Peramalan Permintaan
Dasar-dasar Peramalan Permintaan
Peramalan merupakan gabungan antara seni dan ilmu pengetahuan untuk memprediksi
kejadian di masa datang. Dimana kejadian di masa datang diprediksikan berdasarkan
pada kejadian di masa lalu.
Terdapat dua sumber permintaan yaitu permintaan terikat (dependent demand) dan
permintaan bebas (independent demand). Permintaan terikat adalah permintaan
terhadap suatu produk atau jasa yang disebabkan oleh adanya permintaan terhadap
produk atau jasa lainnya. Permintaan bebas adalah permintaan yang tidak terikat
dengan permintaan produk lainnya.
Suatu permintaan dapat dipengaruhi oleh dua faktor, yaitu faktor internal dan faktor
eksternal.
Pengelolaan Permintaan
1. Faktor eksternal. Faktor eksternal yang mempengaruhi permintaan terhadap produk atau jasa
perusahaan merupakan faktor di luar kontrol perusahaan. Perkembangan ekonomi merupakan salah
satu contoh pengaruh yang bersifat positif, walaupun dampaknya bisa beragam terhadap berbagai
produk atau jasa perusahaan. Sementara itu, beberapa aktivitas ekonomi tertentu seperti perubahan
peraturan pemerintah dapat mempengaruhi permintaan suatu produk atau jasa, tetapi tidak semua
produk atau jasa dapat dipengaruhi
2. Faktor internal. Faktor internal yang dapat mempengaruhi permintaan misalnya keputusan internal
mengenai desain produk atau jasa, harga dan promosi periklanan, desain pengepakan, kuota insentif
bagi tenaga penjual, serta ekspansi.
Pengelolaan Permintaan
Terdapat tiga tipe perilaku permintaan, yaitu pola tren, siklus, dan musiman.
• Tren menunjukkan pergerakan permintaan dengan pola pergerakan naik atau turun
secara bertahap dalam jangka panjang.
• Siklus merupakan pergerakan permintaan yang naik dan turun yang berulang dan
terjadi dalam jangka panjang (lebih dari satu tahun).
• Pola musiman merupakan pola permintaan yang bergerak bebas dan muncul secara
periodik dalam jangka pendek serta berulang. Pola musiman seringkali berkaitan
dengan kondisi musim.
Peramalan Dalam Rantai Pasok
Time-series models merupakan model yang memprediksi berdasarkan asumsi bahwa perkiraan masa
depan merupakan fungsi dari masa lalu. Dengan kata lain, metode ini melihat apa yang sudah terjadi di
masa lalu dan menggunakannya untuk membuat suatu peramalan. Jika kita akan memprediksi penjualan
mingguan suatu produk, maka kita menggunakan data penjualan produk tersebut pada minggu-minggu
sebelumnya untuk membuat suatu peramalan.
Associative models atau causal model (seperti regresi linier) menggabungkan variabel dan faktor lain
yang mungkin mempengaruhi kuantitas yang diramalkan. Contohnya, suatu permintaan terhadap mesin
pemotong rumput tidak hanya tergantng pada harga mesin saja, tetapi juga mempertimbangkan faktor-
faktor lain, misalnya pembangunan rumah-rumah baru, anggaran promosi, dan harga produk pesaing.
Metode Peramalan Time Series
1. Naive Approach
Cara paling mudah untuk melakukan peramalan adalah mengasumsikan bahwa permintaan pada periode
berikutnya adalah sama dengan permintaan pada periode baru-baru ini. Contohnya, jika penjualan
produk X pada bulan Januari adalah sebanyak 100 unit, maka kita meramalkan bahwa penjualan produk
X pada bulan Februari adalah juga 100 unit. Apakah hal ini masuk akal...? Bagaimanapun, naive
approach merupakan metode peramalan yang paling efektif dan efisien, dan seringkali metode ini
digunakan sebagai titik awal untuk melakukan peramalan yang dikombinasikan dengan metode lain
yang lebih rumit.
Metode Peramalan Time Series
2. Moving Average
Moving average menggunakan sejumlah data historis aktual untuk melakukan peramalan.
Moving average bermanfaat jika kita mengasumsikan bahwa permintaan pasar akan tetap
stabil dari waktu ke waktu.
Contoh:
Hitung moving average tiga periode berdasarkan data permintaan pada 5 periode
sebelumnya sebagai berikut.
