Metode Peramalan

(Forecasting Method)
 JENIS
JENIS PERAMALAN
PERAMALAN
 Economic Forecast
Merencanakan indikator ekonomi yang berguna membantu
organisasi untuk menyiapkan peramalan. (inflasi)
 Technological Forecast
Peramalan jangka panjang yang memperhatikan tingkat
kemajuan teknologi.
 Demand Forecast
Meramalkan penjualan suatu perusahaan pada setiap periode
dalam horizon waktu.
MOVING AVERAGE
 Bulan Penjualan Rata2 Bergerak 3-
Metode peramalan Aktual Bulan
yang menggunakan Januari 20
rata-rata dari Februari 30
sejumlah (n) data
Maret 45
terkini untuk
April 31,7 (20+30+45)/3=31,7
meramalkan
periode mendatang 50

0
J F M A

J F M A
 Moving Average dengan Pombobotan
Bobot yg diberikan Periode
3 Bulan lalu (Maret)
2 Dua bulan lalu (Februari)
1 Tiga bulan lalu (Januari)
6 Total bobot

Bulan Penjualan Rata2 Bergerak dengan Pembobotan

Aktual 3-Bulan
Januari 20
Februari 30
Maret 45
April 35,8 {(3x45) + (2x30) + (1x20) / 6 = 35,8
TREND PROJECTION
 Trend Projection (proyeksi
tren) merupakan metode
peramalan yang
y  a  bx
menyesuaikan sebuah garis
tren pada sekumpulan data a= y
masa lalu, dan kemudian n
diproyeksikan dalam garis
untuk meramalkan masa b=
 xy
depan x 2

Y = Variabel Terikat (penjualan)

X = Variabel Bebas (waktu)
a = Konstanta
b = Koefisien Tren
n = Jumlah data (pengamatan)
Perkembangan Penjualan PT.X
Tahun Volume Penjualan (ton)
2003 2.847
2004 3.685
2005 4.065
2006 5.789
2007 7.639
2008 ?
2009 ?
 Th Penjualan X Y XY X²
2003 2.874 -2 2.874 -5.748 4
2004 3.685 -1 3.685 -3.685 1
2005 4.065 0 4.065 0 0
2006 5.789 1 5.789 5.789 1
2007 7.639 2 7.639 15.278 4
=0 =24.052 =11.634 =10

y  a  bx Y = 4.810,4 + 1.164,4 X
a = Y/n = 24.052 / 5 = 4.810,4 Y2008 = 4.810,4 + 1.164,4 (3) =8.300,6
b = XY/X² = 11.634 / 10 = 1.164,4 Y2009= 4.810,4 + 1.164,4 (4) =9.464
SIMPLE LINEAR REGRESSION
 Model matematis garis
lurus yang menjelaskan
hubungan fungsional
y  a  bx
antara satu variabel  xy  nx. y
terikat (dependent b =  x  n( x )
2 2

variable)
a  y  bx
Y = Variabel Terikat
X = Variabel Bebas (bukan waktu)
a = Konstanta
b = Koefisien regresi
n = Jumlah data (pengamatan)
Case:
Perusahaan Konstruksi Nodel, West Bloomfield
 Perusahaan Konstruksi Nodel Years Sales Wages
merenovasi sejumlah rumah
2002 20 1
tua di West Bloomfield,
Michigan. 2003 30 3
 Sejalan dengan waktu, 2004 25 4
perusahaan mendapati bahwa
2005 20 2
biaya pekerjaan renovasinya
tergantung pada tingkat 2006 20 1
penghasilan penduduk yaitu 2007 35 7
upah lokal di West
Bloomfield. Jika kantor perdagangan lokal
 Tabel berikut ini memperkirakan upah wilayah West
menunjukkan penjualan Bloomfield tahun 2008 adalah 6,
Tentukan perkiraan penjualan
Nodel dan upah lokal selama
Nodel tahun 2008?
masa 6 tahun
 Years Sales (Y) Wages (X) X² XY
2002 20 1 1 20
2003 30 3 9 90
2004 25 4 16 100
2005 20 2 4 40
2006 20 1 1 20
2007 35 7 49 245
Y=150 X=18  X²=80 XY=515
Y  25 X 3
y  a  bx
Y  17,5  2,5.(upah)
 xy  nx. y  515  (6).(3).( 25)
b= = = 2,5 Y  17,5  2,5.(6)
 x  n( x
2 2
 80  ( 6).( 2
3)

a  y  bx  25  2,5.(3)  17,5 Sales (2008)  32,5

 SALES

40

32,5
30 Garis
Garis Regresi
Regresi
Y=
Y= 17,5
17,5 ++ 2,5
2,5 X
X

20

a=
a= 17,5
17,5
10

1 2 3 4 5 6 7 WAGES