PERAMALAN

(FORECASTING)
 DEFINISI
Peramalan adalah seni dan ilmu untuk memprediksi
kejadian di masa depan, dengan melibatkan
pengambilan data masa lalu dan menempatkannya ke
masa yang akan datang dengan suatu bentuk model
matematis.
Peramalan diklasifikasikan berdasarkan Horizon Waktu
Masa Depan, sbb:
1. Peramalan Jangka Pendek, mencakup waktu hingga 1
tahun namun pada umumnya kurang dari 3 bulan.
Contoh: merencanakan pembelian, jumlah tenaga
kerja, penugasan kerja dan tingkat produksi.
2. Peramalan Jangka Menengah, mencakup bulanan
hingga 3 tahun. Contoh: merencanakan penjualan,
anggaran produksi dan kas, menganalisa rencana
operasi.
3. Peramalan Jangka Panjang, mencakup perencanaan
3 tahun atau lebih. Contoh: produk baru,
pengembangan fasilitas, lokasi, litbang.
 PERBEDAAN P.J. PANJANG DAN
MENENGAH MENURUT P.J. PENDEK
1. Peramalan jangka menengah dan jangka
panjang berkaitan dengan permasalahan yang
lebih menyeluruh dan mendukung keputusan
manajemen yang berkaitan dengan
perencanaan produk, pabrik dan proses.
2. Peramalan jangka pendek biasanya menerapkan
metodologi yang berbeda dibandingkan
peramalan jangka panjang.
 Contoh peramalan jangka pendek: rata-rata bergerak,
penghalusan eksponensial dan ekstrapolasi tren.
3. Peramalan jangka pendek cenderung lebih tepat
dibandingkan peramalan jangka panjang.
 SIKLUS HIDUP PRODUK DALAM
PENJUALAN JANGKA PANJANG
Tahapan Siklus Hidup Produk
1. Perkenalan,
2. Pertumbuhan,
3. Kematangan, dan
4. Penurunan.

Siklus hidup berguna untuk memproyeksikan tingkat

penempatan pekerja yang berbeda-beda,
penentuan tingkat persediaan dan kapasitas pabrik
sepanjang produk melewati tahapan awal hingga
akhir.
 JENIS PERAMALAN
1. Peramalan Ekonomi, menjalankan siklus bisnis dengan
memprediksikan tingkat inflasi, ketersediaan uang,
dana yang dibutuhkan untuk membangun perumahan
dan indikator perencanaan lainnya.
2. Peramalan Teknologi, memperhatikan tingkat
kemajuan tekhnologi yang dapat meluncurkan produk
baru yang menarik, yang membutuhkan pabrik dan
peralatan baru.
3. Peramalan Permintaan, proyeksi permintaan untuk
produk atau layanan suatu perusahaan. Peramalan ini
disebut peramalan penjualan yaitu mengendalikan
produksi, kapasitas, serta sistem penjadwalan dan
menjadi input bagi perencanaan keuangan,
pemasaran dan sumber daya manusia.
 KEPENTINGAN PERAMALAN
Peramalan merupakan satu-satunya prediksi atas
permintaan hingga permintaan yang sebenarnya
diketahui.
Dampak Peramalan Produk dapat dilihat pada
aktivitas berikut:
1. Sumber Daya Manusia,
2. Kapasitas, dan
3. Manajemen Rantai Pasokan (supply chain
management).
 7 LANGKAH SISTEM PERAMALAN

1. Menetapkan tujuan peramalan,

2. Memilih unsur apa yang akan diramal,
3. Menentukan horizon waktu peramalan,
4. Memilih tipe model peramalan,
5. Mengumpulkan data yang diperlukan untuk
melakukan peramalan,
6. Membuat peramalan,
7. Memvalidasi dan menerapkan hasil peramalan.
PENDEKATAN DALAM PERAMALAN

