Peramalan

TEKNIK PERAMALAN
Hasil Pembelajaran
 Umum
 Mahasiswa mampu menerapkan model
matematik, heuristik dan teknik statistik untuk
perencanaan dan pengendalian produksi

 Khusus
 Mampu menganalisis pola permintaan serta
menerapkan teknik-teknik peramalan
Peramalan
 Merupakan estimasi nilai atau karakteristik di masa
mendatang, sehingga dimungkinkan adanya
perencanaan
 Peramalan:
 prediksi (prediction)
 peramalan (forecast)
 kecenderungan (trend)
 Metoda peramalan dapat berdasarkan :
 Model kuantitatif, dengan mempergunakan data
masa lalu
 Model kualitatif, berdasarkan pengalaman
Faktor yang mempengaruhi permintaan:

Faktor Eksternal:
 Booming economy
 Perubahan dalam peraturan pemerintah
 Turning point, perubahan permintaan
 Leading indicator
 Coincident indicators
 Lagging indicator
 Perubahan selera konsumen
Faktor yang mempengaruhi permintaan:

Faktor Internal:
 Desain produk atau jasa
 Harga dan promosi
 Desain kemasan
 Kuota penjualan atau insentif
 Ekspansi target pasar untuk merubah volume
permintaan
 Manajemen permintaan: menggambarkan proses
untuk mempengaruhi waktu (timing) dan volume
permintaan. Contoh: adanya discount untuk
pembelian kendaraan
Sistem Peramalan
Data Historis

Data checked for

accuracy and
reasonableness

Tujuan Update sesuai

model kebutuhan

Knowledge of
changed
condition

Forecast Pembandingan
(Prediction) dengan kondisi
aktual

Feedback on
forecast
accuracy
Prosedur Peramalan
 Plot data permintaan vs. waktu
 Pilih beberapa metoda peramalan
 Evaluasi kesalahan peramalan
 Pilih metoda peramalan dengan kesalahan
peramalan terkecil
 Intepretasi hasil peramalan
Konsiderasi (1)
 Ongkos dan manfaat
 Ongkos
 Ongkos pengembangan metoda

 Ongkos kegiatan peramalan

 Ongkos akibat kesalahan ramal

 Manfaat
 Mengerti hubungan antara permintaan dan

faktor lain
 Kondisi dunia nyata  Sistem pengendalian

produksi
Konsiderasi (2)
 Ketelitian
 Suatu ukuran seberapa tepat ramalan dari
kondisi aktual
 Sederhana dalam perhitungan
 ketelitian tinggi vs sederhana dalam
perhitungan
 Kemampuan menyesuaikan terhadap perubahan
 Lead time, perioda, horizon

"Untuk tujuan apa suatu ramalan dibuat akan

menentukan pendekatan yang diambil"
Pola Data
Karakteristik Pola Data Permintaan
Pola data permintaan dapat berupa:
1. Horizontal (average), fluktuasi permintaan berada diantara
rataan tertentu.
2. Trend, kecenderungan meningkat atau menurun rata-rata
terhadap waktu
3. Seasonal, perkiraan peningkatan atau penurunan
permintaan yang tergantung pada waktu (hari, minggu,
bulan atau musim
4. Cyclical, perkiraan peningkatan atau penurunan permintaan
dalam kurun waktu yang lama, dipengaruhi oleh:
1. business cycle
2. product / service life cycle
5. Random error, tidak dapat diperkirakan.
Tingkat Akurasi Metode
Peramalan (1)
 Forecast error
 Mean Absolute Deviation (MAD)
 Mean Squared Error (MSE)
 Standard Error of Estimate (SSE)
 Mean Absolute Percent Error (MAPE)
Tingkat Akurasi Metode
Peramalan (2)
 Mean Square Error (MSE)
2
n
 (d t  D't )
MSE  t 1
n

dimana:
dt = data aktual pada periode t
Dt‘ = nilai ramalan pada periode t
n = banyaknya periode
Tingkat Akurasi Metode
Peramalan (3)
 Standard error of estimate (SEE)
2
n
(d t  D't )
SEE   (n  f )
t 1

dimana:
f = derajat kebebasan
 1 : untuk data konstan
 2 : untuk data linier
 3 : untuk data kuadratis
Tingkat Akurasi Metode
Peramalan (4)
 Persentase Kesalahan
d  D 't
PEt  ( d )x 100%
t

