MAKALAH

PERAMALAN
Disusun untuk memenuhi tugas
Mata Kuliah Manajemen Operasi
Dosen Pengampu : Ike Susanti, M.M

Oleh :
1. Zumrotus Sholihah (042110046)
2. Imal Yauma Nur Fasalah (042110063)
3. Andy Yusuf Dwi Prasetyo (042110236)
4. Aninda Desi Nur Fitria (042110237)
5. Krisna Meyrizal Hardiansyah (042110248)
6. Katon Mahardika (042110381)
7. Lutfia Qolbiana Sakinah (042110252)
8. Nia Putri Ardianti (042110260)

KELAS III F
PROGRAM STUDI MANAJEMEN
FAKULTAS EKONOMI
UNIVERSITAS ISLAM LAMONGAN 2022/2023
 KATA PENGANTAR

Puji Syukur kita panjatkan kehadirat Allah SWT karena berkat rahmat taufik
hidayah dan inayahnya kami dapat menyelesaikan tugas penyusunan makalah ini
tepat pada waktunya. Makalah ini membahas tentang Peramalan, kami juga
mengucapkan banyak terima kasih kepada Ibu Ike Susanti, M.M selaku Dosen
pengajar Manajemen Operasi, semua teman-teman kelas Manajemen III F, serta
teman kelompok 3 yang telah membantu dalam penyusunan makalah ini. Kami
menyadari bahwa makalah ini masih jauh dari kesempurnaan baik dari bentuk
penyusunan maupun materinya kritik konstruktif dari pembaca sangat kami
diharapkan untuk penyempurnaan makalah selanjutnya. Semoga makalah ini
dapat bermanfaat bagi para pembaca.
 DAFTAR ISI

KATA PENGANTAR.............................................................................................i
DAFTAR ISI..........................................................................................................ii
BAB I PENDAHULUAN
A. Latar Belakang Masalah............................................................................1
B. Rumusan Masalah......................................................................................2
C. Tujuan Penulisan.......................................................................................2
BAB II PEMBAHASAN
A. Pengertian, Fungsi, dan Tahapan Peramalan............................................3
B. Jenis Forecasting dan Data Pola...............................................................4
C. Model dan Dasar-dasar Peramalan...........................................................5
D. Pendekatan Dalam Peramalan..................................................................6
E. Metode Nilai Taksiran dan Nilai Rata-rata................................................9
F. Metode Pemulusan dan Prosedur Peramalan...........................................10
G. Kendala Pemilihan Tehnik Peramalan.....................................................10
H. Pendekatan Dalam Sistem Forecast........................................................13
BAB III PENUTUP
DAFTAR PUSTAKA
 BAB I
PENDAHULUAN

A. Latar Belakang
Setiap perusahaan selalu menghadapi masa depan dalam aktivitasnya,
guna mencapai visi misinya. Oleh karenanya semua perusahaan dituntut untuk
memperkirakan atau meramalkan besarnya pemintaan pelanggan akan produknya.
Peramalan permintaan merupakan usaha untuk mengetahui jumlah produk atau
sekelompok produk di masa yang akan datang dalam kendala atau kondisi tertentu
serta untuk mengurangi risiko atau ketidakpastian yang dihadapi. Hasil maksimal
dari suatu kegiatan peramalan adalah melakukan minimisasi ketidakpastian yang
mungkin terjadidi masa yang akan datang. Untuk mampu tercapainya keputusan
yang optimal diperlukan cara yang tepat, sistematis dan dapat
diprtanggungjawabkan. Salah satu alat yang diperlukan adalah metode peramalan.
B. Rumusan Masalah
Kami telah menyusun beberapa masalah yang akan dibahas dalam makalah ini,
sebagai batasan dalam pembahasan bab ini. Adapun beberapa masalah yang akan
dibahas antara lain :
1. Definisi, Fungsi, dan Tahapan dalam Peramalan
2. Jenis-jenis Forecasting dan Data Pola
3. Model dan Dasar-dasar Peramalan
4. Pendekatan Dalam Peramalan
5. Metode Nilai Taksiran dan Nilai Rata-rata
6. Metode Pemulusan dan Prosedur Peramalan
7. Kendala Pemilihan Tehnik Peramalan

C. Tujuan Penulisan
Tujuan yang hendak dicapai dalam penulisan materi ini adalah untuk mengetahui
1. Dapat mengetahui apa itu peramalan (forecasting)
2. Dapat mengetahui fungsi, dan tahapan dalam peramalan
3. Mengetahui jenis forecasting serta data pola
4. Bagaimana model, dasar-dasar dan pendekatan dalam peramalan
5. Mengetahui metode apa saja yang digunakan dalam forecasting
6. Serta dapat mengetahui kendala dalam pemilihan teknik peramalan
 BAB II
PEMBAHASAN