1. Peramalan Kuantitatif, yaitu peramalan yang

menggunakan satu atau lebih model matematis
dengan data masa lalu dan variabel sebab
akibat untuk meramalkan permintaan.
2. Permalan Subjective atau Kualitatif, yaitu
peramalan yang menggabungkan faktor-faktor
seperti intuisi pengambil keputusan, emosi,
pengalaman pribadi dan sistem nilai.
 TUJUAN METODE KUALITATIF
1. Keputusan dari pendapat juri eksekutif (jury of
executive opinion). Tekhnik peramalan yang meminta
pendapat segolongan kecil manajer tingkat tinggi dan
menghasilkan estimasi permintaan kelompok.
2. Metode Delphi (delphi method). Tekhnik peramalan
yang menggunakan dimana para pakar melakukan
peramalan.
3. Gabungan dari Tenaga Penjualan (sales force
composite). Tekhnik peramalan berdasarkan prediksi
tenaga penjualan akan penjualan yang diharapkan.
4. Survei pasar konsumen (consumer market survey).
Metode peramalan yang meminta input dari
konsumen mengenai rencana pembelian mereka di
masa depan.
 METODE KUANTITATIF

1. Pendekatan Naif
2. Rata-rata Bergerak Model
3. Penghalusan Eksponensial Time Series
4. Proyeksi Tren
5. Regresi Linear Model
Asosiatif
 METODE KUANTITATIF

1. Model Time-Series, yaitu tekhnik peramalan yang

menggunakan sekumpulan data masa lalu untuk
melakukan peramalan.
2. Model Asosiatif (Hubungan Sebab Akibat), yaitu
menggabungkan variabel atau faktor yang
mungkin mempengaruhi kuantitas yang sedang
diramalkan.
 DEKOMPOSISI TIME SERIES
1. Tren, merupakan pergerakan data sedikit demi
sedikit meningkat atau menurun. Contoh hal-hal
yang dapat mempengaruhi: perubahan
pendapatan, populasi, penyebaran umur, atau
pandangan budaya.
2. Musim, merupakan pola data yang berulang
pada kurun waktu tertentu. Contoh: restoran akan
lebih sibuk pada hari libur.
3. Siklus, merupakan pola dalam data yang terjadi
setiap beberapa tahun.
4. Variasi Acak, merupakan satu titik khusus dalam
data, yang disebabkan oleh peluang dan situasi
yang tidak biasa.
 PENDEKATAN NAIF

Merupakan tekhnik peramalan yang mengasumsikan

permintaan di periode mendatang sama dengan
permintaan terkini.
Model ini adalah model peramalan objective yang
paling efektif dan efisien dari segi biaya.

Contoh: Hasil penjualan produk X dalam bulan ini

mencapai 100 unit, maka peramalan untuk bulan
berikutnya juga sebanyak 100 unit.
 RATA-RATA BERGERAK
Merupakan metode peramalan yang menggunakan
rata-rata dari sejumlah (n) data terkini untuk
meramalkan periode mendatang.
Rata-rata bergerak berguna jika kita dapat
mengasumsikan bahwa permintaan pasar akan stabil
sepanjang masa yang kita ramalkan.

𝑅𝑎𝑡𝑎 − 𝑟𝑎𝑡𝑎 𝐵𝑒𝑟𝑔𝑒𝑟𝑎𝑘

σ 𝑝𝑒𝑟𝑚𝑖𝑛𝑡𝑎𝑎𝑛 𝑛 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑠𝑒𝑏𝑒𝑙𝑢𝑚𝑛𝑦𝑎
=
𝑛
 CONTOH
Bulan Penjualan Aktual Rata-rata Bergerak 3
bulanan
Januari 10
Februari 12
Maret 13
April 16 (10+12+13)/3 = 11,67
Mei 19 (12+13+16)/3 = 13,67
Juni 23 (13+16+19)/3 = 16
Juli 26 (16+19+23)/3 = 19,33
Agustus 30 (19+23+26)/3 = 22,67
September 28 (23+26+30)/3 = 26,33
Oktober 18 (26+30+28)/3 = 28
November 16 (30+28+18)/3 = 25,33
Desember 14 (28+18+16)/3 = 20,67
 PEMBOBOTAN

Pemilihan bobot merupakan hal yang tidak pasti

karena tidak ada rumus untuk menetapkannya.

