BAB III

PERAMALAN

Teori Peramalan
Menurut Sofjan Assauri (1993), peramalan merupakan seni dan ilmu
dalam memprediksikan kejadian yang mungkin dihadapi pada masa yang akan
datang. Dengan digunakannya peralatan metode-metode peramalan maka akan
memberikan hasil peramalan yang lebih dapat dipercaya ketetapannya. Oleh
karena masing-masing metode peramalan berbeda-beda, maka penggunaannya
harus hati-hati terutama dalam pemilihan metode untuk penggunaan dalam
kasus tertentu. Pertimbangan ini dibutuhkan karena tidak ada satupun metode
dari peramalan tersebut yang dapat dipergunakan secara universal untuk seluruh
keadaan atau situasi. Di samping itu perlu diperhatikan bahwa peramalan selalu
salah, di mana jarang sekali terjadi apa yang diramalkan tentang permintaan
misalnya sama persis dengan jumlah yang terjadi dalam permintaan nyata.
Menurut Gaspersz (2004), aktivitas peramalan merupakan suatu fungsi
bisnis yang berusaha memperkirakan permintaan dan penggunaan produk
sehingga produk-produk itu dapat dibuat dalam kuantitas yang tepat. Dengan
demikian peramalan merupakan suatu dugaan terhadap permintaan yang akan
datang berdasarkan pada beberapa variabel peramal, sering berdasarkan data
deret waktu historis. Peramalan dapat menggunakan teknik-teknik peramalan
yang bersifat formal maupun informal. Aktivitas peramalan ini biasa dilakukan
oleh departemen pemasaran dan hasil-hasil dari peramalan ini sering disebut
sebagai ramalan permintaan.
Bagian permintaan biasanya melakukan perencanaan berdasarkan hasil-
hasil ramalan permintaan, sehingga informasi yang dikirim dari bagian
permintaan ke bagian production planning and inventory control (PPIC)
semestinya memisahkan antara permintaan yang dikembangkan berdasarkan
 rencana permintaan yang umumnya masih bersifat tidak pasti dan pesanan-
pesanan yang bersifat pasti
Menurut Gaspersz (2004), dikenal dua sumber utama yang berkaitan
dengan informasi permintaan produk, yaitu ramalan terhadap produk
independent demand yang bersifat tidak pasti dan pesanan-pesanan yang
bersifat pasti. Pesanan-pesanan yang bersifat pasti ini antara lain pesanan
pelanggan, alokasi tertentu untuk area geografis, service or spare parts and
samples, distribution center demands (or branch warehouse demands), dan lain-
lain. Dalam beberapa perusahaan industri manufaktur, kebutuhan-kebutuhan
untuk pusat distribusi dan operasi antar pabrik ditangani secara terpisah.
Aktivitas peramalan hanya boleh dilakukan terhadap material, parts atau
produk yang tidak terkait langsung dengan struktur bill of material untuk produk
akhir atau item tertentu dan oleh karena itu digolongkan ke dalam independent
demand. Sedangkan untuk material, parts, atau produk yang terkait langsung
terhadap atau diturunkan dari struktur bill of material untuk produk akhir atau
item tertentu, dan oleh karena itu digolongkan sebagai dependent demand harus
direncanakan atau dihitung, tidak boleh diramalkan. Dengan demikian item-item
yang dapat diramalkan dalam industri manufaktur adalah produk-produk untuk
make-to-stock, make-to-order, assemble-to-order, resource availability,
kebutuhan pemeliharaan (kecuali pemeliharaan preventif periodik), service parts
dan kebutuhan internal perusahaan dan independent demand lainnya.
Pada dasarnya terdapat sembilan langkah yang harus diperhatikan untuk
menjamin efektifitas dan efisiensi dari sistem peramalan dalam manajemen
permintaan yang disebut juga sebagai konsep dasar sistem peramalan, yaitu:
a. Menentukan tujuan dari peramalan.
b. Memilih item independent demand yang akan diramalkan.
c. Menentukan horizon waktu dari peramalan (jangka pendek, menengah,
atau panjang).
d. Memilih model-model peramalan.