A. Pengertian, Fungsi, dan Tahapan

Peramalan Pengertian
Suatu analisis ekonomi dan kegiatan usaha perusahaan yang menitikberatkan pada
mengkaji pada situasi dan kondisi di masa yang akan mendatang, membutuhkan
suatu teknis dan metode situasi dan kondisi yang berlaku sekarang maupun yang
telah lalu, dan melihat pengaruhnya analisis peramalan. Peramalan/forecasting
ialah kegiatan untuk memperkirakan apa yang akan terjadi di masa akan datang.
Peramalan (Forecasting) adalah: Seni dan ilmu untuk memprediksi kejadian di
masa depan Peramalan menjadi penting sebab situasi dan kondisi yang berkaitan
dengan ekonomi dan kegiatan usaha dihadapkan pada :
1. Meningkatnya kompleksitas organisasi
2.Meningkatnya ukuran-ukuran keberhasilan organisasi
3. Perubahan lingkungan yang sangat cepat
Fungsi
Kegunaan dari peramalan ialah akan membantu dalam pengambilan keputusan.
Keputusan yang baik ialah keputusan yang didasarkan atas pertimbangan apa
yang terjadi pada waktu keputusan itu dilaksanakan. Apabila peramalan yang
dibuat kurang tepat, maka keputusan yang kita buat kurang baik, sehingga
diperlukan suatu kemampuan menguasai teknik dan metode secara benar.
Ketepatan dalam melakukan peramalan akan menunjang perencanaan yang
ditetapkan.
Tahapan
Tahapan peramalan yang baik meliputi 3 hal :
1. Menganalisis data masa lalu
Tahap ini berguna untuk mengetahui pola data yang tepat dimasa lalu, analisis
dilakukan dengan cara membuat tabulasi kemudian memplotkan (plot) data untuk
mengetahui pola data.
2. Menentukan metode
Tahap ini adalah menentukan metode peramalan yang baik, metode yang baik
adalah metode yang menghasilakan penyimpangan terkecil.
3. Memproyeksikan data
Tahap ini adalah memproyeksikan data masa lalu dengan menggunakan metode
terpilih dan mempertimbangkan adanya faktor-faktor perubahan.

B. Jenis Peramalan (forecasting) dan Data Pola

Peramalan dilihat dari sifat penyusunannya terbagi atas dua macam, yaitu :
1) Peramalan Kualitatif
Peramalan kualitatif bersifat subjektif dan didasarkan atas perasaan atau intuisi
dari orang yang menyusunnya. Dalam hal ini pandangan atau judgement dari
orang yang menyusunnya sangat menentukan baik tidaknya hasil ramalan tersebut.
2) Peramalan Kuantitatif
Peramalan kuantitatif didasarkan atas data historis yang relevan di masa lalu,
mengikuti pendekatan statistika formal dan pendekatan yang sistematis yang
meminimumkan kesalahan (error) peramalan.
Dalam peramalan kuantitatif, memerlukan tiga kondisi yaitu:
a) Adanya informasi masa lalu
b) Informasi tersebut dapat dikuantifisir
c) Dapat diasumsikan bahwa pola di masa lalu dapat berkelanjutan di masa yang
akan datang.
Forecasting biasanya dikategorikan berdasarkan horizon waktu masa depan:
a) Forecasting jangka Pendek (Mencakup jangka waktu hingga 1 tahun)
b) Forecasting jangka Menengah (Mencakup hitungan bulanan hingga 3 tahun)
c) Forecasting jangka Panjang. (Perencanaan masa 3 tahun atau lebih)
Jenis Forecasting
a. Economic Forecast
Menjelaskan siklus bisnis, missal tingkat inflasi, tersedianya uang, biasanya
membantu organisasi menyiapkan forecasting jangka menengah hingga jangka
panjang.
b. Technological Forecast
memperhatikan tingkat kemajuan teknologi yang dapat meluncurkan produk baru
yang menarik, sasarannya forecasting jangka panjang dengan kemajuan teknologi.
c. Demand Forecast
Proyeksi permintaan untuk produk atau layanan suatu perusahaan. Disebut juga
forecast penjualan pada setiap periode dalam waktu horizon.
Jenis Data Pola

Keterangan:
a) Pola data horizontal menunjukan bahwa nilai data berfluktuasi di sekitar nilai
rata-rata (stasioner terhadap nilai rata-ratanya)
b) Pola data musiman menunjukan bahwa nilai data dipengaruhi oleh faktor
musiman (harian, mingguan, bulanan, semesteran, tahunan)
c) Pola data siklus menunjukan bahwa nilai data dipengaruhi oleh flukstuasi
dalam jangka panjang
d) Pola data trend menunjukan bahwa nilai data terjadi kenaikan atau penurunan
dalam jangka panjang.
e) Pola data trend menunjukan bahwa nilai data terjadi kenaikan atau penurunan
dalam jangka panjang.

