PERAMALAN (FORECASTING)

A. Pendahuluan
 Sering terjadi senjang waktu (time lag) antara kebutuhan
mendatang dengan peristiwa itu sendiri merupakan alasan
utama pentingnya peramalan & perencanaan.
 Jangka Waktu Peramalan
 Pengaruh dari Product Life Cycle

Peramalan merupakan alat bantu dalam membuat

perencanaan yang efektif dan efisien. Mis : Penjadwalan
produksi, masalah transportasi, penanaman modal, dll.
Situasi peramalan sangat ditentukan oleh horizon waktu, tipe
pola data (Constant; Trend; Musiman & Kombinasi) dan
berbagi aspek lainnya.
 What is Forecasting?

Peramalan adalah perhitungan yang obyektif dengan

menggunakan data-data masa lalu untuk menentukan
kondisi dimasa yang akan datang
Proses yang menggambarkan peristiwa/kondisi pada
masa yang akan datang.
Dasar pengambilan keputusan dalam bisnis, meliputi :
Produksi
Persediaan
Keuangan
Pemasaran
SDM
Fasilitas-fasilitas
 Metode-Metode Yang Dikembangkan Dalam
Peramalan :

1. Kualitatif a.Causal
2. Kuantitaif 1. Naïve approach
b.Time 2. Moving averages
3. Exponential smoothing
Series 4. Trend projection

Seven Steps in Forecasting

1. Tentukan Pemakai/Pengguna
2. Pemilihan Pernyataan
3. Penentuan Jangka Waktu
4. Pemilihan Model
5. Pengumpulan Data
6. Buat Peramalan
7. Validiti & Penerapan Hasil Peramalan
a. Metode Kualitatif adalah metode yang
menganalisis kondisi obyektif dengan apa adanya.
Metode ini meliputi : metode Delphi, Metode
nominal grup, Survey pasar & Analisis historikal
analogy and life cycle
b. Metode Kuantitatif, adalah metode yang dapat
diterapkan apabila :
 Tersedia data & Informasi Masa Lalu
 Data & Informasi tersebut dapat dikuantitafkan
dlm bentuk Numerik
 Diasumsikan beberapa aspek masa lala akan
terus berlanjt dimasa datang.
 Time series/runtun waktu adalah suatu analisis yang
mengambarkan pola perkembangan produksi/penjualan
pada pada runtun waktu yang telah lewat untuk dapat
memperoleh besar kecilnya tingkat perkembangan
penjualan/produksi tahunan. Metode peramalan ini dapat
dilakukan dengan Cara :

1. Naive Approach
 Metode peramalan yang mengasumsikan
permintaan antara priode waktu sama. Mis:
Penjualan bulan Mei 48 unit, sama dengan
penjualan bulan Juli 48.
 Keuntungannya cost effective & efficient
 2. Moving Average Method
 MA is metode rata-rata bergerak sederhana yang
dianggap mampu menghilangkan pengaruh
fluktuatif random dalam peramalan
 Equation :

MA   Demand in Previous n Periods

n
Contoh : Jika anda sebagai manajer dalam sebuah UD.AA diminta oleh
pemilik perusahaan untuk meramalkan penjulan setiap bulan pada
tahun 2008 dengan penentuan rata-rata bergerak 2 bulan. Data
Penjualan sebagai berikut:

