PERAMALAN

DOSEN PENGAMPUH : INDIRA YUANA,

SE., MM
 PERAMALAN

Peramalan (forecasting) adalah suatu seni dan ilmu

pengetahuan dalam memprediksi peristiwa pada masa
mendatang.

Peramalan akan melibatkan mengambil data historis (seperti penjualan tahun lalu) dan
memproyeksikan mereka ke masa yang akan datang dengan model matematika.
Mungkin akan menjadi prediksi yang bersifat subjektif atau intuitif (misalnya, “ini
adalah produk baru yang hebat akan terjual sebanyak 20% lebih banyak daripada yang
telah ada”).

Peramalan dapat dipengaruhi oleh posisi produk dalam siklus hidupnya, apakah penjualan
berada pada tahap perkenalan, pertumbuhan, kedewasaan atau penurunan. Produk lainnya
dapat dipengaruhi oleh permintaan atas produk terkait. Sebagai contoh, sistem navigasi
dapat menelusuri dengan penjualan mobil baru.
Perencanaan yang efektif baik dalam jangka pendek dan jangka panjang bergantung pada
peramalan atas produk perusahaan.
 PERAMALAN HORIZON
WAKTU

Peramalan Jangka
Pendek Peramalan Jangka
Menengah Peramalan Kisaran
Peramalan ini
Kosaran menengah, atau Panjang
memiliki rentang
intermediate, peramalan Umumnya 3 tahun atau
waktu sampai dengan
umumnya rentang waktu lebih lebih dalam rentang
1 tahun, tetapi
dari 3 bulan hingga 3 waktunya
umumnya kurang dari
3 bulan tahun.

Digunakan untuk Berguna dalam Peramalan jangka panjang

perencanaan pembelian, perencanaan penjualan, digunakan dalam
penjadwalan pekerjaan, perencanaan produksi perencanaan untuk produksi
level angkatan kerja, dan penganggaran, baru, pengeluaran modal,
penugasan pekerjaan dan penganggaran kas, dan lokasi tempat fasilitas atau
level produksi analisis variasi rencana perluasan, dan penelitian
operasional serta pengembangan
 TIPE PERAMALAN

Peramalan Peramalan Teknologi Peramalan

Ekonomi (econmic (technological Permintaan (demand
forecast) forecast) forecast)
Menangani siklus Berkaitan dengan Adalah proyeksi atas
bisnis dengan tingkat perkembangan permintaan untuk
memprediksikan teknologi, di mana produk atau jasa dari
tingkat inflasi, uang dapat menghasilkan perusahaan.
yang beredar, mulai terciptanya produk Peramalan mendorong
pembangunan baru yang lebih keputusan sehingga
perumahan, dan menarik, yang para manajer
memerlukan informasi
indikator memerlukan pabrik
perencanaan dan perlengkapan dengan segera dan
lainnya. yang baru. akurat mengenai
permintaan yang
sesungguhnya.
 PERAMALAN STRATEGI TERHADAP
PERAMALAN

Peramalan yang baik adalah sangat penting dalam seluruh aspek bisnis : peramalan
hanya merupakan estimasi atas permintaan hingga permintaan aktual menjadi
diketahui. Peramalan permintaan oleh karenanya akan mendorong keputusan dalam
banyak area.
Dampak peramalan permintaan produk atas 3 aktivitas berikut :

Manajemen Sumber Daya Kapasitas

Rantai Pasokan Manusia
 LANGKAH DALAM SISTEM PERAMALAN

Peramalan mengikuti tujuh langkah dasar. Kita menggunakan Disney

World, yaitu Profil Perusahaan Global, sebagai contoh untuk masing-
masing langkah berikut :

Menentukan Memilih Menentukan

penggunaan barang yang Memilih
horizon waktu
dari akan model
dari peramalan
peramalan diramalkan peramalan

Mengumpulkan Memvalidasi
data yang dan
Membuat
diperlukan untuk mengimpleme
peramalan
membuat ntasikan
peramalan hasilnya
 PENDEKATAN PERAMALAN

PERAMALAN PERAMALAN
KUANTITATIF KUALITATIF
(QUANTITATIVE (QUALITATIVE
FORECAST) FORECAST)
Menggunakan bermacam- Menggabungkan faktor-
macam model matematika faktor, misalnya instuisi dari
yang bergantung pada si pengambil keputusan,
historis/variabel asosiatif emosi, pengalaman pribadi,
untuk meramalkan dan sistem nilai dalam
permintaan mencapai peramalan.
 IKHTISAR METODE
KUALITATIF

OPINI DARI
DEWAN METODE
EKSEKUSI DELPHI
(JURY OF (DELPHI
EXECUTIVE METHOD)
OPINION)

