Modul 3

 
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.

Peramalan sangat berkaitan dengan pengelolaan permintaan produk. Tujuan pengelolaan

permintaan produk adalah untuk mengkoordinasikan dan mengawasi semua sumber
daya permintaan sehingga sistem produksi dapat digunakan secara efisien dan produk
dapat dikirim tepat waktu.
 Dasar-dasar Peramalan Permintaan

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

Ada tiga cara untuk mengakomodasi kekurangan pada peramalan yaitu:

1. Mengurangi kesalahan prediksi melalui teknik peramalan yang lebih baik.
2. Membangun fleksibilitas yang lebih baik dalam operasi dan rantai pasok.
3. Menurunkan lead time pada proses rantai pasok.
 Peramalan Dalam Rantai Pasok

Peramalan permintaan merupakan dasar dari keseluruhan keputusan perencanaan strategik

dalam suatu rantai pasok. Untuk proses produksi yang bersifat push process, semua
proses dilakukan sebagai bentuk respon terhadap permintaan pelanggan. Untuk push
process, manajer harus merencanakan tingkat produksi. Sedangkan pada pull process,
manajer harus merencanakan tingkat ketersediaan kapasitas dan persediaan. Untuk
kepentingan tersebut, manajer mula-mula harus meramalkan bagaimanakah pola
permintaan pelanggan nantinya.
 Peramalan Dalam Rantai Pasok
Peramalan memiliki karakteristik tertentu. Perusahaan harus bersikap hati-hati terhadap karakteristik
peramalan sebagai berikut:
1. Peramalan selalu salah atau tidak tepat, oleh karenanya selalu terdiri dari nilai yang diharapkan
sekaligus pengukuran kesalahan peramalan.
2. Peramalan jangka panjang seringkali kurang akurat dibandingkan dengan peramalan jangka pendek.
3. Peramalan agregat seringkali lebih akurat daripada peramalan disagregat karena memiliki standar
deviasi relatif terhadap mean yang lebih besar.
4. Pada umumnya, semakin jauh rantai pasok dari pelanggan mengakibatkan semakin besarnya distorsi
informasi yang diterima. Contohnya, adalah adanya bullwhip effect yaitu ketika variasi permintaan
semakin menjauh dari permintaan konsumen akhir.
 Metode Peramalan
ENDEKATAN-PENDEKATAN DALAM PERAMALAN
erdapat dua pendekatan utama dalam peramalan, yaitu pendekatan kualitatif dan metode kuantitatif.
eramalan kualitatif:
merupakan metode yang bersifat subjektif dan lebih bergantung pada pertimbangan manusia.
Sesuai ketika data historis yang tersedia hanya sedikit atau jika seorang pemasar memiliki kemampuan tinggi
dalam membuat peramalan.
Banyak menggunakan pertimbangan manajerial, pengalaman, data yang relevan dan model matematis yang
implisit dalam pengolahan datanya.
menekankan pada intuisi, emosi, pengalaman pribadi, dan nilai-nilai yang diyakini oleh seorang manajer.
eramalan kuantitaif: merupakan peramalan yang digunakan dengan memanfaatkan berbagai macam model
matematika yang tergantung pada data historis dan/atau variabel-variabel sebab akibat.
 Metode Peramalan
Metode Peramalan Kualitatif
Terdapat empat teknik peramalan kualitatif sebagai berikut (Heizer dan Render, 2014):
1. Jury of executive opinion. Metode ini merupakan metode peramalan dengan mempertimbangkan opini-opini dari para
manajer atau tenaga ahli, yang dikombinasikan dengan model statistik, kemudian dikumpulkan dalam satu kelompok
untuk menentukan perkiraan permintaan di masa yang akan datang. Kemudian, ditunjuk ilmuwan-ilmuwan atau ahli lain
sebagai juri terhadap opini-opini tersebut untuk memperoleh pemahaman atau pandangan terhadap tren permintaan d
masa yang akan datang
2. Metode Delphi. Metode Delphi merupakan teknik terstruktur untuk mendapatkan kesepakatan dengan ahli serta
menghindari adanya dominasi satu individu terhadap keputusan yang diambil. Metode ini menilai serangkaian kuesione
yang sudah dipersiapkan sebagai dasar pengambilan keputusan. Pada Metode Delphi, terdapat tiga partisipan yang
dibedakan, yaitu pengambil keputusan, personel staf, dan responden.
 Metode Peramalan
3. Sales force composite. Pada pendekatan ini, setiap tenaga penjual memperkirakan berapa kira-kira
penjualan di daerahnya masing-masing. Perkiraan ini kemudian direview untuk memastikan bawa
perkiraan tersebut realistis. Selanjutnya, perkiraan-perkiraan tersebut dikumpulkan di tingkat yang lebih
tinggi, bahkan sampai tingkat nasional, untuk memperoleh peramalan secara keseluruhan.
4. Consumer market survey. Metode ini mengumpulkan input dari para konsumen atau konsumen potensial
mengenai rencana pembelian ke depan. Hal ini tidak hanya membantu menyiapkan sebuah peramalan,
tetapi juga untuk memperbaiki desain produk dan perencanaan produk baru. Consumer market survey
dan sales force composite memiliki kelemahan yaitu dapat mengakibatkan peramalan yang terlalu optimis
karena bersumber dari input yang berasal dari konsumen, yang kadangkala berupa komunikasi informal.
 Metode Peramalan

Metode Peramalan Kuantitatif

Terdapat lima teknik peramalan secara kuantitatif, yaitu sebagai berikut.
a. Naive approach
b. Time-series models
Time-series model
c. Moving average Exponential smoothing
d. Associative model
e. Trend projection Linear regression Associative mod
 Metode Peramalan

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.

n = jumlah periode; misalnya 4, 5, atau 6 bulan merupakan 4, 5, atau 6

periode moving average
 Metode Peramalan Time Series

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.