Bulan Januari Pebruari Maret April Mei

Penjualan (Unit) 100 90 105 95 ?
Moving Average Solution
Moving Average Graph
 Prosedur Pengolahan Data Moving Average Method Dengan
Menggunakan Sofware QM for Windos Sbb:
1. Buka Program QM for windows 2 dengan perintah lalu pilih oke, nampak seperti tampilan
berikut:
2. Dari menu utama QM for windows 2 pilih module lalu pilih sub
menu forecasting, tampil sebagai berikut:
3. Selanjutnya dari menu utama QM for windows 2 pilih New lalu pilih
sub menu Time Series Analysis tampak dilayar Create data set for
forcasting /time series analysis tampil sebagai berikut:
4. Isikan Kota Title (UD. AA) kemudian dikotak number of part
periodes (4) lalu pilih (Moving Average) dan isikan period to average
(2) lalu oke untuk input data tampil sebagai berikut:
5. Pilih Solve pada menu QM for windows 2 tampil output QM sebagai
berikut:
 Weighted Moving Average Method
(Metode Rata-Rata Tertimbang)
 WMA is metode perhitungan yang sama rata-rata
bergerak sederhana namun diperlukan adanya
koefisien penimbang dan digunakan apabila terjadi
trend pada pola data masa lalu.
 Koefisien penimbangnya berdasarkan pada intuisi
dengan besaran : 0 ≤CW≥1
 Equation :
Σ(Weight for period n) (Demand in period n)
WMA =
ΣWeights
Cth:Berdasarkan data sebelumnya diminta untuk menghitung
WMA dengan angka penimbang bulan januari 40%, Pebruari
30%, Maret 20% dan April 10%?
Jawab:
(100*0.4) + (90*0.3) + (105*0.2) + (95*0.1)
WMA =
1
= 97,5.
Kelemahan metode WMA tanggapannya tidak dapat dengan mudah
berubah tanpa merubah masing-masing angka penimbangnya.

Kelemahan-Kelemahan Metode MA & WMA

1. Peningkatan n dalam pembuatan ramalan kurang sesintif dengan
perubahan.
2. Tidak dapat melakukan trend peramalan dengan baik
3. Perlakuan data berdasarkan historis
3. Exponential Smoothing Method
Metode ESM merupakan metode rata-rata bergerak yang memberikan
bobot yang lebih kuat pada data yang lebih terakhir dari pada yang
lebih awal.
Equations :
Contoh :
Berikut ini data PT”XZ” selama 8 Kuartal. Berdasarkan pengalaman manajer
produksi nilai koefisien “pemulus” ditetapkan(α= 0,1) dan peramalan untuk
kuartal pertama ditetapkan 175 unit.
Kuartal Actual
1 180
2 168
3 159 Tentukan Ramalan untuk
4 175 Kuartal ke-9.
5 190
6 205
7 180
8 182
9 ?
Exponential Smoothing Solution
4. Linear Trend Projection
Y i  a  bX i

Yi  a  bX i
Y b>0
a

b<0

a
Time, X
 Kausal/ Metode Least Square (Kuadrat Terkecil)
Metode Kausal (Least Square) Adalah metode pendekatan untuk
menentukan atau menghasilkan garis lurus yang paling tepat yang
meminimumkan jumlah kuadrat perbedaan vertikal dari garis pada
setiap observasi aktual.
Formulasinya :
Contoh :

Saudara diminta menentukan trend linear untuk data deret waktu dari tahun
2001-2007 mengenai permintaan Meubel CV. Anu sebagai berikut :
Tabel Deman CV.Anu Tahun 2000-2007

Tahun Demand
2001 74
2002 79
2003 80
2004 90
2005 105
2006 142
2007 122
Tabel Perhitungan :

Tahun Time Power x2 xy

Period Demand
2001 1 74 1 74
2002 2 79 4 158
2003 3 80 9 240
2004 4 90 16 360
2005 5 105 25 525
2006 6 142 36 852
2007 7 122 49 854
x=28 y=692 x2=140 xy=3,063
 Kesimpulan
1. Time series/Data deret berkala adalah sekumpulan data
yang dicatat dalam suatu periode tertentu.
2. Manfaat analisis Time series/Data deret berkala adalah
mengetahui kondisi masa mendatang atau meramalkan
kondisi mendatang.
3. Peramalan kondisi mendatang bermanfaat untuk
perencanaan produksi, pemasaran, keuangan dan bidang
lainnya.