X. PERAMALAN
(FORECASTING)
A. KOMPONEN-KOMPONEN PERAMALAN
 KERANGKA WAKTU (TIME FRAME)
• Short-to mid range forecast
• Long-range forecast
 PERILAKU PERMINTAAN
• Trend
• Random variations
• Cycle
Pola-pola perilaku permintaan
Tahap-tahap
Proses Peramalan
B. METODE-METODE PERAMALAN
 TIME SERIES
• Moving Average
• Weighted Moving Average
• Exponential Smoothing
• Adjusted Exponential Smoothing
• Linear Trend Line
• Seasonal Adjustment
Moving Average (Rata-rata Bergerak)
n
MA n 
D
in
i
n
n  number of period' s in the moving average
Di  demand in period i
Contoh 1:
Dari laporan pesanan barang selama 10 bulan perusahaan A sebagai berikut di bawah ini susunlah
peramalan menggunakan metode rata-rata bergerak 3 dan 5 bulanan
Bulan
Pesanan
Januari
120
Pebuari
90
Maret
100
April
75
Mei
110
Juni
50
Juli
75
Agustus
130
September
110
Oktober
90
Rata-rata bergerak 3-bulanan
3
MAn 
 Di
i 1
3
120  90  100

3
 103,3
3
MAn 
 Di
i 1
3
90  100  75

3
 88,3
3
MAn 
 Di
i 1
3
120  90  100

3
 95,0
……dst
Bulan
Pesanan
Januari
120
Pebuari
90
Maret
5
100
April
75
Mei
110
Juni
50
Juli
75
Agustus
130
September
110
Oktober
Rata-rata bergerak 5-bulanan
MAn 
 Di
5
120  90  100  75  110

5
 99,0
90
5
i 1
MAn 
 Di
i 1
5
90  100  75  110  50

5
 85,0
5
MA5 
 Di
i 1
5
100  75  110  50  75

5
 82,0
……dst
Bulan
Pesanan
Rata-rata bergerak
Rata-rata Bergerak
per bln
3-Bulanan
Januari
120
-
-
Pebuari
90
-
-
Maret
100
-
-
April
75
103,3
-
Mei
110
88,3
-
Juni
50
95,0
99,0
Juli
75
78,3
85,0
Agustus
130
78,3
82,0
September
110
85,0
88,0
90
105,0
95,0
-
110,0
91,0
Oktober
November
5 bulanan
Moving Average (Rata-rata Bergerak)
 Weighted Moving Average (Rata-rata Bergerak Terboboti)
n
WMAn   Wi Di
i 1
Wi  the weight for period i (0 - 100%)
Di  demand in period i
 Wi
 1.00
Contoh 2
Dalam contoh 1 perusahaan A menginginkan menghitung suatu rata-rata
bergerak 3 bulanan dengan bobot 50 % untuk data bulan Oktober, 33% untuk
data bulan september dan 17 % untuk data bulan Agustus. Bobot-bobot tersebut
mencerminkan keinginan perusahaan bahwa sebagian besar data saat ini
mempengaruhi secara kuat segian besar peramalannya
3
WMAn   Wi Di
i 1
 (0.50)(90)  (0.33)(110)  (0.17)(130 )
 103.4 pesanan
 Exponential Smoothing
Ft 1  Dt  (1   )Ft
Ft 1  The forecast for the next period
Dt  actual demand in present period
Ft
 the previously determined forecast for the present period

