjahli (011303015)
Dewi Hermawati (011303020)
Suciati Gantina (011303021)
Dodi Bakhrudin (0114123002)
 Definisi Peramalan
Forecasting adalah peramalan atau perkiraan
mengenai sesuatu yang belum terjadi.
Ramalan yang dilakukan pada umumnya akan
berdasarkan data yang terdapat di masa lampau
yang dianalisis dengan mengunakan metode
-metode tertentu.
Peramalan adalah seni dan ilmu untuk
memprediksi masa depan.
Peramalan adalah tahap awal, dan hasil ramalan
merupakan basis bagi seluruh tahapan pada
perencanaan produksi.
Proses peramalan dilakukan pada level agregat
(part family); bila data yang dimiliki adalah data
item, maka perlu dilakukan agregasi terlebih
dahulu.
Tujuan Peramalan
Tujuan dari peramalan adalah untuk menentukan
jumlah permintaan produk pada masa yang akan
datang.

Adapun kegunaan dari peramalan adalah (Hendra

Kusuma, 2001):

1. Menentukan besarnya ekspansi pabrik

2. Menentukan rencana jangka menengah produk yang
ada dan dibuat dengan fasilitas yang ada
3. Untuk menentukan rencana jangka pendek
 Pendekatan Peramalan

Terdapat dua pendekatan untuk melakukan peramalan

yaitu dengan pendekatan kualitatif dan pendekatan
kuantitatif
Metode peramalan kualitatif digunakan ketika data historis
tidak tersedia. Metode peramalan kualitatif adalah metode
subyektif (intuitif). Metode ini didasarkan pada informasi
kualitatif. Dasar informasi ini dapat memprediksi kejadian-
kejadian di masa yang akan datang. Keakuratan dari metode
ini sangat subjektif (Materi Statistika, UGM).
Metode peramalan kuantitatif dapat dibagi menjadi dua
tipe,causaldantime series.Metode peramalancausalmeliputi
faktor-faktor yang berhubungan dengan variabel yang
diprediksi seperti analisis regresi. Peramalantime
seriesmerupakan metode kuantitatif untuk menganalisis data
masa lampau yang telah dikumpulkan secara teratur
menggunakan teknik yang tepat. Hasilnya dapat dijadikan
acuan untuk peramalan nilai di masa yang akan datang.
 Metode Kualitatif
1. Opini dari dewan eksekutif. Berdasarkan dari
metode ini opini dari sekelompok para ahli yang
mumpuni /manajer sering kali dikombinasikan
dengan model statistik.
2. Metode Delphi : Terdapat 3 jenis partisipan
yang berbeda dalam metode delphi ; si
pengambil keputusan, staf personalia, dan para
responden.
3. Gabungan karyawan bagian penjualan
(sales force composite) ; Dalam pendekatan ini
masing-masing karyawan bagian penjualan
mengestimasi penjualan apa yang ada di dalam
kawasan mereka.
4. Survei pasar (market surver). Metode ini
mengumpulkan input dari para konsumen atau
 POLA DERET BERKALA
Model deret berkala dapat digunakan dengan mudah
untuk meramal, sedang model kausal lebih berhasil
untuk pengambilan keputusan dan kebijakan. Peramalan
harus mendasarkan analisisnya pada pola data yang ada.
Empat pola data yang lazim ditemui dalam peramalan:

1. Pola Horizontal
Pola ini terjadi bila data berfluktuasi di sekitar rata-
ratanya. Produk yang penjualannya tidak meningkat atau
menurun selama waktu tertentu termasuk jenis ini.

2. Pola Musiman
Pola musiman terjadi bila nilai data dipengaruhi oleh
faktor musiman (misalnya kuartal tahun tertentu, bulanan
atau hari-hari pada minggu tertentu).
3. PolaSiklis

Pola ini terjadi bila data dipengaruhi oleh fluktuasi

ekonomi jangka panjang seperti yang berhubungan
dengan siklus bisnis.