GABUNGAN
KARYAWAN
BAGIAN SURVEI PASAR
PENJUALAN (MARKET SURVEY)
(SALES FORCE
COMPOSITE)
PERAMALAN RUNTUN WAKTU

Penguraian
Dari Runtun Pendekatan Awam
Waktu

Pergerakan Rata-Rata Penghalusan

Eksponensial
 PERAMALAN RUNTUN WAKTU

Runtun waktu didasarkan pada urutan poin data yang ditempatkan

secara merata (mingguan, bulanan, kuartalan, lainnya)

PENGURAIAN DARI RUNTUN WAKTU

Menganalisis runtun waktu berarti menguraikan data tahun-tahun

yang lalu ke dalam komponen dan kemudian memproyeksikan
mereka ke depan. Runtun waktu memiliki 4 komponen sebagai
berikut :
Variasi secara acak
Kecenderungan Siklus adalah adalah “blip”
adalah pergerakan Musiman adalah pola dalam didalam data yang
data secara bertahap pola data yang data yang disebabkan oleh
ke atas atau kebawah mengulang dengan terjadi setiap adanya peluang dan
selama bertahun- sendirinya setelah beberapa situasi yang tidak
tahun. satu periode hari. tahun. seperti biasanya.
 PENDEKATAN AWAM

Pendekatan Awam (Naive Approach) adalah sebuah teknik peramalan yang

mengasumsikan bahwa permintaan pada periode selanjutnya adalah sama untuk
permintaan pada periode yang terkini.

Pendekatan awam merupakan cara paling sederhana untuk mengasumsikan

bahwa permintaan dalam periode selanjutnya akan setara dengan permintaan
dalam periode yang baru.
Pendekatan Awam (Naive Approach) ini adalah model peramalan yang paling
efektif dalam biaya dan tujuan yang efisien.
Contoh :
Ponsel Nokia, penjualan produknya 68 unit pada Januari, kemudian diramalkan
bahwa penjualan pada Februari juga akan sebesar 68 unit.
 PERGERAKAN RATA-RATA

Peramalan Rata-Rata (Moving Average) adalah sebuah metode peramalan yang

menggunakan rata-rata dari periode yang terkini n terhadap data untuk meramal
periode sebelumnya.

Peramalan Pergerakan Rata-Rata menggunakan sejumlah nilai data aktual historis

untuk menghasilkan peramalan. Pergerakan rata-rata bermanfaat jika kita dapat
mengasumsikan bahwa permintaan pasar akan tetap kokoh secara wajar selama-
bertahun-tahun.

Secara matematis, pergerakan rata-rata yang sederhana (yang berfungsi sebagai

estimasi permintaan periode berikutnya) dicerminkan dengan hal berikut :
Pergerakan Rata-Rata = ∑ permintaan dalam periode n sebelumnya
n
Dimana n adalah jumlah periode dalam pergerakan rata-rata.
 MENENTUKAN PERGERAKAN RATA-
RATA

Donna’s Garden Supply ingin peramalan pergerakan rata-rata 3 bulanan, meliputi

peramalan untuk Januari berikutnya, untuk penjualan Gudang.
Penjualan Gudang penyimpanan ditunjukkan dalam kolom tengah dari tabel di bawah
ini. Pergerakan rata-rata 3 bulanan nampak pada sebelah kanan.

BULAN PENJUALAN AKTUAL PERGERAKAN RATA-

GUDANG RATA 3 BULANAN
JANUARI 10

FEBRUARI 12

MARET 13

APRIL 16 (10+12+13)/3=11 2/3

MEI 19 (12+13+16)/3=13 2/3

 BULAN PENJUALAN AKTUAL PERGERAKAN RATA-
GUDANG RATA 3 BULANAN

JUNI 23 (13+16+19)/3=16

JULI 26 (16+19+23)/3=19 1/3

AGUSTUS 30 (19+23+26)/3=22 2/3

SEPTEMBER 28 (23+26+30)/3=26 1/3

OKTOBER 18 (26+30+28)/3=28

NOVEMBER 16 (30+28+18)/3=25 1/3

DESEMBER 14 (28+18+16)/3=20 2/3

 Peramalan untuk Desember adalah 20 2/3. untuk
memproyeksikan permintaan untuk gudang dalam Januari
mendatang, kita menjumlahkan penjualan Oktober,
November, dan Desember dan dibagi dengan 3; Peramalan
bulan Januari = (18+16+14) / 3 = 16

Manajemen sekarang memiliki peramalan yang penjualan

rata-rata untuk 3 bulan yang lalu. Mudah untuk menggunakan
dan memahami.
 PENGHALUSAN EKSPONENSIAL

Penghalusan eksponensial (exponencial smooting) adalah metode peramalan

pergerakan rata-rata bobot lainnya.
Penghalusan eksponensial merupakan sebuah pergerakan rata-rata robot teknik
peramalan di mana poin-poin data ditimbang oleh sebuah fungsi eksponensial.

Formula penghalusan eksponensial dasar dapat diperhatikan sebagai berikut :

Peramalan Baru = Peramalan Periode Sebelumnya + ą (Permintaan Aktual
Periode Sebelumnya – Peramalan Periode Sebelumnya)

Di mana ą adalah bobot, atau penghalusan konstan (smoothing constant),

dipilih oleh peramal, yang memiliki nilai lebih tinggi daripada atau setara
dengan 0 dan kurang dari atau setara dengan 1.
 Persamaan Pada Penghalusan Eksponensial dapat juga ditulis secara
matematis sebagai berikut :

Ft = Ft-1 + ą (At-1 – Ft-1)

Di mana Ft = peramalan yang baru

Ft-1 = peramalan periode sebelumnya
ą = penghalusan atau bobot konstan (0≤= ą<=1)
At-1 = permintaan aktual periode sebelumnya

Konsepnya tidak rumit. Estimasi permintaan yang terakhir

adalah setara dengan peramalan sebelumnya yang disesuaikan
dengan pecahan perbedaan diantara permintaan aktual periode
sebelumnya dengan peramalan periode sebelumnya.
 VARIASI MUSIMAN DALAM DATA

Variasi Musiman (seasonal variation) dalam data adalah pergerakan secara teratur dalam
rangkaian data (data series) yang terkait dengan kejadian yang berulang, misalnya cuaca
atau hari libur. Seperti permintaan atas batu bara dan bahan bakar minyak, misalnya
mencapai puncaknya selama bulan musim panas. Permintaan atas klub golf atau tabir
surya menjadi sangat tinggi dalam musim panas.

Musiman dapat diterapkan pada pola berdasarkan pada jam, harian, mingguan, bulanan,
atau pola yang berulang lainnya. Seperti pada Pengalaman restoran cepat saji yang
mengalami lonjakan pada tengah hari dan berulang lagi pada jam 5 sore. Contoh lain pada
Film Bioskop dengan melihat permintaan yang lebih tinggi pada malam Jumat dan Sabtu.

Hal yang sama, memahami variasi musiman sangat penting untuk perencanaan kapasitas
dalam organisasi yang menangani lonjakan muatan barang. Kehadiran dari musiman
membuat penyesuaian dalam peramalan garis kecenderungan sangat dibutuhkan.
 PENGAWASAN DAN PENGENDALIAN
PERAMALAN
Salah satu cara untuk memonitor peramalan untuk memastikan bahwa mereka berjalan
dengan baik adalah dengan menggunakan sinyal penelusuran. Sinyal Penelusuran
(tracking signal) adalah pengukuran mengenai seberapa baiknya peramalan dalam
memprediksikan nilai aktualnya.
Sebagaimana peramlan diperbaharui setiap minggu, bulan, atau kuartal, data permintaan
terbaru yang tersedia akan diabndingkan dengan nilai peramalan.

Sinyal penelusuran akan dihitung sebagai kumulatif kesalahan dibagi dengan

rata-rata deviasi yang absolut (MAD), yaitu :

Sinyal Penelusuran = Kesalahan Kumulatif

MAD
= ∑(Permintaan Aktual dalam Periode i –
Peramalan Permintaan Dalam Periode i)
MAD
Di mana :
MAD = ∑(Aktual – Peramalan)
n
 PENGHALUSAN ADAPTIF

Peramalan Adaptif mengacu pada komputer yang memonitor

sinyal penelusuran dan menyesuaikan sendiri jika sinyal
melewati limit yang telah ditetapkan. Misalnya, ketika
diterapkan pada penghalusam eksponensial, koefisien ą
(penghalusan konstan untuk rata-rata (0<= ą<=1) dan ß
(penghalusan konstan untuk kecenderungan (0 <= ß <=1) yang
pertama dipilih pada nilai basis yang meminimalkan kesalahan
peramalan dan kemudian disesuaikan menurut kapan pun
komputer mencatat sinyal penelusuran yang menyimpang.
Prose ini disebut Penghalusan Adaptif (adaptive smoothing).
 PERAMALAN FOKUS

Peramalan Fokus (focus forecasting) merupakan sebuah

peramalan yang mencoba varietas terhadap model
komputer dan memilih salah satu yang terbaik untuk
aplikasi khusus.

Peramalan Fokus didasarkan pada 2 prinsip berikut :

1. Model peramalan yang canggih yang tidak selalu lebih
baik daripada yang sederhana
2. Tidak terdapat teknik tunggal yang akan digunakan
untuk seluruh produk atau jasa.
PERAMALAN DALAM SEKTOR JASA

TOKO RITEL
RESTORAN
KHUSUS
CEPAT SAJI
SEKIAN DAN TERIMA
KASIH