𝑅𝑎𝑡𝑎 − 𝑟𝑎𝑡𝑎 𝑏𝑒𝑟𝑔𝑒𝑟𝑎𝑘 𝑑𝑒𝑛𝑔𝑎𝑛 𝑝𝑒𝑚𝑏𝑜𝑏𝑜𝑡𝑎𝑛

σ(𝑏𝑜𝑏𝑜𝑡 𝑝𝑎𝑑𝑎 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑛)(𝑝𝑒𝑟𝑚𝑖𝑛𝑡𝑎𝑎𝑛 𝑝𝑎𝑑𝑎 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑛)
=
σ 𝑏𝑜𝑏𝑜𝑡
 CONTOH

Periode Bobot yang diberikan

Bulan lalu 3
Dua bulan lalu 2
Tiga bulan lalu 1
Jumlah total bobot 6

𝑅𝑎𝑚𝑎𝑙𝑎𝑛 𝑢𝑛𝑡𝑢𝑘 𝑏𝑢𝑙𝑎𝑛 𝑖𝑛𝑖

3 ∗ 𝑝𝑒𝑛𝑗𝑢𝑎𝑙𝑎𝑛 𝑏𝑢𝑙𝑎𝑛 𝑙𝑎𝑙𝑢 + 2 ∗ 𝑑𝑢𝑎 𝑏𝑢𝑙𝑎𝑛 𝑙𝑎𝑙𝑢 + 1 ∗ 𝑡𝑖𝑔𝑎 𝑏𝑢𝑙𝑎𝑛 𝑙𝑎𝑙𝑢
=
6
 HASIL PERAMALAN
Bulan Penjualan Rata-rata bergerak dengan
pembobotan 3 bulan
Januari 10
Februari 12
Maret 13
April 16 [(3*13)+(2*12)+(10)]/6 = 12,17
Mei 19 [(3*16)+(2*13)+(12)]/6 = 14,33
Juni 23 [(3*19)+(2*16)+(13)]/6 = 17
Juli 26 [(3*23)+(2*19)+(16)]/6 = 20,5
Agustus 30 [(3*26)+(2*23)+(19)]/6 = 23,83
September 28 [(3*30)+(2*26)+(23)]/6 = 27,5
Oktober 18 [(3*28)+(2*30)+(26)]/6 = 28,33
November 16 [(3*18)+(2*28)+(30)]/6 = 23,33
Desember 14 [(3*16)+(2*18)+(28)]/6 = 18,67
 MASALAH DALAM
RATA-RATA BERGERAK
1. Bertambahnya jumlah n (jumlah periode yang
dirata-rata) kurang sensitif terhadap perubahan
nyata pada data.
2. Rata-rata bergerak tidak dapat menggambarkan
tren dengan baik. Nilai rata-rata akan selalu
berada dalam tingkat yang sebelumnya dan tidak
akan memprediksikan perubahan ke tingkat yang
lebih tinggi atau lebih rendah, yang merupakan
nilai aktual sesungguhnya.
3. Rata-rata bergerak memerlukan data masa lalu
yang ekstensif.
 PENGHALUSAN EKSPONENSIAL

Merupakan suatu tekhnik peramalan rata-rata

bergerak dengan pembobotan dimana data diberi
bobot oleh sebuah fungsi eksponensial. Metode ini
menggunakan sangat sedikit pencatatan data masa
lalu.
Equation:
𝑃𝑒𝑟𝑎𝑚𝑎𝑙𝑎𝑛 𝑏𝑎𝑟𝑢
= 𝑝𝑒𝑟𝑎𝑚𝑎𝑙𝑎𝑛 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑙𝑎𝑙𝑢
+ 𝛼(𝑝𝑒𝑟𝑚𝑖𝑛𝑡𝑎𝑎𝑛 𝑎𝑘𝑡𝑢𝑎𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑙𝑎𝑙𝑢
 EQUATION DALAM BENTUK LAIN

Ft = Ft-1 + (At-1 - Ft-1)

Dimana:
Ft = peramalan baru
Ft-1 = peramalan sebelumnya
 = konstanta penghalus (pembobot) (0 ≤  ≤1)
At-1 = permintaan aktual periode lalu
 CONTOH

Diketahui sebuah perusahaan telah meramalkan

penjualan di bulan Februari sebanyak 142 unit.
Namun, permintaan aktualnya sebesar 153 unit.
Konstanta yang dipilih oleh pihak manajemen yaitu
sebesar 0,20.
Ditanya: Bagaimanakah peramalan bulan Maret
menggunakan model penghalusan eksponensial?
Jawab:
Peramalan baru = 142 + 0,2 (153 – 142)
= 142 + 2,2
= 144,2
Jadi peramalan permintaan untuk bulan Maret yaitu
sebesar 144 unit.
 LATIHAN SOAL