e. Memperoleh data yang dibutuhkan untuk melakukan peramalan.
f. Validasi model peramalan.
g. Membuat peramalan.
h. Implementasi hasil-hasil peramalan.
i. Memantau keandalan hasil peramalan.
Menurut Gaspersz (2004), tujuan utama dari peramalan dalam
manajemen perawatan adalah untuk meramalkan permintaan dari item-item
independent demand di masa yang akan datang. Selanjutnya dengan
mengkombinasikannya dengan pelayanan pesanan (order service) yang bersifat
pasti, kita dapat mengetahui total permintaan dari suatu item atau produk agar
memudahkan manajemen produksi dan inventori. Perencanaan produksi dan
inventori, termasuk kapasitas dan sumber daya lainnya dalam industri
manufaktur, semestinya mengacu kepada data total permintaan produk di masa
yang akan datang. Dengan demikian jelas bahwa tujuan utama peramalan dalam
manajemen permintaan adalah untuk mencapai efektivitas dan efisiensi dari
manajemen produksi dan inventori dalam industri manufaktur.
Pemilihan item-item independent demand yang akan diramalkan
tergantung pada situasi dan kondisi aktual dari masing-masing industri
manufaktur. Namun yang terpenting bagi manajemen industri adalah
memperhatikan bahwa item-item independent demand adalah item-item yang
bebas atau tidak terkait langsung dengan struktur Bill Of Material (BOM) untuk
produk akhir yang akan dibuat oleh industri manufaktur itu.
Penentuan horizon waktu peramalan akan tergantung pada situasi dan
kondisi aktual dari masing-masing industri manufaktur serta tujuan dari
peramalan itu sendiri. Bagaimanapun juga peramal harus memilih interval
ramalan atau bagaimana seringnya mengembangkan suatu ramalan. Alternatif
yang umum dipilih adalah menggunakan interval waktu harian, mingguan,
bulanan, semesteran ataupun tahunan. Di samping itu peramal harus memilih
banyaknya periode di masa mendatang yang akan diramalkan. Dalam sistem
peramalan berlaku aturan bahwa semakin jauh periode di masa mendatang yang
diramalkan hasil ramalan akan semakin kurang akurat.
Peramalan jangka panjang berkaitan dengan perencanaan bisnis, analisis
fasilitas, proyek-proyek jangka panjang, produk-produk atau pasar-pasar baru,
investasi modal, dll. Karakteristik dari peramalan jangka panjang adalah
dilakukan analisis satu kali, lebih banyak berdasarkan pertimbangan manajemen
puncak, lebih banyak menggunakan data eksternal, dilakukan oleh manajemen
puncak dan dilakukan terhadap beberapa produk atau famili dari produk.
Peramalan jangka menengah berkaitan dengan perencanaan anggaran,
produksi, pembelian menggunakan blanket purchase order. Peramalan jangka
pendek berkaitan dengan perencanaan distribusi inventori, perencanaan material
dan lain-lain.
Di samping berdasarkan waktu, peramalan juga dapat dilakukan
berdasarkan lokasi geografis, dan kelompok produk yang dalam sistem
peramalan dikenal sebagai peramalan berdasarkan dimensi agregasi dan
agregasi. Hal yang berlaku umum berkaitan dengan agregasi ini adalah bahwa
peramalan pada tingkat agregasi yang lebih tinggi akan lebih akurat
dibandingkan peramalan pada tingkat agregasi yang lebih rendah atau pada
tingkat disagregasi. Pemilihan model-model peramalan akan tergantung pada
pola data dan horizon waktu dari peramalan. Terdapat sejumlah model
peramalan yang telah dikembangkan pada saat ini. Namun berdasarkan alasan
data yang tersedia dan kemudahan penggunaan dari model peramalan itu hanya
terdapat beberapa model umum yang sangat populer untuk diterapkan. Pada
dasarnya model peramalan dapat diklasifikasikan ke dalam tiga kategori, yaitu
ekstrapolasi, kausal, dan pertimbangan. Ekstrapolasi dan kausal dikategorikan
sebagai model kuantitatif sedangkan yang ketiga dikategorikan sebagai model
kualitatif.

