PERAMALAN &

PENGELOLAAN DEMAND
 Peramalan
Peramalan :
Estimasi nilai atau karakteristik masa depan

• Prediksi (prediction)
• Peramalan (forecast)
• Kecenderungan (trend)
 Demand
 Faktor yang mempengaruhi demand
• Variasi random
• Rencana konsumen
• Daur hidup produk
• Pesaing
• Perilaku/sikap konsumen
• Waktu
• Siklus bisnis
• Iklan
• Sales effort
• Reputasi
• Desain produk
• Kebijaksanaan kredit
• Kualitas
Sistem Peramalan
Karakteristik Peramalan yang Baik
 Hal-hal utama yang merupakan karakteristik
peramalan yang baik:
• Biaya dan manfaat
 Biaya mencakup biaya pengembangan metode,
biaya kegiatan peramalan dan biaya akibat
kesalahan peramalan
 Manfaat yang dapat diperoleh yaitu mengerti
hubungan antara permintaan dan faktor lain serta
dapat mengendalikan produksi sesuai kondisi dunia
nyata
Karakteristik Peramalan Yang Baik

• Ketelitian (ramalan sesuai kondisi aktual)

• Sederhana dalam perhitungan
• Kemampuan menyesuaikan terhadap perubahan
• Lead time, periode, horizon peramalan
Taksonomi
Peramalan
 Metode Kualitatif
 Penggunaan metode kualitatif:
• Tidak memerlukan data kuantitatif
• Unsur subyektifitas peramalan sangat besar
pengaruhnya dalam hasil peramalan
• Baik untuk peramalan jangka panjang
• Didasarkan pada pertimbangan akal sehat (human
judgement) dan pengalaman
 Metode Kualitatif
 Keputusan Manajemen
 Teknik Delphi
 Gabungan Pendapat Tenaga Penjual
 Riset Pasar
 Analogi Historis
 Kurva Siklus Daur Hidup
 Kurva Siklus Daur Hidup
 Model Logistik:
𝑦𝑡 = 𝑘ൗ
ሺ1 + 𝑒 𝑎+𝑏 ሻ → log 𝑦𝑡 = 𝑎 + 𝑏 + 𝑐 2

Dimana: 𝑦𝑡 = permintaan pada tahun t

e = bilangan Napier (logaritma natural)

a, b = konstanta

k = asimptot atas
 Metode Kuantitatif
 Penggunaan model kuantitatif membutuhkan:
• Data kondisi masa lalu
• Data tersebut dapat dikuantifisir
• Diasumsikan pola data masa lalu akan berlanjut pada masa yang akan
datang

 Data yang digunakan untuk keperluan perencanaan produksi:

• Paling baik menggunakan data permintaan
• Menggunakan data jumlah unit penjualan
• Jika tidak memiliki data penjualan maka dapat menggunakan data
jumlah unit produksi
 Metode Kuantitatif
 Metode Intrinsik (Time Series)
• Hanya berdasarkan data permintaan masa lalu tanpa
mempertimbangkan faktor-faktor eksternal yang mungkin
mempengaruhi besarnya permintaan.
• Cocok untuk peramalan jangka pendek

 Metode Ekstrinsik (Kausal)

• Mempertimbangkan faktor-faktor eksternal yang mungkin
dapat mempengaruhi besarnya permintaan di masa datang.
• Cocok untuk peramalan jangka pajang
 Prosedur Peramalan
 Plot data permintaan vs waktu

 Pilih beberapa metode peramalan

 Evaluasi kesalahan peramalan

 Pilih metode peramalan dengan kesalahan

peramalan terkecil

 Interpretasi hasil peramalan

Pola Data
 Ukuran Akurasi Hasil Peramalan
 Rata-rata Deviasi Mutlak (Mean Absolute
Deviation = MAD)
σȁ𝐴𝑡 − 𝐹𝑡 ȁ
MAD =
𝑛
𝐴𝑡 = Permintaan aktual pada periode t

𝐹𝑡 = Peramalan Permintaan (Forecast) pada periode t

n = Jumlah periode peramalan yang terlibat

 Ukuran Akurasi Hasil Peramalan
 Rata-rata Kuadrat Kesalahan (Mean Square
Error = MSE)
σ ሺ𝐴𝑡 − 𝐹𝑡 ሻ2
MSE =
𝑛
𝐴𝑡 = Permintaan aktual pada periode t