 a weighting factor refered to as the smoothing constant
Contoh 3
Permntaan barang terhadap perusahaan B selama 12 bulan lampau adalah seperti terlihat
dalam tabel berikut. Perusahaan menginginkan memperimbangkan peraamalan menggunakan
metode exponential smoothing dengan menggunakan faktor pembobotan (smoothing constant)
α sama dengan 0,30 dan 0,50
Periode
Bulan
Permintaan
1
Januari
37
2
Pebuari
40
3
Maret
41
4
April
37
5
Mei
45
6
Juni
50
7
Juli
43
8
Agustus
47
9
Septembe
56
10
Oktober
52
11
November
55
12
Desember
54
α = 0,30
Peramalan untuk periode 2
Ft 1  D1  (1   )F1
F2  (0,30 )(37 )  (0,70 )(37 )
 37 unit
α = 0,50
Peramalan untuk periode 2
Ft 1  D1  (1   )F1
F2  (0,50 )(37 )  (0,50 )(37 )
 37 unit
Peramalan untuk periode 3
Peramalan untuk periode 3
Ft 1  D2  (1   )F2
Ft 1  D2  (1   )F2
F3  (0,30 )(40 )  (0,70 )(37 )
 37,9 unit
F3  (0,50 )( 40 )  (0,50 )(37 )
 38,50 unit
Peramalan untuk periode 4
Peramalan untuk periode 4
Ft 1  D3  (1   )F3
Ft 1  D3  (1   )F3
F4  (0,30 )(41)  (0,70 )(37,90 )
 38,83 unit
dst……
F4  (0,50 )(41)  (0,50 )(38,50 )
 39,75 unit
dst…
Periode
Bulan
Permintaan
Peramalan, Ft+1
α =0,30
-
α=0,50
1
Januari
37
-
2
Pebuari
40
37,00
37,00
3
Maret
41
37,90
38,50
4
April
37
38,83
39,75
5
Mei
45
38,28
38,37
6
Juni
50
40,29
41,68
7
Juli
43
43,20
45,84
8
Agustus
47
43,14
44,42
9
Septembe
56
44,30
45,71
10
Oktober
52
47,81
50,85
11
November
55
49,06
51,42
12
Desember
54
50,84
53,21
13
Januari
-
51,79
53,61
Exponential Smoothing
 Adjusted Exponential Smoothing
AFt 1  Ft 1  Tt 1
T  an exponentia lly smoothed trend factor
Tt 1   (Ft 1  Ft )  (1   )Tt
Tt 1  the last period trend factor

 a smoothing constand for trend
Contoh 4
Perusahaan B dalam contoh 3 ingin mengembangkan peramalan dengan metode adjusted
exponentially smoothing (data permintaan selama 12 bulan sama dengan contoh 3). Akan
digunakan α = 0,5 dan β=0,30
T3   (F3  F2 )  (1   )T2
T3  0,30(38,5  37,0)  (0,70 )(0)
 0,45
dst…..s.d
T13
AF3  F3  T3
 38,5  0,45
 38,95
T4   (F4  F3 )  (1   )T3
T4  0,30(39,75  38,50 )  (0,70 )(0,45)
 0,69
AF4  F4  T4
T13  ( F13  F12 )  (1  )T12
T3  0,30(53,61  53,21)  (0,70)(1,77)
 1,36
AF13  F13  T13
 39,75  0,69
 53,61  1,36
 40,44
 54,97
Periode
Bulan
Permintaan
Forecast
Trend
Ft+1
Tt+1
Adjusted Forecast
Aft+1
1
Januari
37
37,00
--
2
Pebuari
40
37,00
0,00
37,00
3
Maret
41
38,50
0,45
38,95
4
April
37
39,75
0,69
40,44
5
Mei
45
38,37
0,07
38,44
6
Juni
50
41,68
1,04
42,73
7
Juli
43
45,84
1,97
47,82
8
Agustus
47
44,42
0,95
45,37
9
Septembe
56
45,71
1,05
46,76
10
Oktober
52
50,85
2,28
53,13
11
November
55
51,42
1,76
53,19
12
Desember
54
53,21
1,77
54,98
13
Januari
-
53,61
1,36
54,96
Adjusted Exponential Smoothing
 Linear trend line
y  a  bx
a  intercept (at period 0)
b  slope of the line
x  the time period
y  forecast for demand for periode x
b
 xy  n xy
 x 2  nx 2
a  y  bx
n  number of period
x
x
y
y
n
n
 the mean of the x values
 the mean of the y values
Contoh 5
Perusahaan B (dalam contoh 3) ingin mengembangkan peramalan dengan
menggunakan metode trend linear
Periode
Permintaan
y
xy
x2
1
37
37
1
2
40
80
4
3
41
123
9
x
4
37
148
16
5
45
225
25
6
50
300
36
7
43
301
49
8
47
376
64
9
56
504
81
10
52
520
100
11
55
605
121
12
54
648
144
78
557
3.867
650
x
78
 6.5
n
12
 y  557  46,42
y
n
12
x
b


 xy  n xy
 x 2  nx 2
3.876  (12 )(6,5)( 46,42 )
 1,72
2
650 - 12(6,5)
a  y  bx
 46,42  (1,72 )(6,5)  35,2
y  35,2  1,72 x
Linear trend line
 Seasonal Adjustment
Si 
Di
D
Si  Seasonal factor in period i
Di  Demand in period i
Contoh 6
Permintaan terhadap ayam kalkun hasil dari peternakan perusahaan D dalam 4 musim (3 bulanan)
adalah seperti terlihat sebagai berikut di bawah ini . Berdasarkan tabel tersebut tentukan perkiraan
permintaan menggunakan seasonal faktor untuk ke empat musim tersebut
Permintaan (dlm ribuan) per 3 bulan
Tahun
1
1997
12,6
1998
2
S1 
D1
42,0