C. Model dan Dasar-dasar Peramalan

Dalam Peramalan Kuantitatif, dikenal dua model data yaitu :
a) Model deret berkala/time series
 Bertujuan menemukan pola dalam deret data historis, kemudian
mengekplorasi data historis tersebut untuk diekstrapolasi kemasa yang akan
datang. Peramalan dengan model deret berkala memperlakukan sistem
sebagai suatu kotak hitam (black box) dan tidak ada upaya untuk menemukan
faktor yang berpengaruh pada perilaku sistem tersebut. Sistem dianggap suatu
proses bangkitan (generating process) yang tidak diketahui mekanismenya.
b) Model kausal/eksplanantoris/regresi
Mengasumsikan adanya hubungan sebab akibat antara sistem input dan output
dengan satu atau lebih variabel bebas. Setiap perubahan dalam input akan
berakibat pada output sistem dengan carta yang dapat diramalkan dengan
menganggap hubungan sebab dan akibat itu tetap.
Kedua model tersebut pada dasarnya memilikin keuntungan dalam kondisi
tertentu. Deret model sering kali dapat digunakan dengan mudah untuk meraal
model kausai dapat digunakan dengan keberhasilan yang lebih besar dalam
pengambilan keputusan.

D. Pendekatan dalam Peramalan

Peramalan dapat dilakukan dengan cara kuantitatif ataupun kualitatif. Pengukuran
kuantitatif menggunakan metode statistik sedangkan kualitatif didasarkan pada
pendapat dari yang meramal misal, lewat survei.
Ada dua macam pendekatan dalam peramalan lewat metode kuantitatif yaitu:
1) Pendekatan time series yaitu model yang tidak memperhatikan hubungan
sebab akibat atau dengan kata lain hasil peramalan hanya memperhatikan
kecenderungan dari data yang di masa lalu yang tersedia. Menurut makriadis dan
steven secara skematis pendekatan ini dapat digambarkan sebagai berikut :

Proses Bangkitan Output

Input Generating Preocess
Metode time series/serial waktu dimulai dengan memplot data pada suatu skala
waktu, mempelajari plot itu dan akhirnya membentuk pola yang konsisten atas
data. Dalam pengembangannya pengolahan data serial waktu dapat dilakukan
dengan metode dasar yakni: rata-rata bergerak, Pemulusan eksponensial dan
dekomposisi.
2) Dalam Pendekatan yang memperhatikan hubungan sebab akibat (cause-
effects method) atau pendekatan yang suatu keadaan (explanatory method) oleh
sebab-sebab tertentu. Dengan hubungan stokastic. Secara schematic pendekatan
ini dapat digambarkan sebagai berikut :

Hubungan Output
Input Sebab &
Akibat

Kedua model tersebut pada dasarnya mempunyai keuntungan dalam kondisi

tertentu. Model deret berkala seringkali dapat digunakan dengan mudah untuk
meramal sedangkan model kausal dapat digunakan dengan keberhasilan yang
lebih besar dalam pengambilan keputusan.
Contoh data deret berkala:

Data penjualan PT Batteries Inc. Tahun 2010

Waktu Data Penjualan (kg)

Januari 26.825,43
Pebruari 85.554,97
Maret 153.556,63
April 168.997,7
Mei 68.905,17
Juni 103.501,17
Juli 45.212,59
Agustus 67.186,55
September 111.979,88
 Oktober 5.150,65
Nopember 129.424,66
Desember 88.137,96

Contoh data deret berkala :

Data penjualan minyak goreng merk A, harga minyak goreng merk A dan
pendapat per kapita 2006-2010

Waktu Penjualan (ton) Harga (Rp per Kg) Pendapatan

perkapita ($)
2006 1.200 4.000 11.300
2007 1.750 5.750 10.500
2008 1.820 6.350 10.750
2009 1.900 8.000 12.000
2010 2.400 8.500 13.500