Periode Permintaan
1 42
2 40
3 43
4 40
5 41
Permintaan 3
periode terakhir
Metode Peramalan
Dengan menggunakan data 3 periode terakhir, maka demikian, peramalan untuk periode ke-6 adalah:
Apabila penjualan aktual pada periode ke-6 tersebut ternyata menjadi 38, maka peramalan
untuk periode ke-7 menjadi:
Ingat, pada moving average, jika terdapat nilai data aktual terbaru, peramalan pada periode berikutnya
harus diperbaiki dengan menambahkan nilai terbaru tersebut; dengan kata lain, peramalan dihitung
berdasarkan nilai terbaru.
Metode Peramalan Time Series
3. Weighted Moving Average
Weighted Average mirip dengan moving average, hanya saja, metode ini memberikan bobot lebih pada
nilai terbaru dalam suatu time series. Misalnya, nilai terbaru diberi bobot 0,4; nilai periode sebelumnya
lagi diberi bobot 0,3; nilai sebelumnya lagi diberi bobot 0,2; dan nilai sebelumnya lagi diberi bobot 0,1.
Perhatikan bahwa penjumlahan semua bobot adalah 1 dan bobot terbesar dberikan kepada nilai terbaru.
Dimana:
w1 = bobot yang diberikan untuk nilai permintaan pada periode t-1
w2 = bobot yang diberikan untuk nilai permintaan pada periode t-2
wn = bobot yang diberikan untuk nilai permintaan pada periode t-n
n = jumlah periode dalam peramalan
Metode Peramalan Time Series
Contoh:
Perhatikan data berikut.
1. Hitung peramalan weighted average menggunakan bobot 0,4 untuk periode terbaru, berturut-turut
ke periode sebelumnya dengan bobot 0,3; 0,2; dan 0,1.
2. Jika permintaan aktual pada periode ke-6 adalah 39, ramalkan permintaan untuk periode ke-7
dengan menggunakan urutan bobot yang sama seperti pada poin a).
Periode Permintaan
1 42
2 40
3 43
4 40
5 41
Metode Peramalan Time Series
4. Exponential Smoothing
Metode ini merupakan metode yang agak rumit daripada metode weighted moving average, namun relatif
mudah untuk digunakan. Setiap peramalan baru didasarkan pada peramalan sebelumnya ditambah
dengan persentase perbedaan antara peramalan tersebut dengan nilai sebenarnya pada titik tersebut
dalam suatu seri.
Ft = Ft – 1 + α (At-1 – Ft-1)
Dimana:
Ft = Peramalan periode t
Ft-1 = Peramalan periode sebelumnya
α = smoothing constant (menunjukkan persentase kesalahan
peramalan)
At-1 = permintaan aktual pada periode sebelumnya
Metode Peramalan Time Series
Contoh:
Misalkan peramalan periode sebelumnya adalah 42, permintaan sebenarnya adalah 40, dan
α = 0,10. Hasil perhitungan peramalan yang baru adalah:
Ft = 42 + 0,10(40 - 42) = 41,8
Jika pada periode ini ternyata permintaan aktual adalah 43, maka peramalan berikutnya
menjadi:
Ft = 41,8 + 0,10(43 – 41,8) = 41,92
Metode Peramalan Time Series
5. Trend Projection (proyeksi tren)
Metode ini membentuk garis tren dari serangkaian titik-titik data historis kemudian melakukan proyeksi garis
tersebut untuk peramalan di masa yang akan dating baik jangka menengah maupun jangka panjang. Pada bagian ini,
kita akan bahas tentang tren linier. Metode matematis yang dapat digunakan untuk menentukan garis tren linier
adalah least-square method. Metode ini menghasilkan sebuah garis lurus yang meminimalkan jumlah kuadrat
perbedaan vertical atau deviasi dari garis ke setiap observasi aktual.
Persamaan garis linier adalah sebagai berikut:
ŷ = a + bx
Dimana:
ŷ = nilai variabel yang diprediksi (variabel terikat)
a = intersep sumbu y
b = slope garis regresi (atau nilai perubahan y jika terjadi perubahan pada x)
x = variabel bebas (dalam hal ini adalah waktu)
Metode Peramalan Time Series
Dimana:
b = slope garis regresi
Σ = tanda jumlah
x = nilai diketahui dari variabel Nilai a dapat diperoleh melalui rumus
bebas
y = nilai diketahui dari variabel
terikat
berikut:
x = rata-rata dari x
y= rata-rata dari y
n= jumlah observasi
a= y -bx
Metode Peramalan Time Series
Contoh:
Permintaan produk X dari tahun 2012 sampai tahun 2018 adalah sebagai berikut (dalam unit).
Perusahaan ingin meramalkan permintaan tahun 2019 menggunakan tren garis lurus.