 Mean Absolute Percentage Error (MAPE)

n
 PEt
t 1
MAPE 
n
TAKSONOMI PERAMALAN
BERDASARKAN WAKTU
 Jangka Panjang : > 2 tahun

 Jangka Menengah : 3 bulan – 2 tahun

 Jangka Pendek : 0 – 3 bulan

JANGKA PENDEK (0-3 bulan)
 Untuk meramalkan permintaan akan suatu produk
atau jasa
 Umumnya digunakan analisa time series, causal dan
judgment
 Untuk jangka pendek manajer jarang ingin
menunggu.
 Judgment digunakan apabila data masa lalu tidak
tersedia
 Keputusan untuk manajemen persediaan,
penjadwalan final assembly, penjadwalan tenaga
kerja, master production scheduling (MPS)
JANGKA MENENGAH (3 bln-2 thn)
 Dikaitkan dengan perencanaan kapasitas, total
penjualan, sekelompok produk (family)
 Umumnya digunakan metoda causal
 Judgment digunakan, apabila data masa lalu
tidak tersedia
 Analisa time series tidak memberikan hasil yang
akurat, karena asumsi yang berlaku untuk jangka
pendek belum tentu berlaku untuk jangka
panjang
 Untuk perencanaan staff, perencanaan produksi,
MPS, pembelian dan distribusi
JANGKA PANJANG (> 2 thn)
 Peramalan biasanya dikembangkan untuk
menghitung penjualan total
 3 (tiga) jenis keputusan: lokasi fasilitas,
perencanaan kapasitas dan pemilihan proses
 Umumnya digunakan metoda causal dan
judgment
Taksonomi Peramalan Berdasarkan
Derajat Kuantifikasi (1)
MODEL
KUALITATIF

REGRESI

PERAMALAN TIME SERIES RATA-RATA

MOVING
SMOOTHING
AVERAGE

MODEL
KUALITATIF

EXPONENTIAL
SMOOTHING

KAUSAL
Taks. Peramalan Berdasarkan
Derajat Kuantifikasi (2)
 Penggunaan Model Kualitatif:
 Tidak memerlukan data kuantitatif
 Unsur subyektivitas peramalan sangat besar
pengaruhnya dalam hasil peramalan
 Baik untuk peramalan jangka panjang
 Menggunakan metoda judgement
Taks. Peramalan Berdasarkan
Derajat Kuantifikasi (3)
Model Kualitatif : Metoda Judgement ; digunakan, apabila
data yang tersedia tidak mencukupi.

Terdapat 4 pendekatan;
 Estimasi ‘sales force’, berdasarkan pengolahan dari perkiraan
permintaan mendatang yang dibuat secara periodik oleh tenaga
penjualan perusahaan
 Executive opinion, berdasarkan opini, pengalaman dan
pengetahuan teknis darai para pimpinan
 Market research, pendekatan secara sistematik untuk
menentukan minat konsumendengan membangun hipotesa
melalui data pengamatan yang dikumpulkan
 Metoda Delphi, berdasarkan konsensus dari sekelompok pakar
yang identitasnya dipertahankan untuk tidak saling mengetahui.
Taks. Peramalan Berdasarkan
Derajat Kuantifikasi (4)
 Model Kuantitatif :
 Membutuhkan data kondisi masa lalu
 Diasumsikan pola data masa lalu akan berlanjut
pada masa yang akan datang
 Data tersebut dapat dikuantifisir
 Data yang digunakan untuk keperluan perencanaan
produksi:
 Paling baik menggunakan data permintaan
 Menggunakan data jumlah unit penjualan
 Kalau tidak memiliki data penjualan gunakan data
jumlah unit produksi
Model Kuantitatif : Metoda
Causal
 Digunakan bila tersedia data masa lalu
 Hubungan antara faktor internal ataupun eksternal
dapat diidentifikasikan
 Hubungan dinyatakan dalam bentuk matematis