Didalam mengamati output terdapat dua hal yang harus diperhatikan yaitu:
a. Hubungan fungsional yang mengatur sistem (untuk seterusnya disebut Pola)
b. Unsur random (kesalahan/galat)
Dari kedua hal tersebut di atas, maka data adalah gabungan pola dan kesalahan
atau:

DATA = POLA + KESALAHAN

Masalah kritis dalam peramalan yaitu memisahkan pola dari komponen kesalahan,
sehingga pola tersebut dapat digunakan untuk peramalan. Prosedur umum untuk
menduga pola hubungan baik kausal maupun deret berkala ialah dengan
mencocokan suatu bentuk fungsional sedemikian rupa, sehingga komponen
kesalahan pada persamaan di atas dapat diminimumkan. Salah satu bentuk
penduga ialah kuadrat terkecil, istilah kuadrat terkecil didasarkan atas kenyataan
bahwa prosedur penaksiran berusaha meminimumkan jumlah kuadrat kesalahan
atau nilai tengah kesalahan kuadrat.
Kesalahan (error) = Data – Pola
e₁ = x-f
Kesalahan Kuadrat (squared error)
e²= (xi-fi)²
Jumlah Kesalahan Kuadrat (sum of squared error/SSE)
SSE = Σ e 2= Σ (x -f )2
i i i

Nilai Tengah Kesalahan Kuadrat (mean of squared error/MSE)

MSE = (Σ ei 2)/n
Nilai Tengah Kesalahan Persentase Absolute (mean absolute percentage error)
MAPE = ((Xi-Fi)/Xi) x 100

E. Metode Nilai Taksiran dan Nilai Rata-rata

Salah satu metode dalam model deret berkala dapat menggunakan nilai taksiran
atau nilai taksiran. Nilai rata-rata membutuhkan suatu kondisi bahwa data harus
stasioner atau berada dalam keseimbangan di sekitar nilai kosntan. Adapun nilai
taksiran merupakan metode coba-coba (trial and error) di mana yang
menggunakan metode ini, sebagaimana layaknya metode-metode dalam model
deret berkala, dapat melakukan coba-coba untuk setiap perhitungannya.
Contoh soal :
(Peramalan dengan metode nilai taksiran dengan penyimpangan terkecil MSE)
Seorang manajer sebuah toko ingin mengetahui berapa banyak jumlah uang yang
dibelanjakan oleh pelanggan khsususnya setiap kali berbelanja, lalu ia mengambil
12 orang sebagai ukuran sampel, dengan data sebagai berikut :

Pelanggan Jumlah Pengeluaran ($)

1 9
2 8
3 9
4 12
5 9
6 12
7 11
8 7
9 13
10 9
11 11
 12 10

Kemudian dengan memperhatikan data di atas, manajer toko mencoba untuk

membuat suatu perkiraan degan menetapkan nilai taksiran dengan nilai $7 (artinya
bahwa setiap pelanggan khusus yang berbelanja di tokonya akan membelanjakan
sebesar $7), lalu dibuatlah tabelnya sebagai berikut :

Jumlah Pengeluaran Nilai Taksiran = $7

Pelanggan
($) Kesalahn (e) Kesalahan kuadrat (e2)
1 9 2 4
2 8 1 1
3 9 2 4
4 12 5 25
5 9 2 4
6 12 5 25
7 11 4 16
8 7 0 0
9 13 6 36
10 9 2 4
11 11 4 16
12 10 3 9
Jumlah 144

Hasil: SSE = 144

MSE = 12
Coba hitung dengan nilai taksiran 8, 9, 10, 11, 12 kemudian hitung MAPE yang
paling kecil diantara ke enam nilai taksiran yang dibuat. Nilai taksiran dengan
MAPE yang terkecil ialah nilai ramalan yang paling tepat.

F. Metode Pemulusan (Smoothing) dan Prosedur Peramalan

Apabila suatu model deret berkala (time series) ditunjukan suatu proses konstan
yang mengandung kesalahan random, maka nilai tengah akan sangat bermanfaat
sebagai nilai ramalan di masa yang akan datang. Akan tetapi apabila deret berkala
mengandung kecenderungan trend (naik atau turun) atau pengaruh musiman atau
kecenderungan dan musiman sekaligus, maka nilai tenagh tidak dapat
menggambarkan pola sata tersebut. Untuk hal seperti ini, maka metode
pemulusan/smoothing akan lebih baik dibandingkan dengan nilai tengah.
Klasifikasi metode pemulusan ialah sebagai berikut :

