X.

PERAMALAN
(FORECASTING)

A. KOMPONEN-KOMPONEN PERAMALAN

 KERANGKA WAKTU (TIME FRAME)

• Short-to mid range forecast

• Long-range forecast

 PERILAKU PERMINTAAN

• Trend
• Random variations
• Cycle
Pola-pola perilaku permintaan
Tahap-tahap
Proses Peramalan
B. METODE-METODE PERAMALAN

 TIME SERIES

• Moving Average
• Weighted Moving Average
• Exponential Smoothing
• Adjusted Exponential Smoothing
• Linear Trend Line
• Seasonal Adjustment
Moving Average (Rata-rata Bergerak)

D i
MA n  in
n

n  number of period' s in the moving average

Di  demand in period i
Contoh 1:

Dari laporan pesanan barang selama 10 bulan perusahaan A sebagai berikut di bawah ini susunlah
peramalan menggunakan metode rata-rata bergerak 3 dan 5 bulanan

Bulan Pesanan
Rata-rata bergerak 3-bulanan
Januari 120
Pebuari 90 3
 Di 3
 Di
Maret 100 MAn  i 1
i 1
3 MAn 
April 75 3
120  90  100 90  100  75
Mei 110  
3 3
Juni 50  103,3  88,3
Juli 75
Agustus 130
September 110 3
 Di
Oktober 90 MAn  i 1
3
120  90  100 ……dst

3
 95,0
Bulan Pesanan
Rata-rata bergerak 5-bulanan
Januari 120
Pebuari 90
5
Maret 100  Di 5

MAn  i 1  Di
April 75 5 MAn  i 1

120  90  100  75  110 5

Mei 110  90  100  75  110  50
5 
Juni 50 5
 99,0
Juli 75  85,0

Agustus 130
September 110
Oktober 90 5
 Di
MA5  i 1 ……dst
5
100  75  110  50  75

5
 82,0
Bulan Pesanan Rata-rata bergerak Rata-rata Bergerak
per bln 3-Bulanan 5 bulanan

Januari 120 - -
Pebuari 90 - -
Maret 100 - -
April 75 103,3 -
Mei 110 88,3 -
Juni 50 95,0 99,0
Juli 75 78,3 85,0
Agustus 130 78,3 82,0
September 110 85,0 88,0
Oktober 90 105,0 95,0
November - 110,0 91,0
Moving Average (Rata-rata Bergerak)
 Weighted Moving Average (Rata-rata Bergerak Terboboti)

n
WMAn   Wi Di
i 1

Wi  the weight for period i (0 - 100%)

Di  demand in period i
 Wi  1.00
Contoh 2

Dalam contoh 1 perusahaan A menginginkan menghitung suatu rata-rata

bergerak 3 bulanan dengan bobot 50 % untuk data bulan Oktober, 33% untuk
data bulan september dan 17 % untuk data bulan Agustus. Bobot-bobot tersebut
mencerminkan keinginan perusahaan bahwa sebagian besar data saat ini
mempengaruhi secara kuat segian besar peramalannya

3
WMAn   Wi Di
i 1

 (0.50)(90)  (0.33)(110)  (0.17)(130 )

 103.4 pesanan
 Exponential Smoothing

Ft 1  Dt  (1   )Ft

Ft 1  The forecast for the next period

Dt  actual demand in present period
Ft  the previously determined forecast for the present period
  a weighting factor refered to as the smoothing constant
Contoh 3

Permntaan barang terhadap perusahaan B selama 12 bulan lampau adalah seperti terlihat
dalam tabel berikut. Perusahaan menginginkan memperimbangkan peraamalan menggunakan
metode exponential smoothing dengan menggunakan faktor pembobotan (smoothing constant)
α sama dengan 0,30 dan 0,50

Periode Bulan Permintaan

1 Januari 37
2 Pebuari 40
3 Maret 41
4 April 37
5 Mei 45
6 Juni 50
7 Juli 43
8 Agustus 47
9 Septembe 56
10 Oktober 52
11 November 55
12 Desember 54
 α = 0,30 α = 0,50

Peramalan untuk periode 2 Peramalan untuk periode 2

Ft 1  D1  (1   )F1 Ft 1  D1  (1   )F1
F2  (0,30 )(37 )  (0,70 )(37 ) F2  (0,50 )(37 )  (0,50)(37 )
 37 unit  37 unit