Terdapat 3 pengukuran ketelitian peramalan hasil

analisa ;
1. Correlation coefficient (r)
2. Coefficient of determination (r2)
3. Standard error of the estimate (txy)
Model Kuantitatif : Metoda Time
Series
 Sesuai untuk peramalan jangka pendek.
 Berdasarkan informasi masa lalu yaitu
variabel tidak bebas dengan asumsi, bahwa
variabel tidak bebas ini akan memiliki pola
yang sama dengan masa lalu.
 Metode yang dapat digunakan antara lain :
 Simple Moving Average ; N tertentu
 Double Moving Average ; N tertentu
 Simple Exponential Smoothing ;  tertentu
 Double Exponential Smoothing ;  tertentu
 Multiplicative Seasonal Method (MSM)
Simple Moving Average (SMA)
 Model SMA berasumsi bahwa nilai rata-rata beberapa
periode terbaru baik digunakan untuk memperkirakan
pola mendatang
 Cocok untuk pola data tanpa trend
 Rumus SMA adalah

jumlah n demand terakhir Dt 1  Dt  2  ...  Dt  n

Ft  
n n
Ft = peramalan untuk periode mendatang
n = jumlah periode yang akan dirata-ratakan
Dt= demand aktual di periode t
Simple Moving Average (SMA)
Minggu Demand SMA-3 SMA-6
1 650 F4=(650+678+720)/3
2 678 = 682,67

3 720
4 785 682,67 F7=(650+678+
5 859 727,67 720+895+920)/6 Hitung tingkat
= 768,67 akurasi metode
6 920 788,00
7 850 854,67 768,67
8 758 876,33 802,00
9 892 842,67 815,33
10 920 833,33 844,00
11 789 856,67 866,5
12 844 867,00 854,83
Simple Moving Average (SMA)

SMA Plotting

1000

800

600 Demand
Demand

SMA-3
400 SMA-6

200

0
1 2 3 4 5 6 7 8 9 10 11 12
Minggu
Simple Moving Average (SMA)
 Jadi peramalan untuk minggu ke 13 adalah sbb :
- SMA-3 : (920+789+844)/3 = 851
- SMA-6 : (850+758+892+920+789+844)/6 =
842,17

 Jika pada minggu ke 13 ternyata demand yang

terjadi adalah 849, berapakah peramalan untuk
periode ke 14 ?
- SMA-3 : (789+844+849)/3 = 827,33
- SMA-6 : (758+892+920+789+844+849)/6 = 842
Double Moving Average (DMA)
 Digunakan untuk pola data trend
 Merupakan SMA yang dirata-ratakan kembali
untuk mendapatkan trend.
 SMA digunakan pada waktu t (S’t)
 Penyesuaian merupakan perbedaan antara SMA
dan DMA pada waktu t (S’t-S’’t)
 Penyesuaian digunakan untuk trend dari periode t
ke periode t+1 (atau periode t+m jika diramalkan
untuk m periode mendatang)
Double Moving Average (DMA)
Dt  Dt 1  Dt  2  ...  Dt  n 1
S 't 
n
Formula DMA
S 't  S 't 1  S 't  2 ...  S 't  n 1
S ' 't 
n
at  S 't  ( S 't  S ' 't )  2 S 't  S ' 't
2
bt  ( St'  St'' )
N 1
Ft  m  at  bt m
Double Moving Average (DMA)
Hitung tingkat akurasi
metode

Periode Demand SMA-4 DMA-4 a b Ft

1 140 S’t=(140+150+136+157)/4 F8=165,75+4,17*1
2 150
3 136 S’’t=(148+156,25+149,25+159,5)/4
4 157 148,00
5 173 156,25 a = (2*159,5-153,25)
6 131 149,25 b = (2/3*(159,5-153,25))

7 177 159,50 153,25 165,75 4,17

8 188 167,25 158,06 176,44 6,13 169,92
9 154 162,50 159,63 165,38 1,92 182,56
10 179 174,50 165,94 183,06 5,71 167,29
11 188,77
Simple Exponential Smoothing (SES)
 Tidak semua data mempunyai bobot yang sama
 Premise : data terbaru akan mempunyai nilai
predisksi tertinggi
 Oleh karena itu data terbaru harus diberi bobot
lebih besar daripada data sebelumnya
 Rumus SES

