PERAMALAN

Universitas Gunadarma
 PERAMALAN

¾ Kebutuhan Peramalan dalam Manajemen

Produksi dan Operasi

• Manajemen Operasi/produksi menggunakan hasil-hasil

peramalan dalam pembuatan keputusan-keputusan yang
menyangkut pemilihan proses, perencanaan kapasitas, layout
fasilitas dan untuk berbagai keputusan yang bersifat continue
berhubungan dengan perencanaan, schedulling dan persediaan.

Universitas Gunadarma
 ¾ Metode Peramalan

a. Top down forecasting

Dimulai dengan penggunaan hasil-hasil peramalan berbagai

kondisi bisnis umum yang dibuat oleh para ahli ekonomi dalam
lembaga pemerintah dan perusahaan besar serta universitas-
universitas.

b. Bottom Up forecasting

Dimulai dengan perkiraan permintaan produk-akhir

individual. Peramal menerima estimasi dari orang-orang
penjualan, distribusi dan langganan.

Universitas Gunadarma
 ¾ Proses-proses Peramalan

• Penentuan tujuan

• Pengujian model

• Penerapan model

• Pengembangan model

• Revisi dan evaluasi

Universitas Gunadarma
 ¾ Teknik-Teknik Peramalan

™ Teknik-Teknik Peramalan

a. Teknik Kualitatif

Bersifat subyektif/judgemental
Berdasar pada estimasi- estimasi dan pendapat- pendapat dari para
eksekutif, orang-orang penjualan, langganan, spesialis/ahli dari
berbagai bidang.

1. Juri Opini eksekutif

2. Metode Delphi
3. Gabungan tenaga penjualan
4. Survei pasar

Universitas Gunadarma
 1. Juri Opini eksekutif

Pendekatan ini berdasar pendapat dari sekelompok kecil eksekutif tingkat atas.
Karena pendapatnya lebih dari satu orang maka diharapkan lebih akurat.
™ Kelemahannya:
Ketepatan sangat tergantung masukan individu dan dapat bias.

™ Keuntungannya:
Paling sederhana

2. Metode Delphi

Teknik yang menggunakan suatu prosedur yang sistematik untuk

mendapat suatu konsensus pendapat-pendapat dari suatu kelompok ahli.

™ Keuntungannya:
Dapat menggambarkan keadaan di masa datang lebih akurat dan profesional
sehingga peramalan diharapkan mendekati aktual.
Universitas Gunadarma
 3. Gabungan tenaga penjualan

Tenaga penjual merupakan sumbangan informasi yang baik tentang

permintaan konsumen. Tiap tenaga penjual meramalkan tingkat
penjualan di daerah, lalu digabung pada tingkat propinsi kemudian
digabung hingga tingkat nasional untuk mencapai peramalan
menyeluruh.

4. Survei pasar

Masukan dari konsumen/konsumen potensial terhadap rencana

pembelian di masa datang.Peralatan peramalan yang berguna bila ada
kekurangan data historik/data tak reliabel. Digunakan untuk meramal
permintaan jangka panjang dan penjualan produk baru.

™ Kelemahannya:
Mahal dan sulit.
Universitas Gunadarma
b. Teknik Kuantitatif

1. Time series (analisis runtun waktu)

Meramalkan kejadian di masa datang atas dasar serangkaian
data masa lalu, yang merupakan hasil observasi berbagai
variabel menurut waktu dan digambarkan dalam bentuk grafik
yang menunjukan perilaku variable subjek.

Pola data dari serangkaian waktu:

• konstan
• kecendrungan (trend)
• musiman (seasonal)
• siklus (cyclical)

Universitas Gunadarma
U Metode dasar dari analisis runtun waktu:

™Rata-rata bergerak

a. Rata-rata bergerak sederhana (Simple moving average)

Bobot tiap periode sama.

t − N +1

Ft+1 = ∑X
i =t
i
= Xt + Xt-1 + … + Xt-N+1
--------------- --------------------------------------------
N N

Dengan,
Ft = Nilai prakiraan untuk periode t
N = Jumlah deret waktu yang digunakan
Xi = Data pengamatan periode i

Universitas Gunadarma
b. Rata-rata bergerak tertimbang

Tiap periode mempunyai bobot yang berbeda

Ft+1 = W t Xt + W t-1X t-1 + … + W t-N+1 X t-N+1

----------------------------------------------------------------
Wt + W t-1 + … + W t-N+1

Dengan,

Wt = persentase bobot yang diberikan untuk periode t

Jika jumlah bobot = Wt + Wt-1 + … + W t-N+1 = 100 % = 1,

maka rumus bisa disederhanakan menjadi:

Ft+1 = W t Xt + W t-1X t-1 + … + W t-N+1 X t-N+1

Universitas Gunadarma
™ Eksponensial Smoothing ( Pemulusan eksponensial)

a. Eksponensial Smoothing ( Pemulusan eksponensial) tunggal

Ada Tambahan parameter α dalam model untuk mengurangi faktor kerandoman.