Teori Tentang Metode Peramalan Yang Digunakan

Menurut Eddy Herjanto, Manajemen Produksi dan Operasi, Metode
peramalan terdiri atas metode peramalan kualitatif dan metode peramalan
kuantitatif.
Pada umumnya peramalan kualitatif bersifat subjektif dipengaruhi oleh
intuisi, emosi, pendidikan, dan pengalaman seseorang. Oleh karena itu hasil
peramalan dari satu orang dengan orang lain dapat berbeda. Meskipun
demikian, peramalan dengan metode kualitatif tidak berarti hanya menggunakan
intuisi melainkan mengikutsertakan model statistik sebagai bahan masukan
dalam melakukan judgment (pendapat, keputusan) dan dapat dilakukan secara
perseorangan ataupun kelompok.
Dalam peramalan kualitatif dikenal empat metode yang umum dipakai, yaitu:
a. Juri Opini Eksekutif
Pendekatan ini merupakan pendekatan peramalan yang paling sederhana
dan banyak digunakan dalam peramalan bisnis.
b. Metode Delphi
Dalam metode ini, serangkaian kuesioner disebarkan kepada responden,
kemudian jawabannya diringkas dan diberikan ke panel ahli untuk dibuat
perkiraan.
c. Gabungan Tenaga Penjualan
Metode ini cukup banyak digunakan, karena tenaga penjualan (sales force)
merupakan sumber informasi yang baik mengenai permintaan konsumen.
Setiap tenaga penjualan meramalkan tingkat penjualan di daerahnya,
kemudian digabungkan pada tingkat provinsi dan seterunya sampai ke tingkat
nasional untuk mencapai peramalan yang menyeluruh.
d. Survei Pasar
Masukan diperoleh dari konsumen atau konsumen potensial terhadap
rencana pembelian dimasa datang. Survei dapat dilakukan dengan
kuesioner, telepon, atau wawancara langsung. Pendekatan ini membantu
tidak saja dalam menyiapkan peramalan, tetapi juga dalam meningkatkan
desain produk dan perencanaan untuk suatu produk baru. Selain
memerlukan waktu, metode ini juga mahal dan sulit.
Pada dasarnya, metode kuantitatif yang digunakan dalam perkiraan dapat
dokelompokkan dalam dua jenis, yaitu:
a. Metode Serial Waktu
Metode serial waktu (deret berkala, time series) adalah metode yang
digunakan untuk menganalisis serangkaian data yang merupakan fungsi dari
waktu. Analisis serial waktu dimulai dengan memplotkan data pada suatu skala
waktu, mempelajari pola tersebut, dan akhirnya mencari suatu bentuk atau pola
yang konsisten atas data. Pola dari serangkaian data dalam serial waktu dapat
dikelompokkan dalam pola dasar sebagai berikut:
a). Konstan, yaitu apabila data berfluktuasi dari sekitar rata-rata secara stabil.
Pola berupa garis lurus horizontal. Pola seperti ini terdapat dalam jangka
pendek atau menengah, jarang sekali suatu variabel memiliki pola konstan
dalam jangka panjang.
b). Kecendrungan (trend), yaitu apabila data dalam jangka panjang mempunyai
kecendrungan, baik yang awalnya meningkat maupun menurun dari waktu ke
waktu.
c). Musiman (seasonal), yaitu apabila polanya merupakan gerakan yang
berulang-ulang secara teratur dalam setiap periode tertentu, misalnya
tahunan, semesteran, kuartalan, bulanan atau mingguan.
d). Siklus (cyclical), yaitu apabila data dipengaruhi oleh fluktuasi ekonomi jangka
panjang, seperti daur hidup bisnis.
e). Residu atau variasi acak, yaitu apabila data tidak teratur sama sekali.Data
yang bersifat residu tidak dapat digambarkan.

b. Metode Kausal
Metode Kausal atau disebut juga dengan metode eksplanatori
mengasumsikan adanya hubungan sebab akibat antara variabel bebas dan
variabel tidak bebas yang dipengaruhinya, atau dalam bentuk lain antara input
dan output dari suatu sistem. Sistem itu dapat berbentuk makro (seperti
perekonomian nasional) atau mikro (seperti dalam perusahaan atau rumah
tangga).
Metode Kausal bertujuan untuk meramalkan keadaan di masa datang dengan
menemukan dan mengukur beberapa variabel bebas (independent) yang penting
beserta pengaruhnya terhadap variabel tidak bebas yang diamati. Dengan
mengetahui model hubungan antara variabel yang bersangkutan, dapat
diramalkan bagaimana pengaruh yang terjadi pada variabel tidak bebas apabila
terjadi perubahan pada variabel bebasnya.
 Peramalan kuantitatif dapat diterapkan bila terdapat tiga kondisi berikut:
a. Tersedia informasi tentang masa lalu.
b. Informasi tersebut dapat dikuantitatifkan dalam bentuk data numerik.
c. Dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus
berlanjut dimasa yang akan datang.
Pemilihan metode-metode peramalan akan tergantung pada pola data dan
horizon waktu dari peramalan.