𝐹𝑡 = Peramalan Permintaan (Forecast) pada periode t

n = Jumlah periode peramalan yang terlibat

 Ukuran Akurasi Hasil Peramalan
 Rata-rata Kesalahan Peramalan (Mean Forecast
Error = MFE)
σ ሺ𝐴𝑡 − 𝐹𝑡 ሻ
MFE =
𝑛
𝐴𝑡 = Permintaan aktual pada periode t

𝐹𝑡 = Peramalan Permintaan (Forecast) pada periode t

n = Jumlah periode peramalan yang terlibat

 Ukuran Akurasi Hasil Peramalan
 Rata-rata Persentase Kesalahan Absolut (Mean
Absolute Percentage Error = MAPE)
𝐹𝑡
σ ቀቚ
𝐴𝑡 − ቚ× 100%ቁ
𝐴𝑡
MAPE =
𝑛
𝐴𝑡 = Permintaan aktual pada periode t

𝐹𝑡 = Peramalan Permintaan (Forecast) pada periode t

n = Jumlah periode peramalan yang terlibat

Contoh Metode Constant
Bulan t dt
n

Jan1 90 d t
Feb 2 111 d 't  1
Mar 3 99 n
Apr 4 89
Mei 5 87
Jun 6 84
Jul 7 104
Aus 8 102 12

Sep 9 95 1191
Okt 10 114 d 't  1
 99.25
Nov 11 103 12
Des 12 113
S=1191
 Contoh Metode Linear trend
n n n
t dt tdt t2 d’t (dt-d’t)2
n  td t   d t  t
1 2050 2050 1 2108,5 3.422,2
2 2235 4470 4 2210,1 620,0 b t 1 t 1 t 1
2
3 2420 7260 9 2311,7 11.728.9  n n

4 2360 9440 16 2413,3 2.840,9 n t   t 
2

5 2490 12450 25 2514,9 620,0 t 1  t 1 

6 2620 15720 36 2616,5 12,3
21 14175 51390 91 19.244,3 n n
d’t = a + bt
= 2006,9 + 101,6t d t  b t
a t 1 t 1

n
a  2006,9 dan b 101,6
 Metode Quadratic
 Model ini menggunakan data yang secara random
berfluktuasi membentuk
kurva quadratic.
 Rumus untuk model quadratic:

d ' (t )  a  bt  ct 2
t  1, 2, 3, ....
  
b
   2
 Metode Quadratic
2 n n n
n
2
n
    t   n t 4    t  Y (t )  n tY (t )
 t 1  t 1 t 1 t 1 t 1

n n n
  t 2
 Y (t )  n  Y (t )
t 2

t 1 t 1 t 1

n n n 2
  n n
   t  t  n t 2 3
    t   n t 2
t 1 t 1 t 1  t 1  t 1

n n n

  (b)( )  Y (t ) t  t 2

c a t 1
b t 1
c t 1
 n n n
 Contoh Metode Quadratic
t t2 t3 t4 dt tdt t2dt   (15)(55)  (5)(225)  300
1 1 1 1 16 16 16
  (15) 2  (5)(55)  50
2 4 8 16 24 48 96

3 9 27 81 34 102 306   (55) 2  (5)(979)  1870

4 16 64 256 46 184 736
  (15)(180)  (5)(650)  550
5 25 125 625 60 300 1500
  (55)(180)  (5)(2654)  3370
S 15 55 225 979 180 650 2654
(1870)
( 1870)(550)  ( 3370)(300) cˆ  1
bˆ  5  1870
( 1870)(50)  ( 300) 2

180 (5)(15) 55
aˆ     10
5 5 5

d ' (t )  10  5t  t 2  d ' (5)  10  5(5)  52  60

 Metode Exponential (1)
 Digunakan apabila persamaan a dan b tidak bisa dipecahkan
dengan cara konvensional.
 Digunakan transformasi logaritma ke dalam situasi regresi.
 Persamaan metode eksponensial :

d' (t)  ae bt
Keterangan:
d’t = Forecast untuk saat t
a = intercept
b = kemiringan garis
t = time (independent variable)
e = exponential (konstanta)
 Metode Eksponensial (2)
 Persamaan transformasi logaritma :

ln d' (t)  ln(a)  ln(e bt )  ln(a)  bt

Keterangan:
d’t = Forecast untuk saat t
a = intercept
b = kemiringan garis
t = time (independent variable)
e = exponential (konstanta)
 Contoh Metode Eksponensial
t dt Ln(dt) tLn(dt) t2
ˆb  (5)(33.8)  (9.60)(15)  0.5
(5)(55)  225
1 2.50 0.92 0.92 1
9.60 (0.5)(15)
2 4.12 1.42 2.84 4 ln(aˆ )    0.42
5 5
3 6.80 1.92 5.76 9