 0,28
 D 148,7
S2 
D2
29,5

 0,20
 D 148,7
53,6
S3 
D3
21,9

 0,15
D
148
,
7

55,3 148,7
S4 
D4
55,3

 0,37
D
148
,
7

3
4
Total
8,6
6,3
17,5
45,0
14,1
10,3
7,5
18,2
50,1
1999
15,3
10,6
8,1
19,6
Total
42,0
29,5
21,9
Berikutnya kita ingin mengembakan peramalan permintaan untuk tahun 2000. Karena permintaan
dalan tabel contoh 4 tadi secara umum menunjukkan suatu trend pertambahan, maka kita dapat
menghitung menggunakan trnd linear sederhana y = a + bx untuk 3 tahun data. Setelah dihitung
mengunakan metode trend linear maka akan didapat persamaan fungsi permintaan
y = 40,97 + 4,30x.
Peramalan untuk tahun 2000 ( periode 4)
y = 40,97 + 4,30x
y = 40,97 + 4,30(4)
= 58,17 kalkun
Jika menggunakan seasonally adjusted forecast (SFi) maka peramalan untuk tahun 2000 adalah
SF1 = (S1)(F1) = (0,28)(58,17)=16,28
SF2 = (S2)(F2) = (0,20)(58,17)=11,63
SF3 = (S3)(F3) = (0,15)(58,17)= 8,73
SF4 = (S4)(F4) = (0,37)(58,17)=21,53
58,17
Tingkat Ketepatan /Akurasi Peramalan
Dt

MAD 
 Ft
n
MAD  Mean Absolute Deviation
t  the period number
Dt  Demand period t
Ft  the forecast period t
n  the total number of periods
 absolute value
Perusahaam B (dalam contoh 3) ingin mengetahui tingkat keakurasian
peramalan dengan menggunakan MAD
Periode Permintaan
Dt
Peramalan,
Ft(α =0,30)
Error
(Dt-Ft)
1
37
37,00
2
40
37,00
3,00
3,00
3
41
37,90
3,10
3,10
4
37
38,83
-1,83
1,83
5
45
38,28
6,72
6,72
6
50
40,29
9,69
9,69
7
43
43,20
-0,20
0,20
8
47
43,14
3,86
3,86
9
56
44,30
11,70
11,70
10
52
47,81
4,19
4,19
11
55
49,06
5,94
5,49
12
54
50,84
3,15
3,15
49,31
53,39
554
-
|Dt-Ft|
-
MAD 
 Dt
 Ft
n
53,39

11
 4,85
 METODE REGRESI
• Regresi Linear (Linear Regression)
• Regresi Berganda (Multiple Regression)
Metode Time Series dan Metode Regresi dapat jugamenggunakan
softeare komputer, yaitu antara lain :
Excel, Excel POM dan POM for Widowss
 METODE-METODE KUALITATIF
Merupakan metode subjektif, menggunakan pertimbangan,
keahlian, pengalaman dan pendapat dalam membuat keputusan
• Regresi Linear (Linear Regression)
y=a+bx
y = the dependent variable
a = the intercept
b = the slope of the line
x = the independent variable
• Corelation
r
n x
n  xy   x  y
2

  x  n  y 2   y 
2
2

• Regresi Berganda (Multiple Regression)
y = β0 + β1x1 + β2x2 +…+ βkxk
y = the independent variable
β0 = the intercept
β1,……, βk = parameters representing the contribution
of the independent variables
x1,……, xk
= independent variable
Catatan penjualan Sepeda motor dealer A tahun 2003 adalah seperti
terlihat dalam tabel
Bulan
Permintaan
Januari
9
Pebuari
7
Maret
10
April
8
Mei
7
Juni
12
Juli
10
Agustus
11
Septembe
12
Oktober
10
November
14
Desember
16
Hitunglah suatu peramalan rata-rata bergerak
3-tahunan untuk bulan April(2003) sampai
dengan Januari (2004)
Hitunglah peramalan rata-rata bergerak 5bulanan untuk bulan Juni (2003) sampai
dengan januari (2004)
Hitunglah peramalan menggunakan metode
trend linear untuk bulan Februari (2003)
sampai dengan Januari (2004)
Bandingkan 3 peramalan yang telah dihitung
tersebut (boleh menggunakan MAD atau
Simpangan Baku) dan pilih salah satu yang
seharusnya dipilih oleh dealer motor A