Peramalan untuk periode 3 Peramalan untuk periode 3

Ft 1  D2  (1   )F2 Ft 1  D2  (1   )F2
F3  (0,30 )(40 )  (0,70 )(37 ) F3  (0,50 )( 40 )  (0,50 )(37 )
 37,9 unit  38,50 unit

Peramalan untuk periode 4 Peramalan untuk periode 4

Ft 1  D3  (1   )F3 Ft 1  D3  (1   )F3
F4  (0,30)(41)  (0,70)(37,90) F4  (0,50)(41)  (0,50)(38,50)
 38,83 unit  39,75 unit

dst…… dst…
Periode Bulan Permintaan Peramalan, Ft+1
α =0,30 α=0,50

1 Januari 37 - -
2 Pebuari 40 37,00 37,00
3 Maret 41 37,90 38,50
4 April 37 38,83 39,75
5 Mei 45 38,28 38,37
6 Juni 50 40,29 41,68
7 Juli 43 43,20 45,84
8 Agustus 47 43,14 44,42
9 Septembe 56 44,30 45,71
10 Oktober 52 47,81 50,85
11 November 55 49,06 51,42
12 Desember 54 50,84 53,21
13 Januari - 51,79 53,61
Exponential Smoothing
 Adjusted Exponential Smoothing

AFt 1  Ft 1  Tt 1

T  an exponentia lly smoothed trend factor

Tt 1   (Ft 1  Ft )  (1   )Tt

Tt 1  the last period trend factor

  a smoothing constand for trend
Contoh 4

Perusahaan B dalam contoh 3 ingin mengembangkan peramalan dengan metode adjusted

exponentially smoothing (data permintaan selama 12 bulan sama dengan contoh 3). Akan
digunakan α = 0,5 dan β=0,30

T3   (F3  F2 )  (1   )T2
T3  0,30(38,5  37,0)  (0,70 )(0)
 0,45 dst…..s.d T13

AF3  F3  T3
 38,5  0,45
 38,95

T13  ( F13  F12 )  (1  )T12

T4   (F4  F3 )  (1   )T3
T3  0,30(53,61  53,21)  (0,70)(1,77)
T4  0,30(39,75  38,50 )  (0,70 )(0,45)
 0,69
 1,36

AF4  F4  T4 AF13  F13  T13

 39,75  0,69  53,61  1,36
 40,44  54,97
Periode Bulan Permintaan Forecast Trend Adjusted Forecast
Ft+1 Tt+1 Aft+1

1 Januari 37 37,00 --
2 Pebuari 40 37,00 0,00 37,00
3 Maret 41 38,50 0,45 38,95
4 April 37 39,75 0,69 40,44
5 Mei 45 38,37 0,07 38,44
6 Juni 50 41,68 1,04 42,73
7 Juli 43 45,84 1,97 47,82
8 Agustus 47 44,42 0,95 45,37
9 Septembe 56 45,71 1,05 46,76
10 Oktober 52 50,85 2,28 53,13
11 November 55 51,42 1,76 53,19
12 Desember 54 53,21 1,77 54,98
13 Januari - 53,61 1,36 54,96
Adjusted Exponential Smoothing
 Linear trend line

y  a  bx

a  intercept (at period 0)

b  slope of the line
x  the time period
y  forecast for demand for periode x

b
 xy  n xy
 x 2  nx 2
a  y  bx

n  number of period

x
 x  the mean of the x values
n
y
 y  the mean of the y values
n
Contoh 5
Perusahaan B (dalam contoh 3) ingin mengembangkan peramalan dengan
menggunakan metode trend linear

Periode Permintaan
x
x 78
  6.5
x y xy x2
n 12
y
 y  557  46,42
1 37 37 1 n 12
2 40 80 4
3 41 123 9
b
 xy  n xy
4 37 148 16
 x 2  nx 2
5 45 225 25 3.876  (12 )(6,5)( 46,42 )
 2
 1,72
6 50 300 36 650 - 12(6,5)
7 43 301 49
8 47 376 64 a  y  bx
9 56 504 81  46,42  (1,72 )(6,5)  35,2
10 52 520 100
y  35,2  1,72 x
11 55 605 121
12 54 648 144

78 557 3.867 650

Linear trend line
 Seasonal Adjustment

Di
Si 
D

Si  Seasonal factor in period i

Di  Demand in period i
Contoh 6
Permintaan terhadap ayam kalkun hasil dari peternakan perusahaan D dalam 4 musim (3 bulanan)
adalah seperti terlihat sebagai berikut di bawah ini . Berdasarkan tabel tersebut tentukan perkiraan
permintaan menggunakan seasonal faktor untuk ke empat musim tersebut