4 11.20 2.42 9.68 16

anti ln(0.42)  e 0.42  2.50  aˆ
5 18.47 2.92 14.60 25

15 9.60 33.8 55

bˆt
d ' (t )  aˆ (e)  2.5e 0.5t  d ' (6)  2.5e 3  50
 Contoh Metode Moving Average
Bulan t dt MA 3 bulan MA 5 bulan
Jan 1 10 - -
Feb 2 12 - -
Mar 3 13 - -
Apr 4 16 (10+12+13)/3=11,66 -
Mei 5 19 (12+13+16)/3=13,66 -
Jun 6 23 (13+16+19)/3=16,00 (10+12+13+16+19)/5 = 14
Jul 7 26 (16+19+23)/3=19,33 (12+13+16+19+23)/5 = 16,6

d t
MA n  t 1

n
 Contoh Metode Weighted
Moving Average
Bulan t dt WMA 3 bulan
Jan 1 10 -
Feb 2 12 -
Mar 3 13 -
Apr 4 16 [(1x10)+(2x12)+(3x13)]/6=12,16
Mei 5 19 [(1x12)+(2x13)+(3x16)]/6=14,33
Jun 6 23 [(1x13)+(2x16)+(3x19)]/6= 17
Jul 7 26 [(1x16)+(2x19)+(3x23)]/6= 20,5

p x d t
WMA n  t 1

p
 Contoh Metode Exponential
Smoothing
Ft 1  Dt  (1   ) Ft
Period Demand Forecast , Ft+1
a=0.3 a=0.5
1 37 - -
2 40 37 37 Penentuan α dilihat dari pola
3 41 37.9 38.5
permintaan:
• sangat tidak stabil/fluktuatif →
4 37 38.83 39.75
mendekati 1
5 45 38.28 38.37
• relatif stabil → mendekati 0
6 50 40.29 41.68
0<α<1
7 43 43.20 45.84
 a besar, smoothing yg dilakukan
8 47 43.14 44.42
kecil
9 56 44.30 45.71
 a kecil, smoothing yg dilakukan
10 52 47.81 50.85
semakin besar
11 55 49.06 51.42  a optimum akan meminimumkan
12 54 50.84 53.21
MSE, MAPE
51.79 53.61
 Metode Seasonal
 Demand meningkat karena pengaruh tertentu atau
berdasarkan waktu.
 Nilai/harga faktor seasonal antar 0 dan 1.
 Formulasi peramalan pada tahun ke i :
d’i = a + bt
Keterangan :
d’i = peramalan untuk saat ke i
t = perioda waktu (bulan, minggu, dll)
 Formulasi Peramalan Seasonal :
SF(i) = (Si).(d’t)
 Contoh Metode Seasonal (1)
Demand (x 1000)
Year
Kwartal-1 Kwartal-2 Kwartal-3 Kwartal-4 Total
1992 12.6 8.6 6.3 17.5 45
1993 14.1 10.3 7.5 18.2 50.1
1994 15.3 10.6 8.1 19.6 53.6
Total 42 29.5 21.9 55.3 148.7

Perhitungan faktor bobot: n n n n n

S1= D1/SD = 42/148.7 = 0.28 
n td t  d t t  d t  b t
S2 = 0.20 b  t 1 t 1 t 1
2 a t 1 t 1
n
 n
 n
S3 = 0.15
S4 = 0.37

n t 2  t 
t 1

 t 1 
 Contoh Metode Seasonal (2)

a = 40.97 b = 4.3
y = 40.97 + 4.3 t
Untuk tahun 1995 (t =4) diperoleh 58.17
Peramalan utk tiap kwartal:
SF1 = S1.F5 = 0.28 (58.7) = 16.28
SF2 = 11.63
SF3 = 8.73
SF4 = 21.53
Forecasting Errors & Tracking Signals
3 metode perhitungan kesalahan peramalan :

 t t
d  d '