Metode Weight Moving Average

Model rata-rata begerak terbobot lebih responsif terhadap perubahan,
karena data dari periode yang baru biasanya diberi bobot lebih besar. Menurut
Gaspersz (2004) suatu model rata-rata bergerak n-periode terbobot, weighted
MA(n), dinyatakan sebagai berikut :

Weighted MA(n) =
∑ ( pembobot untuk periode n ) ( permintaan aktual dalam periode n )
∑ ( pembobot )

Secara umum pemberian bobot untuk model rata-rata bergerak n-periode

terbobot, weighted MA(n), akan dilakukan sebagai berikut :
Tabel 3.1 Pemberian bobot untuk model rata-rata bergerak
Periode Koefisien Pembobot (P)
1 periode yang lalu n
2 periode yang lalu n-1
3 periode yang lalu n-2
: :
: :
n-1 periode yang lalu n – (n – 2) = 2
n periode yang lalu n – (n – 1) = 1
Jumlah Σpi (i = 1, 2, ..., n)

Selanjutnya menggunakan formula untuk weighted MA(n), peramalan

berdasarkan model rata-rata bergerak 4 bulan terbobot dilakukan sebagai
berikut:
 Weighted MA(4) =
( 4 ) ( A1) + ( 3) ( A2 ) + ( 2 ) ( A3 ) + ( 1) ( A4 )
10

Dimana :
A1 = permintaan aktual 1 bulan (periode) yang lalu
A2 = permintaan aktual 2 bulan (periode) yang lalu
A3 = permintaan aktual 3 bulan (periode) yang lalu
A4 = permintaan aktual 4 bulan (periode) yang lalu
Selanjutnya untuk mengetahui sejauhmana keandalan dari model
peramalan weighted MA(4), seyogianya kita membangun peta kontrol tracking
signal. Untuk bisa mendapatkan nilai tracking signal harus dicari terlebih dahulu
nilai MAD yang didapat dari rumus :

MAD =
∑ ( absolut dari forecast errors)
n

RSFE
Tracking Signal =
MAD

Metode Exponential Smoothing

Metode peramalan dengan pemulusan eksponensial biasa digunakan
untuk pola data yang tidak stabil atau perubahannya besar dan bergejolak.
Metode permalan ini bekerja hampir serupa dengan alat thermostat, dimana
apabila galat ramalan (forecast error) adalah positif, yang berarti nilai aktual
permintaan lebih tinggi daripada nilai ramalan (A–F>0), maka model pemulusan
eksponensial akan secara otomatis meningkatkan nilai ramalannya. Sebaliknya
apabila galat ramalan (forecast error) adalah negatif, yang berarti nilai aktual
permintaan lebih rendah daripada nilai ramalan (A – F < 0), maka metode
pemulusan eksponensial akan secara otomatis menurunkan nilai ramalan.
Proses penyesuaian ini berlangsung secara terus-menerus, kecuali galat
ramalan telah mencapai nol.
 Peramalan menggunakan metode pemulusan eksponensial dilakukan
berdasarkan formula seperti di bawah ini.

