Forecasting/Peramal

an
Fakultas Farmasi
Universitas Wahid Hasyim
Forecasting/Peramalan
Peramalan adalah proses untuk memperkirakan tingkat
kebutuhan di masa yang akan datang yang meliputi kebutuhan
dalam ukuran kuantitas, kualitas, waktu dan lokasi yang
dibutuhkan dalam rangka memenuhi permintaan barang atau
pun jasa
Effisiensi dan Efektivitas
Peramalan
1. Menentukan tujuan dari peramalan.
2. Memilih item independent demand yang diramalkan.
3. Menentukan horizon waktu dari peramalan.
4. Memilih model–model peramal.
5. Memperoleh data yang dibutuhkan untuk melakukan
peramalan.
6. Validasi model peramalan.
7. Membuat peramalan.
8. Implementasi hasil–hasil peramalan.
9. Memantau keandalan hasil peramalan
Peramalan biasanya meliputi beberapa
pertimbangan berikut ini:
• Item yang diramalkan
• Peramalan dari atas (top-down) atau dari bawah (buttom-up)
• Teknik peramalan (model kuantitatif atau kualitatif)
• Satuan yang digunakan
• Interval/horison waktu
• Komponen peramalan
• Ketepatan peramalan
• Pengecualian dan situasi khusus
• Perbaikan parameter model peramalan.
Peramalan dan Horison Waktu
• Peramalan jangka panjang, umumnya 2 sampai 10 tahun.
Peramalan ini digunakan untuk perencanaan produk dan
perencanaan sumber daya.
• Peramalan jangka menengah, umumnya 1 sampai 24 bulan.
Peramalan ini lebih mengkhusus dibandingkan peramalan
jangka panjang, biasanya digunakan untuk menentukan aliran
kas, perencanaan produksi dan penentuan anggaran.
• Peramalan jangka pendek, umumnya 1 sampai 5 minggu.
Peramalan ini digunakan untuk mengambil keputusan dalam
hal perlu tidaknya lembur, penjadwalan kerja, dan lain–lain.
Faktor-Faktor yang Mempengaruhi
Peramalan
• Kondisi umum bisnis dan ekonomi
• Reaksi dan tindakan pesaing
• Tindakan pemerintah
• Kecenderungan pasar
• Siklus hidup produk
• Gaya dan mode
• Perubahan permintaan konsumen
• Inovasi teknologi
Karakteristik Peramalan yang Baik
• Akurasi dari suatu hasil peramalan diukur dengan kebiasan
dan kekonsistensian peramalan. Tidak terlalu tinggi maupun
terlalu rendah
• Biaya yang diperlukan untuk pembuatan suatu peramalan
tergantung dari jumlah item yang diramalkan, lamanya
periode peramalan, dan metode peramalan.
• Kemudahan, Penggunaan metode peramalan yang sederhana,
mudah dibuat, dan mudah diaplikasikan akan memberikan
keuntungan bagi perusahaan.
Klasifikasi Metode Peramalan
• Kualitatif : Intuisi
• Kuantitatif : Data masa lalu tanpa intuisi maupun penilaian
subjektiif. Dapat diterapkan jika :
• Informasi mengenai keadaan diwaktu yang lalu tersedia
• Informasi itu dapat dikuantitatifkan dalam bentuk data numerik
(angka), dan
• Ke waktu yang akan datang (disebut asumsi kontinuitas).
Jenis pola data peramalan yaitu:
• Trend merupakan komponen data runtut waktu yang berkaitan dengan
adanya kecenderungan (meningkat, menurun) dalam jangka panjang:
misalnya, data peningkatan mengenai penjualan perumahan yang
sebagian terjadi karena adanyapertumbuhan penduduk dalam jangka
panjang.
• Musim merupakan komponen data runtut waktu yang berkaitan dengan
adanya kejadian yang berulang secara teratur dalam setiap tahun.
• Siklus merupakan komponen data runtut waktu yang berkaitan dengan
adanya kejadian yang tidak teratur. Komponen ini terjadi di dalam kurun
waktu yang lebih dari satu tahun
• Ketidakteraturan merupakan komponen data runtut waktu yang tidak
tergolong dalam trend, maupun siklus komponen ini berkaitan dengan
hal-hal yang tidak terduga sebelumnya. Misalnya perubahan volume
produksi karena adanya kejadian berupa kebakaran, unjuk rasa dan lain-
lain.
 Metode peramalan
1. Naive forecast, paling sederhana, data disamakan dng yg lalu
2. Simple Average, data tahun lalu, dirata-ratakan
3. Simple moving average, data sesuai dengan pergerakannya
4. Weighted moving average, sama dgn 3 tapi ada pembobotan
5. Moving average with linear trend, jika trend linier dan random eror tidak
besar
6. Single exponential smoothing, hasil ramalan tahun lalu dan disesuaikan
dengan kesalahan ramalan tahun terakhir
7. Exponential smoothing, sama dng SES ditambah unsur trend
8. Double exponential smoothing, data hiistoris ada unsur trend
9. Double exponential smoothing with linear trend
10. Adoptive exponential smoothing, penetapan smoothing constant
11. Linear regression, jika dua variable berhubungan secara garis lurus
12. Winter’s method, Merupakan metode peramalan yang sering dipilih untuk
menangani data permintaan yang mengandung baik variasi musiman
maupun unsur trend.