a. Mean Absolute Deviation ( MAD)  t 1

N

 d t
N
2
t  d '

b. Mean Squared Error (MSE )  t 1

100 N  d t  d 't 
c. Mean Absolute Percent Error (MAPE)  
N t 1  d t


 Tracking Signal
 Tracking Signal digunakan untuk memeriksa
keandalan dari metode peramalan yg
digunakan
 Batasan nilai tracking signal maksimum ± 4
 Contoh Tracking Signal
Bulan t Demand Hasil Forecast
Januari 2010 1 280 -
Pebruari 2 270 -
Maret 3 330 -
April 4 250 -
Mei 5 340 (280 + 270 + 330 +250)/4 = 283
Juni 6 330 298
Juli 7 350 313
Agustus 8 300 318
September 9 330 330
Oktober 10 350 328
November 11 270 333
Desember 12 290 313
Januari 2011 13 ??? 310
 Contoh Tracking Signal (2)
t D F Error= Kumula Absolu Kumulatif MAD TS=Kum
D–F tif t error absolut error/
Error error MAD
1 340 283 +57 +57 57 57 57 +1
2 330 298 +32 +89 32 89 44,5 +2
3 350 313 +37 +126 37 126 42 +3
4 300 318 -18 +108 18 144 36 +3
5 330 330 0 +108 0 144 28,8 +3,8
6 350 328 +22 +130 22 166 27,7 +4,7
7 270 333 -63 +67 63 229 32,7 +2
8 290 313 -23 +44 23 252 31,5 +1,4
 Verifikasi (1)
 Salah satu metode verifikasi adalah Moving Range Chart
(MRC).
 Moving Range (MR) didefinisikan sebagai :
MR = |d’t – dt| – |d’t-1– dt-1|
Keterangan :
d’t = ramalan pada bulan ke t
dt = kebutuhan pada bulan ke t
d’t–1 = ramalan pada bulan ke t-1
dt–1 = kebutuhan pada bulan ke t-1
 Verifikasi (2)
 Rata-rata MR dihitung :
n 1
 MR i
MR  i 1
n 1

 Batas kontrol atas (UCL), batas kontrol bawah

(LCL), dan garis tengah (CL)

UCL   2,66MR
LCL   2,66MR
CL  0
 Verifikasi (3)

Region C
Region A

Region B
Batas kontrol atas

Garis tengah
d' - d

Region C
Region A

Region B
Batas kontol bawah

Perioda

Gambar 1. Kriteria Peta Kontrol

 Verifikasi (4)
 Pengujian out of kontrol :
 Dari 3 titik yang berurutan, 2 titik atau lebih berada di
daerah A.
 Dari 5 titik yang berurutan, 2 titik atau lebih berada di
daerah B.
 Dari 8 titik yang berurutan, seluruhnya berada di atas atau
di bawah center line.
 Satu titik berada di luar batas kontrol.
 Verifikasi (5)
 Contoh Soal: Kasus Peramalan Konstan

117
MR   10.6
11
UCL  28.2
MR = |d’t – dt| – |d’t-1– dt-1|
LCL  - 28.2
 Verifikasi (6)
30
UCL = +28.2

20

10
d' - d

0 CL

-10

-20

LCL = -28.2
-30
J F M A M J J A S O N D
Bulan

Gambar 2. Peta Kendali Peramalan Konstan

 Verifikasi (7)
 Bila kondisi out of control terjadi.
 Perbaiki ramalan dengan memasukkan data baru.
 Tunggu evidence (fakta-fakta) selanjutnya.
 Soal 1
 Diketahui jumlah penjualan dalam 5 tahun terakhir (unit)

Tahun
Kuartal Total
1 2 3 4 5
I 800 880 940 950 980 4550
II 980 950 900 980 970 4780
III 820 1010 1140 1080 1120 5170
IV 950 980 920 940 990 4780
Total 3550 3820 3900 3950 4060 19280
 Ramalkan jumlah penjualan pada masing-masing kuartal
tahun ke-6 dengan menggunakan metode yang tepat
 Soal 2
 Diketahui permintaan selama tahun 2020
sebagai berikut:
Bulan Demand
Januari 450
Hitunglah hasil
Pebruari
Maret
440
460
peramalan pada
April 510 bulan Januari
Mei 520
Juni 495 2021 dengan
Juli
Agustus
475
560 metode yg tepat
September 510
Oktober 520
November 540
Desember 550