Ft = Ft-1 + α (A t-1 - Ft-1 )

dimana :
Ft = nilai ramalan untuk periode waktu ke-t
Ft-1 = nilai ramalan untu satu periode waktu yang lalu, t-1
At-1 = nilai aktual untuk satu periode waktu yang lalu, t-1
α = konstanta pemulusan (smoothing constant)
Permasalahan umum yang dihadapi apabila mengunakan model
pemulusan eksponensial adalah memilih konstanta pemulusan (α ) yang dikira
tepat. Nilai konstanta pemulusan dapat dipilih di antara nilai 0 dan 1, karena
berlaku 0 < α <1. Bagaimanapun juga untuk penetapan nilai α yang
diperkirakan tepat, dapat digunakan panduan sebagai berikut :
Apabila pola historis dari data aktual permintaan sangat bergejolak atau
tidak stabil dari dari waktu ke waktu, dipilih nilai α yang mendekati 1. Biasanya
dipilih nilai α = 0,9 dan semakin bergejolak nilai α yang dipilih harus semakin
tinggi menuju angka 1.
Apabila pola historis dari data aktual permintaan tidak berfluktuasi atau
relatif stabil dari waktu ke waktu, dapat dipilih nilai α yang mendekati nol.
Biasanya dipilih nilia α = 0,1. Semakin stabil, nilai α yang dipilih harus semakin
kecil menuju nilai nol.
Untuk mengetahui sejauh mana keandalan dari model peramalan
berdasarkan pemulusan eksponensial harus menggunakan peta kontrol tracking
signal dan membandingkan apakah nilai-nilai ramalan itu telah menggambarkan
atau sesuai dengan pola historis dari data aktual permintaan.

Metode Regresi Linier

Dalam ilmu statistika, metode regresi linier sering sekali dipakai untuk
memecahkan masalah-masalah dalam penaksiran tentunya hal ini berlaku juga
dalam peramalan sehingga metode regresi linier menjadi suatu metode yang
mempunyai taksiran terbaik diantara metode-metode yang lain.
Metode regresi linier dipergunakan sebagai metode peramalan apabila
pola historis dari data aktual permintaan menunjukkan adanya suatu
kecenderungan menaik dari waktu ke waktu.
Istilah regresi linier berarti, bahwa rataan (µ ) berkaitan linier dengan x
y|x

dalam bentuk persamaan linier populasi.

µ y|x = α + β x,

Koefisien regresi α dan β merupakan dua parameter yang akan ditaksir

dari data sampel. Bila taksiran untuk kedua parameter itu masing-masing

dinyatakan dengan a dan b maka µ y|x dapat ditaksir dengan ŷ dari bentuk garis
regresi berdasarkan sampel atau garis kecocokan regresi.

ŷ = a + bx

dimana :
ŷ = nilai ramalan permintaan pada peiode ke-t
a = intersep
b = slope dari garis kecenderungan,merupakan tingkat perubahan dalam
permintaan.
x = indeks waktu ( t = 1,2,3,...,n) ; n adalah banyaknya periode waktu
Dengan taksiran a dan b masing-masing menyatakan perpotongan
dengan sumbu y dan kenaikannya. Lambang ŷ digunakan di sini untuk
membedakan antara taksiran atau nilai prediksi yang diberikan oleh garis regresi
sampel dan nilai y amatan percobaan yang sesungguhnya untuk suatu nilai x.
 Slope dan intersep dari persamaan regresi linier dihitung dengan
menggunakan formula berikut :

b=
n. ∑ xy - ∑ x . ∑ y
a=
∑x - b . ∑x
n . ∑ x - ( ∑ x)
2 2
n

dimana :
b = slope dari persamaan garis lurus
a = intersep dari persamaan garis lurus
x = index waktu
x-bar = nilai rata-rata dari x
y = variabel permintaan (data aktual permintaan)
y-bar = nilai rata-rata permintaan per periode waktu, rata-rata dari y

Teori Ukuran Akurasi Peramalan

Validasi metode peramalan terutama dengan menggunakan metode-
metode di atas tidak dapat lepas dari indikator-indikator dalam pengukuran
akurasi peramalan.

Mean Absolute Deviation

Bagaimanapun juga terdapat sejumlah indikator dalam pengukuran
akurasi peramalan, namun yang paling umum digunakan adalah Mean Absolute
Deviation, Mean Absolute Percentage Error dan Mean Squared Error. Akurasi
peramalan akan tinggi apabila nilai-nilai MAD, MAPE, dan MSE semakin kecil.
MAD merupakan nilai total absolut dari forecast error dibagi dengan data. Atau
yang lebih mudah adalah nilai kumulatif absolut error dibagi dengan periode. Jika
diformulasikan maka formula untuk menghitung MAD adalah sebagai berikut :