Ft  Ft 1   ( Dt 1  Ft 1)
α = smoothing constant
 Asumsi : F1 = D1
Simple Exponential Smoothing (SES)
Hitung tingkat
akurasi metode
Minggu Demand SES 0,1 SES 0,6
1 820 820 820
2 775 820 820
3 680 815.5 793
4 655 801.95 725.2
5 750 787.255 683.08
6 802 783.5295 723.232
7 798 785.3766 770.4928
8 689 786.6389 786.9971
9 775 776.875 728.1988
10   776.6875 756.2795
Simple Exponential Smoothing (SES)

Sim ple Exponential Sm oothing Plotting

1000
800
Demand
Demand

600
SES 0,1
400
SES 0,6
200
0
1 2 3 4 5 6 7 8 9
Minggu
Double Exponential Smoothing (DES)
Satu Parameter
 Disebut juga Metode Linear Brown
 Untuk pola data trend
 Hampir sama dengan Double Moving Average
 Penyesuaian dari SES dilakukan dengan
penambahan satu parameter
Double Exponential Smoothing (DES)
Satu Parameter
Rumus :
St'  Dt  (1   ) St' 1

St''  St'  (1   ) St''1

at  S 't  ( S 't  S ' 't )  2 S 't  S ' 't
 ' ''
bt  ( St  St )
1
Ft  m  at  bt m
Contoh DES satu parameter α = 0.2

Minggu Dt S't S''t a b Ft

1 143.00 143.00 143.00 143.00 0.00  
2 152.00 144.80 143.36 146.24 0.36 143.00
3 161.00 148.04 144.30 151.78 0.94 146.60
4 139.00 146.23 144.68 147.78 0.39 152.72
5 137.00 144.39 144.62 144.15 -0.06 148.17 Hitung tingkat
6 174.00 150.31 145.76 154.86 1.14 144.09 akurasi metode
7 142.00 148.65 146.34 150.96 0.58 155.99
8 141.00 147.12 146.49 147.74 0.16 151.53
9 162.00 150.09 147.21 152.97 0.72 147.90
10           153.69 m = 1
11           154.41 m = 2
12           155.13 m = 3
Contoh DES satu parameter α = 0.2

DES plotting

200

150
Demand

Dt
100
Ft

50

0
1 2 3 4 5 6 7 8 9 10 11 12
Minggu
Peramalan Musiman
 Peramalan dimana data historis menunjukkan suatu
pertumbuhan tetapi juga memiliki pola musiman tertentu
 Musiman di sini pada awalnya menunjukkan bulanan atau 4
bulanan (quarterly), tetapi pada peramalan, pola musiman
dapat ditemukan dalam bermacam-macam periode
 Terdiri dari dua metode yaitu Multipicative Seasonal Method
dan Additive Seasonal Method.
 Multipicative Seasonal Method
Faktor musiman dikalikan dengan estimasi rata-rata
permintaan yang akan tiba pada peramalan musiman. Pola
musimannya ditentukan oleh tingkat permintaan
 Additive Seasonal Method
Peramalan musiman diperoleh dengan menambahkan suatu
konstanta pada estimasi rata-rata permintaan per musim.
Pendekatan ini berdasarkan asumsi bahwa pola musiman
konstan serta mengabaikan rata-rata permintaan.
Multipicative Seasonal Method
Problem
Manager ingin meramalkan permintaan pada setiap kuartal di
tahun ke 5 berdasarkan estimasi bahwa total permintaan pada
tahun ke 5 berjumlah 2600.

Kuartal Tahun 1 Tahun 2 Tahun 3 Tahun 4

1 45 70 100 100
2 335 370 585 725
3 520 590 830 1160
4 100 170 285 215
Total 1000 1200 1800 2200
Solusi Multipicative Seasonal
Method
Step 1 : menentukan rata-rata permintaan
pada setiap musim

Av1 = 1000/4 = 250

Tahun 1 2 3 4

Rata-rata 250 300 450 550

Solusi Multiplicative Seasonal
Method
Step 2 : Tentukan indeks musiman

I11 = 45/250 = 0,18 I33 = 850/450 = 1,84

Kuartal Tahun 1 Tahun 2 Tahun 3 Tahun 4

1 0.18 0.23 0.22 0.18
2 1.34 1.23 1.30 .32
3 2.08 1.97 1.84 2.11
4 0.40 0.57 0.63 0.39
Solusi Multipicative Seasonal
Method
Step 3 : tentukan rata-rata indeks musiman untuk
setiap kuartal