Serial data yang diamati memiliki pola horisontal (stasioner).

Ft+1 = α . Xt + ( 1 - α) F t

Dengan,
Ft = Nilai prakiraan untuk periode t
N = Jumlah deret waktu yang digunakan
α = faktor/konstanta pemulusan
Xi = Data permintaan periode t
Universitas Gunadarma
b. Eksponensial Smoothing ( Pemulusan eksponensial) linier

Serial data yang diamati memiliki unsur trend (kecendrungan).

Metode yang digunakan metode Holt, dimana ada dua
parameter, α(alpha) dan β (betha).

Pemulusan eksponential linier menggunakan persamaan sbb:

Ft+m = St + T t.m

Dengan,
St = α . Xt + ( 1 - α) (St-1 + Tt-1)
Tt = β. (St - St-1) + (1-β). Tt-1

Universitas Gunadarma
™ Metode Dekomposisi

Mengidentifikasi komponen pola dasar yang ada pada serial

data, yaitu komponen trend, musiman dan siklus.

Xt = f (St , Tt , Ct , Rt )

Dimana:
St = Komponen musiman pada periode t
Tt = Komponen trend pada periode t
Ct = Komponen siklus pada periode t
Rt = Komponen random (kesalahan) pada periode t

Universitas Gunadarma
2. Metode kausal

Merupakan teknik yang paling akurat.

Umumnya membahas pendekatan sebab akibat (kausal atau yang
bersifat menjelaskan (eksplanatoris), dan bertujuan untuk meramalkan
keadaan di masa yang akan datang dengan menemukan dan
mengukur beberapa variabel bebas (independen) yang penting beserta
pengaruhnya terhadap variabel tidak bebas yang akan diramalkan.

a. Analisa Regresi
b. Analisa Korelasi

Universitas Gunadarma
a. Analisa Regresi

Metode statistik yang digunakan untuk menentukan hubungan antar

paling tidak satu/lebih variabel bebas(independent variable) dan satu
variabel bergantung (dependent variable ) dengan tujuan untuk
meramalkan nilai variabel bergantung dalam hubungan dengan nilai
variabel bebas tertentu.

Bentuk umum persamaan regresi linier untuk dua variabel (regresi linier
sederhana) adalah sbb:

Ý = a + b. X

Dimana :
Ý = variabel tidak bebas (yang diramalkan)
X = variabel bebas
a = nilai daripada Y bila X = 0
b = perubahan rata-rata Y terhadap perubahan per unit X.
Universitas Gunadarma
 Nilai a dan b yang meminimalkan jumlah kesalahan kuadrat dapat
dicari dengan menggunakan persamaan berikut:

∑ Y = n.a + ( ∑ X).b

∑ X.Y = ( ∑ X ).a + ( ∑ X 2
).b

atau

n ( ∑ X.Y) -( ∑ X ) ( ∑ Y )

b = ------------------------------------
n.( ∑ X 2 ) − ( ∑ X ) 2

∑ X.Y -(∑ X).b

a = ------------------------------------
n
Universitas Gunadarma
b. Analisa Korelasi

Mengukur derajat hubungan antara dua atau lebih variabel- variabel

tanpa melihat bentuk hubungan dengan menggunakan koefisien r.

Bentuk umum persamaan matematikanya adalah sbb:

n.(∑ XY ) − (∑ X )(∑Y )
r=
n.(∑ X 2) − (∑ X )2 * n.(∑Y 2) − (∑Y )2

Dimana nilai koefisien korelasi r terletak diantara –1 dan 1.

Universitas Gunadarma
 Bila kenaikan suatu variabel diikuti dengan kenaikan di dalam variabel
lain maka kedua variabel tersebut mempunyai korelasi positif (+) dan
nilai r mendekati atau sama dengan 1
Bila kenaikan suatu variabel diikuti dengan penurunan pada variabel
lain maka kedua variabel tersebut mempunyai korelasi negatif (-) dan
nilai r mendekati atau sama dengan -1
Bila tak ada perubahan maka kedua variabel tersebut tidak
mempunyai hubungan dan nilai r = 0

Universitas Gunadarma
 ¾ Pengukuran Kesalahan Forecast

MAD (Mean absolute deviation)

Merupakan perbedaan antara permintaan nyata dengan forecast.

™ Untuk periode tunggal:

Kesalahan forecast = Dt − Forecast

Universitas Gunadarma
 ™ Untuk rata kesalahan bergerak

MADt = α Dt − Forecast + (1 - α) (MAD t-1)

Universitas Gunadarma