Permintaan (dlm ribuan) per 3 bulan

D1 42,0
Tahun 1 2 3 4 Total S1    0,28
 D 148,7
D2 29,5
1997 12,6 8,6 6,3 17,5 45,0 S2    0,20
1998 14,1 10,3 7,5 18,2 50,1  D 148,7
1999 15,3 10,6 8,1 19,6 53,6 D3 21,9
S3    0,15
 D 148 ,7
Total 42,0 29,5 21,9 55,3 148,7 D4 55,3
S4    0,37
 D 148,7
Berikutnya kita ingin mengembakan peramalan permintaan untuk tahun 2000. Karena permintaan
dalan tabel contoh 4 tadi secara umum menunjukkan suatu trend pertambahan, maka kita dapat
menghitung menggunakan trnd linear sederhana y = a + bx untuk 3 tahun data. Setelah dihitung
mengunakan metode trend linear maka akan didapat persamaan fungsi permintaan
y = 40,97 + 4,30x.
Peramalan untuk tahun 2000 ( periode 4)
y = 40,97 + 4,30x
y = 40,97 + 4,30(4)
= 58,17 kalkun

Jika menggunakan seasonally adjusted forecast (SFi) maka peramalan untuk tahun 2000 adalah
SF1 = (S1)(F1) = (0,28)(58,17)=16,28
SF2 = (S2)(F2) = (0,20)(58,17)=11,63
SF3 = (S3)(F3) = (0,15)(58,17)= 8,73
SF4 = (S4)(F4) = (0,37)(58,17)=21,53

58,17
Tingkat Ketepatan /Akurasi Peramalan

MAD 
 Dt  Ft
n

MAD  Mean Absolute Deviation

t  the period number
Dt  Demand period t
Ft  the forecast period t
n  the total number of periods
 absolute value
Perusahaam B (dalam contoh 3) ingin mengetahui tingkat keakurasian
peramalan dengan menggunakan MAD

Periode Permintaan Peramalan, Error

Dt Ft(α =0,30) (Dt-Ft) |Dt-Ft|
MAD 
 Dt  Ft
n
1 37 37,00 - - 53,39

2 40 37,00 3,00 3,00 11
3 41 37,90 3,10 3,10  4,85
4 37 38,83 -1,83 1,83
5 45 38,28 6,72 6,72
6 50 40,29 9,69 9,69
7 43 43,20 -0,20 0,20
8 47 43,14 3,86 3,86
9 56 44,30 11,70 11,70
10 52 47,81 4,19 4,19
11 55 49,06 5,94 5,49
12 54 50,84 3,15 3,15
554 49,31 53,39
 METODE REGRESI

• Regresi Linear (Linear Regression)

• Regresi Berganda (Multiple Regression)

Metode Time Series dan Metode Regresi dapat jugamenggunakan

softeare komputer, yaitu antara lain :
Excel, Excel POM dan POM for Widowss

 METODE-METODE KUALITATIF

Merupakan metode subjektif, menggunakan pertimbangan,

keahlian, pengalaman dan pendapat dalam membuat keputusan
• Regresi Linear (Linear Regression)
y=a+bx

y = the dependent variable

a = the intercept
b = the slope of the line
x = the independent variable

• Corelation
n  xy   x  y
r
n x 2

  x  n  y 2   y 
2 2

• Regresi Berganda (Multiple Regression)
y = β0 + β1x1 + β2x2 +…+ βkxk

y = the independent variable

β0 = the intercept
β1,……, βk = parameters representing the contribution
of the independent variables
x1,……, xk = independent variable
Catatan penjualan Sepeda motor dealer A tahun 2003 adalah seperti
terlihat dalam tabel

Bulan Permintaan
Hitunglah suatu peramalan rata-rata bergerak
3-tahunan untuk bulan April(2003) sampai
Januari 9 dengan Januari (2004)

Pebuari 7
Maret 10 Hitunglah peramalan rata-rata bergerak 5-
bulanan untuk bulan Juni (2003) sampai
April 8 dengan januari (2004)
Mei 7
Juni 12 Hitunglah peramalan menggunakan metode
Juli 10 trend linear untuk bulan Februari (2003)
sampai dengan Januari (2004)
Agustus 11
Septembe 12
Bandingkan 3 peramalan yang telah dihitung
Oktober 10 tersebut (boleh menggunakan MAD atau
November 14 Simpangan Baku) dan pilih salah satu yang
seharusnya dipilih oleh dealer motor A
Desember 16