I1AV = (0,18+0,23+0,22+0,18)/4 = 0,20

Kuartal 1 2 3 4

Rata2 indeks 0,20 1,30 2,00 0,50

Solusi Multipicative Seasonal
Method
Step 4 : Diperkirakan permintaan meningkat 400 unit per
tahun, maka permintaan di tahun 5 menjadi 2200+400 =
2600. Rata-rata permintaan per kuartal di tahun ke 5 adalah
2600/4 = 650. Selanjutnya dapat diramalkan permintaan
pada setiap kuartal pada tahun ke 5.

Kuartal 2 = 650*1,30 = 845

Kuartal 1 2 3 4
Peramalan 130 845 1300 325
Solusi Multipicative Seasonal
Method
Seandainya diketahui bahwa pola pertumbuhan
permintaan per tahun mengikuti regresi linier,
maka pada step 4 harus dihitung perkiraan
permintaan tahun ke 5 menggunakan regresi linier.
Untuk contoh ini, hasil regresi linier tahunan adalah
Ft = 500 + 420t
F5 = 500 + 420*5 = 2600

Maka rata-rata permintaan per kuartal

= 2600/4 = 650
Solusi Multiplicative Seasonal
Method
Hasil peramalan per kuartal untuk tahun ke 5
dihitung dengan cara yang sama yaitu :

Hitung tingkat
Kuartal 1 = 650*0,20 = 130 akurasi metode

Kuartal 1 2 3 4

Peramalan 130 845 1300 325

JANGKA MENENGAH
 Konstan n

^ ^ ^ d t
D (t )  a a t 1
n
 Regresi linier
^ ^ ^

D (t )  a  bt
N N N N

^
N  t .d (t )   d (t ) t ^  d (t )
b  t 1
N
t 1
N
t 1
2 a t 1
N
N t  (  t )
2

t 1
t 1
 Siklis ^
2 t 2 t
D (t )  a  u cos N  v sin N
Contoh
 Dari data 12 bulan terakhir tercatat penjualan
produk X:
t 1 2 3 4 5 6 7 8 9 10 11 12
dt 140 159 136 157 173 181 177 188 154 179 180 160

Gambar
diagram
Pencar:
Metoda Konstan
Metoda Konstan

n n
2
d t '
 (dt dt ')
a t 1
 dt SEE  t 1

N nf
3124. 68

12  1
3124. 68

11
 16. 85  17
Metoda Linier
 Metoda Linier
n n n n
N  t .dt   dt  t 12(13264)  (1984)(78)  (dt dt ')
2

b t 1 t 1 t 1 b 2 t 1
2 12(647)  (78) SEE 
n n nf
N t  (  t )
2
157168  154752 2416 2628 2628
t 1
t 1    
7764  6084 1680 12  2 10
 1. 44  1  16. 21  16
n n
 dt bt
a t 1
 t 1
 dt  b.t a  dt  b.t
N N
 165. 33  1. 44(6. 5)  165. 33  9. 35
 155. 98  156

 dt '  156  1t
Metoda Kuadratis
Metoda Kuadratis
n n n n 404
 t .dt  dt t
2
 N t
2
.dt b   2. 22  2. 2
t 1 t=1 t 1 t 1
182
b n
c= n n
2
t  (t 2)  nt
2 4
(1984)(182)  12( 28910) 361088  346920
t 1 t 1 t 1 c 2

(182)  12( 4550) 33124  54600
n n
14168
 dt  C t
2
  0. 6597  0. 66
a t 1 t 1 21476
N
5737. 27 a  1984  0. 66(182)  1984  120.12
SEE 
12  3 12 12
 155. 32
5737. 27

9
2
 25. 25  25  dt '  155. 32  2. 2t  0. 66t
Pemilihan Metoda Terbaik &
Hasil Peramalan
 Metode yang dipilih adalah metode peramalan
linier

 Dt' = 156 + t
Tracking Signal (1)
Tracking Signal adalah sebuah ukuran yang mengidentifikasi
apakah sebuah metode peramalan dapat secara akurat
memprediksi perubahan permintaan aktual.