MAD =
∑ ( absolut dari forecast error )
n
 Mean Forecast Error
Menurut Gaspersz (2004), mean forecast error biasa disebut juga galat
peramalan. Galat peramalan ini juga dapat berfungsi untuk menghitung nilai
MAD yang telah dibahas pada sub bab sebelumnya.
Galat ramalan tidak dapat dihindari dalam sistem peramalan, namun galat
ramalan itu harus dikelola dengan benar. Pengelolaan terhadap galat ramalan
akan menjadi lebih efektif apabila peramal mampu mengambil tindakan
mengambil tindakan yang tepat berkaitan dengan alasan-alasan terjadinya galat
ramalan itu. Dalam sistem peramalan, penggunaan berbagai model peramalan
akan memberikan nilai ramalan yang berbeda dan derjat dari galat ramalan yang
berbeda pula.
Tabel 3.2 Alasan terjadi galat ramalan dan tindakan yang harus diambil
No. Alasan terjadi galat ramalan Tindakan yang harus diambil
1 Perubahan dari pola data dasar Mengubah model peramalan
2 Faktor eksternal (termasuk Identifikasi dan lakukan
promosi, aktivitas pesaing, hari penyesuaian model peramalan
raya, cuaca, konflik internasional, dengan faktor eksternal itu
dan lain-lain
3 Variasi acak normal Terima model peramalan itu
4 Kesalahan pemasukan data Identifikasi dan koreksi
5 Perubahan dalam faktor Identifikasi dan lakukan
ekstrinsik penyesuaian model peramalan
dengan faktor ekstrinsik itu
6 Kehilangan data Mencari data asli atau substitusi
data itu
7 Tingkat disagregasi Terima model peramalan itu

Rata-rata kesalahan kuadrat memperkuat pengaruh angka-angka

kesalahan besar, tetapi memperkecil angka kesalahan prakiraan yang lebih kecil
dari satu unit.

MSE = ∑
ei
n
 Mean Absolute Percentage Error (MAPE)
Rata-rata persentase kesalahan kuadrat merupakan pengukuran ketelitian
dengan cara-cara persentase kesalahan absolute, (MAPE) menunjukkan rata-
rata kesalahan absolut prakiraan dalam bentuk persentasenya terhadap data
aktualnya.

e
MPE ∑ x (100 )
i
=
n

Tracking Signal
Menurut Gaspersz (2004), suatu ukuran bagaimana baiknya suatu
ramalan memperkirakan nilai-nilai aktual Suatu ramalan diperbaharui setiap
minggu, bulan atau triwulan, sehingga data permintaan yang baru dibandingkan
terhadap nilai-nilai ramalan. Tracking signal dihitung sebagai running sum of the
forecast errors dibagi dengan mean absolute deviation.

RSFE
Tracking Signal =
MAD

Tracking signal yang positif menunjukkan bahwa nilai aktual permintaan

lebih besar daripada ramalan, sedangkan apabila negatif berarti nilai aktual
permintaan lebih kecil daripada ramalan. Suatu tracking signal disebut baik
apabila memiliki RSFE yang rendah dan mempunyai positive error yang sama
banyak atau seimbang dengan negative error, sehingga pusat dari tracking
signal mendekati nol.
Pada setiap peramalan, tracking signal terkadang digunakan untuk
melihat apakah nilai-nilai yang dihasilkan berada didalam atau diluar batas-batas
pengendalian dimana nilai-nilai tracking signal itu bergerak antara -4 sampai +4.
 Moving Range
Moving range dibuat untuk membandingkan nilai-nilai observasi atau data
aktual dengan nilai peramalan dari kebutuhan yang sama. Dapat dikatakan
bahwa moving range adalah peta kontrol statistik yang digunakan pada
pengendalian kualitas. Peta moving range memiliki batasan-batasan yang terdiri
dari batas kontrol atas dan batas kontrol bawah. Jika ada sebuah titik atau data
yang berada di luar batas tersebut maka ada beberapa data yang harus
dihilangkan atau mencari metode peramalan yang lain.
Moving Range digunakan untuk mengetahui sejauh mana arah
pergerakan (misal : permintaan) bergerak. Perhitungan Moving Range
menggunakan rumus :

MR =

( Ft −1 − At −1 ) − ( Ft − At )