Tahun Permintaan
2012 74
2013 79
2014 80
2015 90
2016 105
2017 142
Metode Peramalan Time Series
Langkah pertama untuk menyelesaikan masalah tersebut adalah menentukan x (waktu) berdasarkan tahun yang telah
diketahui. Oleh karena itu, kita dapat gunakan 2012 sebagai basis tahun pertama (x = 1), tahun 2013 sebagai tahun
kedua (x = 2), tahun 2014 sebagai tahun ketiga (x = 3), dst. Langkah selanjutnya adalah menghitung y, x2, dan xy
sebagai berikut.
Periode Permintaan
Tahun x2 Xy
Waktu (x) (y)
2012 1 74 1 74
2013 2 79 4 158
2014 3 80 9 240
2015 4 90 16 360
2016 5 105 25 525
2017 6 142 36 852
2018 7 122 49 854
Σx = 28 Σy = 692 Σ x2 = 140 Σ xy = 3.063
Metode Peramalan Time Series
Metode peramalan associative mirip dengan metode trend projection namun memiliki
beberapa kelebihan. Metode ini mampu mempertimbangkan beberapa variabel atau faktor
lain yang terkait dengan kuantitas yang sedang diperhitungkan. Saat variabel tersebut
ditemukan, dapat disusun sebuah model statistik yang digunakan untuk meramalkan
permintaan.
Metode kuantitatif associative yang banyak digunakan untuk meramalkan permintaan adalah
analisis regresi linier dan analisis regresi linier berganda.
Metode Peramalan Associative
1. Regresi Linier
Regresi linier digunakan apabila variabel bebas yang dipertimbangkan hanya terdiri dari satu variabel.
Misalnya, variabel yang mempengaruhi penjualan adalah tingkat pendapatan saja. Rumus matematika
yang digunakan dalam analisis regresi linier adalah sama dengan rumus matematika pada metode trend
projection. Variabel terikat yang ingin kita ramalkan tetap disimbolkan dengan ŷ, namun x bukan lagi
waktu; x adalah variabel bebas yang sudah diidentifikasi akan mempengaruhi jumlah ŷ.
Persamaan matematika regresi linier adalah sebagai berkut.
ŷ = a + bx
Dimana:
ŷ = nilai variabel terikat yang diprediksi (dalam hal ini berupa penjualan atau
permintaan produk)
a = intersep sumbu y
b = slope garis regresi
x = variabel bebas
Metode Peramalan Associative
ŷ = a + b1x1 + b2x2
Dimana:
ŷ = variabel terikat (penjualan)
a = intersep sumbu y
x1 dan x2 = nilai dua variabel bebas (tingkat upah dan suku bunga)
b1 dan b2 = koefisien untuk kedua variabel bebas
Akurasi Dan Pengawasan Peramalan
Kesalahan peramalan (forecast error) adalah perbedaan yang muncul anatara nilai yang muncul
sebenarnya dengan nilai hasil prediksi pada suatu waktu tertentu. Oleh karenanya, error = aktual -
peramalan
et = At - Ft
Akurasi ditentukan berdasarkan data historis kesalahan (error) dari suatu peramalan. Terdapat tiga teknik yang
umum digunakan, yaitu (1) the mean absolute deviation (MAD), (2) the mean squared error (MSE), dan (3)
the mean absolute percent error (MAPE). MAD merupakan rata-rata absolute error, MSE merupakan rata-rata
squared errors, dan MAPE merupakan rata-rata absolute percent error.
Akurasi Dan Pengawasan Peramalan
-2 22 76 10,26%
Akurasi Dan Pengawasan Peramalan
Dengan menggunakan rumus yang telah tersedia, maka dapat diketahui nilai MAD, MSE,
dan MAPE sebagai berikut.
Akurasi Dan Pengawasan Peramalan
Terdapat beberapa cara untuk meminimumkan kesalahan yang mungkin terjadi yang pada awalnya melalui
beberapa pertanyaan berikut ini:
1. Apa yang merupakan tujuan peramalan? Untuk apa digunakan? Jika perkiraan penjualan kotor sudah
cukup, teknik yang sederhana mungkin lebih sesuai, sedangkan jika perkiraan terperinci diperlukan,
teknik yang lebih kompleks mungkin lebih sesuai.
2. Apakah dinamika dari sistem ketika peramalan akan dibuat? Apakah jenis data ekonomi yang akan
digunakan menunjukkan bahwa suatu model menjadi permintaan musiman, atau kecenderungan
bukan musiman?
3. Seberapa penting masa lalu untuk memperkirakan masa depan?
Memilih Teknik Peramalan