4. PolaTrend

PolaTrendterjadi bila ada kenaikan atau penurunan

sekuler jangka panjang dalam data.
 Peramalan berdasarkan pengelompokkan horizon
waktu:

a. Peramalan jangka panjang, yaitu peramalan yang

jangka waktu peramalan lebih dari 24 bulan, misalnya
peramalan yang diperlukan dalam kaitannya dengan
anggaran produksi.

b. Peramalan jangka menengah, yaitu peramalan yang

jangka waktu peramalan antara 3-24 bulan, misalnya
peramalan untuk perencanaan penjualan, perencanaan
dan anggaran produksi.

c. Peramalan jangka pendek, yaitu peramalan yang

jangka waktu peramalan kurang dari 3 bulan, misalnya
peramalan dalam hubungannya dengan perencanaan
pembelian material, penjadwalan kerja dan penugasan.
Komponen utama yang mempengaruhi penjualan masa
lampau:
a. Kecenderungan/Trend (T)
Prosedur Peramalan
Dalam melakukan peramalan terdiri dari beberapa tahapan
khususnya jika menggunakan metode kuantitatif. Tahapan
tersebut adalah:

1. Mendefinisikan Tujuan Peramalan

Misalnya peramalan dapat digunakan selama masa pra-
produksi untuk mengukur tingkat dari suatu permintaan.

2. Membuat diagram pencar (Plot Data)

Misalnya memplot demand versus waktu, dimana demand

sebagai ordinat (Y) dan waktu sebagai axis (X).

3. Memilih model peramalan yang tepat

Melihat dari kecenderungan data pada diagram pencar, maka

dapat dipilih beberapa model peramalan yang diperkirakan
dapat mewakili pola tersebut.

4. Melakukan peramalan
Keakuratan suatu model peramalan bergantung pada seberapa dekat nilai hasil
peramalan terhadap nilai data yang sebenarnya. Perbedaan atau selisih antara nilai
aktual dan nilai ramalan disebut sebagai kesalahan ramalan (forecast error) atau
deviasi yang dinyatakan dalam:
et = Y(t) Y(t)

Dimana :
Y(t) = Nilai data aktual pada periode t
Y(t) = Nilai hasil peramalan pada periode t
t = Periode peramalan

Maka diperoleh Jumlah Kuadrat Kesalahan Peramalan yang disingkat SSE (Sum of
Squared Errors) dan Estimasi Standar Error (SEE Standard Error Estimated)

SSE = S e(t)2 = S[Y(t)-Y(t)]2

6. Memilih Metode Peramalan dengan kesalahan yang terkecil.

Apabila nilai kesalahan tersebut tidak berbeda secara signifikan pada tingkat
ketelitian tertentu (Uji statistik F), maka pilihlah secara sembarang metode-metode
tersebut.

7. Melakukan Verifikasi

Untuk mengevaluasi apakah pola data menggunakan metode peramalan tersebut

sesuai dengan pola data sebenarnya.
Metode Peramalan
Perhitungan peramalan dapat dicari dengan
beberapa metode yaitu:
1. Metode Weigthed Moving Average (WMA)
2. Metode Single Exponential Smoothing
(SES)
3. Metode regresi linier
Berikut ini adalah penjabaran dari masing-masing metode :

Model rata-rata bergerak menggunakan sejumlah data

aktual permintaan yang baru untuk membangkitkan nilai
ramalan untuk permintaan di masa yang akan datang.
Metode rata-rata bergerak akan efektif diterapkan apabila
permintaan pasar terhadap produk diasumsikan stabil
sepanjang waktu.
Metode rata-rata bergerak terdapat dua jenis, rata-rata
bergerak tidak berbobot (Unweight Moving Averages) dan
rata-rata bobot bergerak (Weight Moving Averages).
Model rata-rata bobot bergerak lebih responsif terhadap
perubahan karena data dari periode yang baru biasanya
diberi bobot lebih besar. Rumus rata-rata bobot bergerak
yaitu sebagai berikut.
 Single Exponential Smoothing (SES)
Pola data yang tidak stabil atau perubahannya besar
dan bergejolak umumnya menggunakan model
pemulusan eksponensial (Exponential Smoothing
Models). Metode Single Exponential Smoothing lebih
cocok digunakan untuk meramalkan hal-hal yang
fluktuasinya secara acak (tidak teratur).