Weighted moving average = Ft = w1At-1 + w2At-2 + . . . wnAt-n

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

Dengan demikian, maka permintaan untuk periode ke-6 adalah:

F6 = 0,1(40) + 0,2(43) + 0,3(40) + 0,4(41) = 41,0
Sedangkan permintaan untuk periode ke-7 adalah:
F7 = 0,1(43) + 0,2(40) + 0,3(41) + 0,4(39) = 40,2
Ingat, jika digunakan empat bobot, maka hanya empat permintaan terakhir yang digunakan
untuk menghitung peramalan.
 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.

Peramalan berikutnya = peramalan sebelumnya + α (aktual – peramalan

sebelumnya)

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

Slope b dapat diperoleh melalui rumus berikut.

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

Dengan demikian, persamaan

liniernya adalah

Untuk memperkirakan permintaan pada

tahun 2019, maka kita nilai tahun 2019
sebagai x = 8; sehingga peramalan
permintaan tahun 2019 adalah:
Permintaan tahun 2019
= 56,70 + 10,54(8)
= 141,02 atau 141 unit
 Metode Peramalan Associative

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

2. Regresi Linier Berganda

Metode regresi linier berganda merupakan pengembangan dari metode regresi sederhana yang telah kita
pelajari sebelumnya. Metode ini membantu kita untuk mengembangkan model matematika dengan
mempertimbangkan beberapa variabel bebas, tidak hanya satu variabel saja seperti pada regresi linier
sederhana.

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

Rumus MAD, MSE, dan MAPE adalah sebagai berikut.

 Akurasi Dan Pengawasan Peramalan

Periode Aktual Peramalan (A-F) |Error| Error2 [|Error| : Aktual]

Error x 100

1 217 215 2 2 4 0,92

2 213 216 -3 3 9 1,41

3 216 215 1 1 1 0,46

4 210 214 -4 4 16 1,90

5 213 211 2 2 4 0,94

6 219 214 5 5 25 2,28

7 216 217 -1 1 1 0,46

8 212 216 -4 4 16 1,89

-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

Hasil-hasil tersebut dapat digunakan untuk membandingkan akurasi metode-

metode peramalan yang digunakan Misalnya, dalam metode exponential smoothing,
seorang pengambil keputusan dapat memilih nilai alpha (α) terbaik antara α 0,1,
0,2, atau 0,3 yang menghasilkan nilai MAD, MSE, dan MAPE terendah. Artinya,
kesalahan (error) yang terjadi ketika menggunakan α tersebut adalah yang terkecil.
 Memilih Teknik 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

Semua peramalan berkaitan dengan empat variabel utama yang

berkombinasi akan menentukan kondisi pasar. Variabel itu adalah:
1. Permintaan.
2. Persediaan.
3. Karakteristik Produk.
4. Lingkungan Kompetitif.
Ada tiga dasar pendekatan untuk menciptakan perencanaan
permintaan yang melibatkan tarik-menarik antar tiga variabel,
yaitu:
1) jumlah kapasitas produksi
2) tingkat pemanfaatan kapasitas produksi
3) jumlah persediaan
Kita akan lihat dengan singkat pada masing-masing tiga pendekatan ini. Dalam praktik nyata,
kebanyakan perusahaan menciptakan kumpulan perencanaan melalui kombinasi tiga pendekatan ini.
1. Penggunaan kapasitas produksi dalam permintaan. Di dalam pendekatan ini ditekankan pada
total jumlah kapasitas produksi vs tingkatan permintaan.
2. Pendekatan ini mengakibatkan tingkat persediaan rendah tetapi sangat mahal dalam penerapan
jika menambahkan atau mengurangi kapasitas tinggi. Hal ini juga sering mengganggu dan
melemahkan semangat pada kekuatan pekerja jika terjadi permintaan naik dan jatuh secara
konstan.
3. Penggunaan bermacam-macam tingkat total kapasitas dalam permintaan. Pendekatan ini
digunakan jika tersedia kelebihan kapasitas produksi dan ketika biaya persediaan tinggi serta biaya
kapasitas kelebihan relatif rendah.
4. Penggunaan pendekatan ini menyediakan stabilitas kekuatan pekerja dan kapasitas pabrik serta
memungkinkan suatu tingkat keluaran yang tetap. Pendekatan ini mengakibatkan pemanfaatan
kapasitas yang lebih tinggi dan menurunkan biaya-biaya dalam mengubah kapasitas tetapi
menghasilkan pekerjaan yang tertunda dan inventaris besar dari waktu ke waktu ketika
permintaan berubah-ubah.
Thank You