Bulan Penjualan
Berikut adalah Januari 20
data penjualan Februari 21
bulanan Maret 15
April 14
PT. TELCO.
Mei 13
Juni 16
Juli 17
Agustus 18
September 20
Oktober 20
November 21
Desember 23
 PERTANYAAN

Dari data penjualan tersebut, maka ramalkan

penjualan bulan Januari tahun berikutnya
menggunakan metode berikut:
1. Metode Naif.
2. Rata-Rata Bergerak 3 bulanan.
3. Rata-rata bergerak berbobot 6 bulanan
menggunakan 0,1 - 0,1 - 0,1 - 0,2 - 0,2 – 0,3
dengan bobot terberat untuk bulan lalu yang
paling dekat.
4. Penghalusan eksponensial menggunakan  = 0,3
dan peramalan bulan Desember = 18
 PENGHALUSAN EKSPONENSIAL
DENGAN PENYESUAIAN TREN
Peramalan dengan Tren (FITt), idenya adalah
menghitung rata-rata data penghalusan
eksponensial dan kemudian menyesuaikan untuk
kelambatan (lag) positif atau negatif pada tren.
Rumusnya:
𝑃𝑒𝑟𝑎𝑚𝑎𝑙𝑎𝑛 𝑑𝑒𝑛𝑔𝑎𝑛 𝑇𝑟𝑒𝑛(𝐹𝐼𝑇𝑡)
= 𝑝𝑒𝑟𝑎𝑚𝑎𝑙𝑎𝑛 𝑝𝑒𝑛𝑔ℎ𝑎𝑙𝑢𝑠𝑎𝑛 𝑒𝑘𝑠𝑝𝑜𝑛𝑒𝑛𝑠𝑖𝑎𝑙 𝐹𝑡
+ 𝑇𝑟𝑒𝑛 𝑝𝑒𝑛𝑔ℎ𝑎𝑙𝑢𝑠𝑎𝑛 𝑒𝑘𝑠𝑝𝑜𝑛𝑒𝑛𝑠𝑖𝑎𝑙(𝑇𝑡)
Prosedur ini membutuhkan dua konstanta
penghalusan,  untuk rata-rata dan β untuk tren.
PENGHITUNGAN RATA-RATA DAN
TREN UNTUK SETIAP PERIODE
𝐹𝑡
= 𝛼 𝑝𝑒𝑟𝑚𝑖𝑛𝑡𝑎𝑎𝑛 𝑎𝑘𝑡𝑢𝑎𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑡𝑒𝑟𝑎𝑘ℎ𝑖𝑟
+ 1 − 𝛼 (𝑝𝑒𝑟𝑎𝑚𝑎𝑙𝑎𝑛 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑡𝑒𝑟𝑎𝑘ℎ𝑖𝑟
 KETERANGAN

Ft = peramalan dengan eksponensial yang

dihaluskan dari data berseri pada periode t
Tt = tren dengan eksponensial yang dihaluskan
pada periode t
At = permintaan aktual pada periode t
 = konstanta penghalusan untuk rata-rata
(0 ≤  ≤1)
Β = konstanta penghalusan untuk tren (0 ≤ β ≤ 1)
 LANGKAH PERAMALAN DENGAN
PENYESUAIAN TREN
1. Menghitung Ft peramalan eksponensial yang
dihaluskan untuk periode t, menggunakan
persamaan (1)
2. Menghitung tren yang dihaluskan, Tt,
menggunakan persamaan (2)
3. Menghitung peramalan dengan tren, FITt, dengan
formula FITt = Ft + Tt
 PROYEKSI TREN

Tekhnik ini mencocokkan garis tren pada

serangkaian data masa lalu dan kemudian
memproyeksikan garis pada masa datang untuk
peramalan jangka menengah atau jangka panjang.