Regresi Linier
Model analisis Regresi Linier adalah suatu metode
populer untuk berbagai macam permasalahan.
Menurut Harding (1974) dua variabel yang digunakan,
variabel x dan variabel y, diasumsikan memiliki kaitan
satu sama lain dan bersifat linier.
Ukuran Akurasi
Peramalan
Model-model peramalan yang dilakukan kemudian
divalidasi menggunakan sejumlah indikator. Indikator-
indikator yang umum digunakan adalah
Rata-rata penyimpangan absolut (Mean Absolute
Deviation)
Rata-rata kuadrat terkecil (Mean Square Error)
Rata-rata persentase kesalahan absolut (Mean Absolute
Percentage Error)
Validasi peramalan(Tracking Signal), danpengujian
kestabilan (Moving Range).
 Mean Absolute Deviation(MAD)
Metode untuk mengevaluasi metode peramalan
menggunakan
jumlah dari kesalahan-kesalahan yang absolut.
Mean Absolute Deviation(MAD)mengukur
ketepatan ramalan
dengan merata-rata kesalahan dugaan (nilai
absolut masing
masing kesalahan). MAD berguna ketika mengukur
kesalahan
ramalan dalam unit yang sama sebagai deret asli.
Nilai MAD
dapat dihitung dengan menggunakan rumus
sebegai berikut.
 Mean Square Error(MSE)
Mean Squared Error (MSE) adalah metode lain untuk
mengevaluasi metode peramalan. Masing-masing
kesalahan atau sisa dikuadratkan. Kemudian
dijumlahkan dan ditambahkan dengan jumlah
observasi. Pendekatan ini mengatur kesalahan
peramalan yang besar karena kesalahan-kesalahan itu
dikuadratkan. Metode itu menghasilkan kesalahan-
kesalahan sedang yang kemungkinan lebih baik untuk
kesalahan kecil, tetapi kadang menghasilkan
perbedaan yang besar.
 Mean Absolute Percentage Error (MAPE)
Mean Absolute Percentage Error(MAPE) dihitung
dengan menggunakan kesalahan absolut pada tiap
periode dibagi dengan nilai observasi yang nyata untuk
periode itu. Kemudian, merata-rata kesalahan
persentase absolut tersebut. Pendekatan ini berguna
ketika ukuran atau besar variabel ramalan itu penting
dalam mengevaluasi ketepatan ramalan. MAPE
mengindikasi seberapa besar kesalahan dalam meramal
yang dibandingkan dengan nilai nyata.
 Tracking Signal
Validasi peramalan dilakukan denganTracking
Signal.Tracking Signaladalah suatu ukuran
bagaimana baiknya suatu peramalan memperkirakan
nilai-nilai aktual. NilaiTracking Signaldapat dihitung
dengan menggunakan rumus sebegai berikut.

Tracking signalyang positif menunjukan bahwa nilai

aktual permintaan lebih besar daripada ramalan,
sedangkantracking signalyang negatif berarti nilai
aktual permintaan lebih kecil daripada
ramalan.Tracking signaldisebut baik apabila memiliki
RSFE yang rendah, dan mempunyaipositive erroryang
sama banyak atau seimbang dengannegative error,
sehingga pusat daritracking signalmendekati
nol.Tracking signalyang telah dihitung dapat dibuat
peta kontrol untuk melihat kelayakkan data di dalam
batas kontrol atas dan batas kontrol bawah.
 Moving Range (MR)
PetaMoving Rangedirancang untuk membandingkan
nilai permintaan aktual dengan nilai peramalan. Data
permintaan aktual dibandingkan dengan nilai peramal
pada periode yang sama. Peta tersebut dikembangkan
ke periode yang akan datang hingga dapat dibandingkan
data peramalan dengan permintaan aktual. PetaMoving
Rangedigunakan untuk pengujian kestabilan sistem
sebab-akibat yang mempengaruhi permintaan. Rumus
perhitungan petaMoving Rangeadalah sebagai berikut.

Kegunaan petaMoving Rangeialah untuk melakukan

verifikasi hasil peramalanleast squareterdahulu. Jika
petaMoving Rangemenunjukkan keadaan diluar kriteria
kendali. Hal ini berarti terdapat data yang tidak berasal
dari sistem sebab-akibat yang sama dan harus dibuang
maka peramalan pun harus diulangi lagi.
 Kesimpulan
1. Peramalan merupakan tahapan awal dalam
perencanaan sistem operasi produksi.
2. Model yang paling tepat harus dipilih dalam
melakukan peramalan.
3. Model yang dipilih dapat dibandingkan
dengan model yang lain dengan
menggunakan kriteria minimum average sum
of squared errors.
4. Distribusi forecast errors harus dimonitor, jika
terjadi bias maka model yang digunakan
tidak tepat.
Pertanyaan
Doni, bagaimana hubungan
antara daur hidup (life cycle)
dengan forecasting?
Billy, apa saja faktor2 yang
mempengaruhi kesalahan
forecasting?
Ahmad, sebutkan contoh tracking
signal!
Hibatun, metode mana yang
paling akurat dalam forecasting?