Tracking signal = CFE/MAD

Setiap periode, CFE dan MAD di update untuk memperlihatkan

error terbaru dan tracking signal dibandingkan terhadap
batasan yang sudah ditentukan
Tracking Signal (2)
MAD dapat dihitung dengan dua cara
1. Sebagai simple average dari semua absolute
error

2. Sebagai weighted average pada metode

exponential smoothing
MAD   Et  (1   ) MADt  1
Tracking Signal (3)
Model kedua mempunyai kelebihan yaitu jumlah
data lebih sedikit

Nilai α tidak harus sama dengan yang digunakan

dalam peramalan tetapi biasanya digunakan α
kecil sekitar 0,1 untuk mengurangi efek error
masa lalu.
Tracking Signal (4)
 Jika peramalan berdistribusi normal dengan rata-
rata 0, hubungan antara σ dan MAD adalah sbb :

 Hubungan di atas memungkinkan penggunaan

tabel distribusi normal untuk menentukan batas
tracking signal.
 Pemilihan batas tracking signal melibatkan trade-
off antara biaya peramalan dan biaya
pemeriksaan permasalahan
Tracking Signal (5)

Control Limit Equivalent Percent of Area

Spread Number of σ Within Control
(number of MAD) Limits
± 1.0 ± 0.80 57.62
± 1.5 ± 1.20 76.98
± 2.0 ± 1.60 89.04
± 2.5 ± 2.00 95.44
± 3.0 ± 2.40 98.36
± 3.5 ± 2.80 99.48
± 4.0 ± 3.20 99.86
Contoh Perhitungan Tracking
Signal
Cumm. TS
Minggu Dt S't S''t a b Ft F. Error F. Error = CFE/MAD
1 143 143 143 143 0        
2 152 144.8 143.36 146.24 0.36 143 9 9 4

3 161 148.04 144.3 151.78 0.94 146.6 14.4 23.4 10.4

4 139 146.23 144.68 147.78 0.39 152.72 -13.72 9.68 4.30222222

5 137 144.39 144.62 144.15 -0.06 148.17 -11.17 -1.49 -0.66222222

6 174 150.31 145.76 154.86 1.14 144.09 29.91 28.42 12.6311111

7 142 148.65 146.34 150.96 0.58 155.99 -13.99 14.43 6.41333333

8 141 147.12 146.49 147.74 0.16 151.53 -10.53 3.9 1.73333333

9 162 150.09 147.21 152.97 0.72 147.9 14.1 18 8

10           153.69      
11           154.41      
12           155.13      

Jumlah 18

MAD/MAE 2.25
Verifikasi Peramalan
 Dilakukan untuk memverifikasi apakah fungsi
peramalan yang digunakan mewakili pola data yang
ada.
 Metoda verifikasi: Moving Range Chart

 Moving Range    
MR  d t'  d t  d t' 1  d t 1
MR
 Average moving range MR  
n 1
 Control limits UCL  2.66 MR
LCL  2.66 MR
 Verifikasi Peramalan
 Pengujian Out of control
 Dari 3 titik yang berurutan, 2 UCL

region A

region C
region B
titik atau lebih di Daerah A
 Dari 5 titik yang berurutan, 4
titik atau lebih di Daerah B
 Dari 8 titik yang berurutan
seluruhnya berada atau di
bawah center line center line

 Satu titik di luar batas kontrol

 Bila kondisi out-of-control terjadi,
tindakan yang bisa diambil :
 Perbaiki ramalan dengan
mencakup data baru (sistem

region A

region C
region B
sebab baru)
LCL
 Tunggu evidence selanjutnya
Contoh Perhitungan
MR Chart (1) t Dt Dt' Dt'- Dt MR

1 140 156 16
•Dt' = 156 + t
2 159 157 -2 18
159 3 136 158 22 24
MR   14.45
11 4 157 159 2 20
UCL  38.45 5 173 160 -13 15
6 181 161 -20 7
LCL  38.45
7 177 162 -15 5
8 188 163 -25 10
9 154 164 10 15
10 179 165 -14 24
11 180 166 -14 0
12 160 167 7 21
159
Contoh Verifikasi (2)

38.45

25.63

12.82

-12.82

-25.63

-38.45
Selesai