Untuk proyeksi tren kita menerapkan Metode Kuadrat

Terkecil (Least Square Method).
PENDEKATAN KUADRAT TERKECIL

Equation:
𝑦ො = 𝑎 + 𝑏𝑥
Dimana,
𝑦ො = nilai terhitung variable yang akan diprediksi
(variabel terikat)
a = persilangan sumbu y
b = kemiringan garis regresi (atau tingkat perubahan
pada y untuk perubahan yang terjadi di x)
x= variabel bebas (dalam kasus ini adalah waktu)
 CON’T

Kemiringan b ditemukan dengan:

σ 𝑥𝑦 − 𝑛 𝑥 𝑦
𝑏=
σ 𝑥2 − 𝑛 𝑥 2
Dimana,
b: kemiringan garis regresi
∑: tanda penjumlahan total
x: nilai variable bebas yang diketahui
y: nilai variable terkait yang diketahui
𝑥: rata-rata nilai x
𝑦: rata-rata nilai y
n: jumlah data atau pengamatan
 CATATAN PENGGUNAAN
METODE KUADRAT TERKECIL
1. Selalu petakan data karena data kuadrat terkecil
mengasumsikan adanya hubungan linear.
2. Jangan memprediksikan periode waktu terlalu
jauh di depan mata data yang diberikan, misal 3
s/d 4 periode ke depan.
3. Deviasi disekitar garis kuadrat terkecil diasumsikan
acak.
 VARIASI MUSIMAN PADA DATA

Variasi musiman, yaitu pergerakan reguler meningkat

atau menurun dalam satu kurun waktu tertentu
terkait dengan kejadian yang berulang. Contoh:
cuaca, liburan, dll.

Menggunakan peramalan time series.

 METODE PERAMALAN ASOSIATIF

1. Analisis regresi, yaitu model matematis garis lurus

yang menjelaskan hubungan fungsional antara
variabel bebas dan variabel terikat.

2. Korelasi, yaitu suatu ukuran yang menunjukkan

kekuatan hubungan antara dua variabel.
 ANALISIS REGRESI

Equation:
𝑦ො = 𝑎 + 𝑏𝑥
Dimana,
𝑦ො = nilai variabel terikat
𝑎 = perpotongan sumbu y
𝑏 = kemiringan garis regresi
𝑥 = variabel bebas
 EXAMPLE

Penjualan (y) Upah (x)

2 1
3 3
2.5 4
2 2
2 1
3.5 7
Total 15 18
 CON’T

Penjualan (y) Upah (x) X^2 xy

2 1 1 2
3 3 9 9
2.5 4 16 10
2 2 4 4
2 1 1 2
3.5 7 49 24.5
Total 15 18 80 51.5
 KOEFISIEN KORELASI UNTUK
GARIS REGRESI
Koefisien korelasi (r) adalah suatu bilangan antara +1
dan -1.
Untuk menghitung r, kita menggunakan data yang
sama yang dibutuhkan untuk menghitung a dan b
untuk garis regresi. Persamaannya adalah:
𝑛 σ 𝑥𝑦 − σ 𝑥 σ 𝑦
𝑟=
2 2
𝑛 σ 𝑥 2 − (σ 𝑥) 𝑛 σ 𝑦 2 − (σ 𝑦)
 ANALISIS REGRESI BERGANDA

Regresi berganda adalah suatu metode peramalan

sebab akkibat dengan lebih dari satu variabel
bebas.
Equation:
𝑦ො = 𝑎 + 𝑏1 𝑥1 + 𝑏2 𝑥2
dimana,
𝑦ො = variabel terikat, ex: penjualan
𝑎 = sebuah konstanta
𝑏1 𝑑𝑎𝑛 𝑏2 = koefisien dari 2 variable bebas
𝑥1 𝑑𝑎𝑛 𝑥2 = nilai 2 variabel bebas berturut-turut, ex:
upah dan tingkat suku bunga
 PENGAWASAN DAN
PENGENDALIAN PERAMALAN
Sinyal penelusuran adalah ukuran seberapa baik
peramalan memprediksi nilai aktual.
Sinyal penelusuran positif menandakan permintaan
lebih besar daripada peramalan.
Sinyal penelusuran negatif menunjukkan bahwa
permintaan lebih sedikit daripada peramalan.

Sinyal penelusuran yang bagus yaitu yang memiliki

running sum of the forecast errors (RSFE) rendah.
RSFE didapat dari:
(𝑝𝑒𝑟𝑚𝑖𝑛𝑡𝑎𝑎𝑛 𝑎𝑘𝑡𝑢𝑎𝑙 𝑝𝑎𝑑𝑎 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑖
𝑅𝑆𝐹𝐸 = ෍
−𝑝𝑒𝑟𝑎𝑚𝑎𝑙𝑎𝑛 𝑝𝑒𝑟𝑚𝑖𝑛𝑡𝑎𝑎𝑛 𝑝𝑎𝑑𝑎 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑖)