FORECASTING

(PERAMALAN)
 SUPARJON (196060200111003)
 LUANA PUTRI ALVIARI (196060200111004)
Magister Teknik Mesin
Universitas Brawijaya, Malang
2020
PENDAHULUAN
FORECASTING /
PERAMALAN

SUPARJON
196060200111003
 Pengertian Forecasting/Peramalan
■ Suatu fungsi bisnis yang berusaha memperkirakan permintaan dan
penggunaan produk sehingga produk-produk itu dapat dibuat dalam
kuantitas yang tepat. Gaspersz (2004)

■ Memperkirakan sesuatu pada waktu-waktu yang akan datang berdasarkan

data masa lampau yang dianalisis secara ilmiah, khususnya menggunakan
metode statistika. Supranto (1984)

■ Merupakan seni dan ilmu dalam memprediksikan kejadian yang mungkin

dihadapi pada masa yang akan datang. Sofjan Assauri (1993)
Konsep Dasar Sistem Forecasting (Gaspersz: 2004)

1. Menentukan tujuan dari peramalan.

2. Memilih item independent demand yang akan diramalkan.
3. Menentukan horison waktu dari peramalan (jangka pendek,
menengah, dan panjang).
4. Memilih model-model peramalan.
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.
FORECASTING
METHOD
(GASPERSZ: 2004)
1. Weight Moving Average (WMA)
■ Suatu model rata-rata bergerak n-periode terbobot, weighted
MA(n), dinyatakan sebagai berikut

■ Contoh: WMA untuk tiap 3 pembobot (3 month weight moving

average
Ft = peramalan baru
At-n = nilai penjualan aktual sebelumnya
 2. Exponential Smoothing
■ Digunakan untuk pola data yang tidak stabil atau perubahannya
besar dan bergejolak
■ Peramalan pertama dapat diperoleh melalui hasil total seluruh
penjualan aktual dibagi dengan jumlah periode

untuk peramalan selanjutnya

Dimana, Ft = peramalan baru

Ft-1 = peramalan sebelumnya
α = konstanta penghalus (pembobot) (0 ≤ α ≤ 1)
At-1 = nilai penjualan aktual sebelumnya
 3. Regresi Linier
■ Digunakan sebagai metode peramalan apabila pola historis dari data
aktual permintaan menunjukkan adanya suatu kecenderungan menaik
dari waktu ke waktu.
■ Koefisien regresi α dan β merupakan dua parameter yang akan ditaksir
dari data sampel. Bila taksiran untuk kedua parameter itu masing-
masing dinyatakan dengan a dan b maka µy|x dapat ditaksir dengan ŷ
dari bentuk garis regresi berdasarkan sampel atau garis kecocokan
regresi

Ŷ : nilai ramalan permintaan pada periode ke-t

a : intersept
b :tingkat perubahan dalam permintaan.
x : indeks waktu ( t = 1,2,3,...,n) ; n adalah banyaknya periode waktu
Slope dan intersept dari persamaan regresi linier dihitung dengan menggunakan
formula berikut

Keterangan
a : slope dari persamaan garis lurus
b : intersept dari persamaan garis lurus
x : index waktu
x-bar : nilai rata-rata dari x
y : variabel permintaan (data aktual permintaan)
y-bar : nilai rata-rata permintaan per periode waktu, rata-rata dari y

Slope diartikan perubahan nilai variabel terikat sebagai akibat perubahan nilai
variabel terkait
Intercept diartikan suatu titik perpotongan antara garis dengan sumbu Y pada
diagram saat X = 0
VALIDASI
FORECASTING /
PERAMALAN

LUANA PUTRI ALVIARI

196060200111004
 Formula Validasi Peramalan (Forecasting)

1 Mean Absolute Deviation

2 Mean Squared Error

Mean Absolute Percentage

3 Error

4 Tracking Signal

5 Moving Range
1. Mean Absolute Deviation
Akurasi peramalan akan tinggi apabila nilai-nilai MAD (Mean
Absolute Deviation), mean absolute percentage error, dan mean
squared error semakin kecil.
MAD merupakan nilai absolut forecast error dibagi dengan periode
atau banyak jumlah dari nilai absolut forecast error tersebut.

■ Formula MAD :
2. Mean Squared Error

Menurut Gaspersz (2004), MSE (Mean Squared Error) biasa disebut

juga galat peramalan.
Nilai MSE Diperoleh dari jumlah squarred error yang dibagi
dengan periode keseluruhan.

■ Formula MSE :
3. Mean Absolute Percentage Error
MAPE (Mean Absolute Percentage Error) menunjukkan rata-rata
prakiraan absolut error dalam bentuk persentase dibagi dengan
jumlah data aktualnya

■ Formula MAPE :
4. Tracking Signal
Tracking signal yang positif menunjukkan bahwa nilai aktual
permintaan lebih besar daripada ramalan, sedangkan apabila negatif
berarti nilai aktual permintaan lebih kecil daripada forecasting .

■ Formula Tracking Signal

Running sum of the forecast errors

dibagi dengan mean absolute
deviation

Tracking Signal dapat digunakan untuk melihat apakah nilai-nilai

yang dihasilkan berada di dalam atau di luar batas-batas
pengendalian.
5. Moving Range
Moving range dibuat untuk membandingkan nilai-nilai observasi
atau data aktual berdasarkan nilai forecasting.

■ Formula Moving Range

Keterangan :
Ft-1 = peramalan sebelumnya
At-1 = nilai penjualan aktual sebelumnya
Ft = peramalan baru
At = nilai penjualan aktual
TERIMA KASIH