1. Metode rata-rata bergerak tunggal (single moving Average/SMA)

SMA merupakan suatu cara untuk mengubah data masa lalu terhadap nilai tengah
sebagai cara menentukan awal berapa nilai observasi masa lalu yang akan
digunakan untuk menghitung nilai tengah. Pengertian rata-rata bergerak
digunakan untuk nilai ramalan di masa mendatang, hal yang harus diperhatikan
adalah jumlah titik dalam setiap rata-rata adalah konstan dan observasi yang
digunakan untuk menemukan yang paling akhir.
2. Metode rata-rata bergerak ganda (Double Moving average/DMA)
DMA merupakan variasi dari prosedur rata-rata bergerak yang diinginkan untuk
mengatasi adanya trend yang lebih baik, DMA selanjutnya disebut metode rata-
rata bergerak linier. Dasar metode ini menghitung rata-rata bergerak yang kedua,
sehingga disebut juga rata-rata bergerak dari rata-rata bergerak.
3. Metode pemulusan eksponensial
Metode pemulusan eksponensial menjelaskan sekelompok metode yang
menunjukkan pembobotan secara eksponensial terhadap nilai-nilai observasi
terdahulu, Metode pemulusan eksponensial terdiri atas metode pemulusan tunggal,
metode pemulusan ganda dan metode pemulusan lainnya memiliki sifat-sifat yang
sama yaitu bahwa nilai yang lebih baru diberikan bobot yang relatif lebih besar
dibandingkan dengan nilai observasi yang terdahulu
Prosedur Peramalan
Peramalan identik dengan studi kelayakan suatu proyek/kegiatan dalam
perusahaan. Dalam hal ini Tahap-tahap dalam studi kelayakan proyek :
1. Analisis ekonomi yakni yang mengadakan proyeksi terhadap aspek-aspek
makro terutama aspek kependudukan dan pendapatan.
2. Analisis industri yakni analisis terhadap permintaan pasar dari seluruh
perusahaan yang menghasilkan produk sejenis dari produk yang diusulkan
dalam studi kelayakan proyek.
3. Analisis penjualan masa lalu yakni dilakukan untuk melihat "market
positioning” produk dalam stuktur persaingan dan dari padanya dapat
diketahui "market share" pada produk tersebut.
4. Analisis peramalan permintaan dimana berkaitan dengan perencanaan
program pemasaran di masa yang akan datang.
5. Pengawasan hasil dari peramalan yakni usaha untuk minimalisasi kesalahan
hasil dari berbagai tenik peramalan yang digunakan.

G. Kendala Pemilihan Tehnik Peramalan

Kendala-kendala yang dihadapi antara lain:
a) Waktu yang hendak diliput yakni rentangan waktu masa ynag akan datang dan
jangkauan peramalan.
b) Tingkah laku data yakni meliputi jumlah, ketepatan, dan tingkah laku data di
masa yang lalu yang tersedia.
c) Tipe model yakni apakah model yang digunakan merupakan model time series,
kaosalitas atau yang lainnya.
d) Biaya yang tersedia yakni biaya yang tersedia untuk penyusunan studi
kelayakan proyek.
e) Tingkat ketepatan yang diinginkan yakni ketelitian dan kecermatan peramalan
yang diinginkan.
Kemudahan penerapan yakni kemudahan, manajemen, data dan biaya

H. Pendekatan Dalam Sistem Forecast

Qualitative Forecast
Forecast yang menggabungkan faktor-faktor seperti intuisi, pengambilan
keputusan, emosi pengalaman pribadi, dan sistem nilai.
Ada 4 teknik qualitative forecast :
a) Jury of executive opinion
Pendapat sekumpulan kecil manajer atau pakar tingkat tinggi, sering
dikombinasikan dengan model statistik, dikumpulkan untuk mendapatkan
prediksi permintaan kelompok.
b) Delphi Method
Teknik forecasting yang menggunakan proses kelompok di mana para pakar
melakukan forecast.
c) Sales force composite
Teknik forecasting berdasarkan prediksi tenaga penjualan akan penjualan
yang diharapkan.
d) Consumer market survey
Metode forecasting yang meminta input dari konsumen mengeani rencana
pembelian mereka di masa depan.
Quantitative Forecast
Forecast yang menggunakan satu atau lebih model matematis dengan data masa
lalu dan variabel sebab akibat untuk meramalkan permintaan.
a) Model Time series
Teknik forecast yang menggunakan sekumpulan data masa lalu untuk
melakukan forecast.
1. Naif Approach
Teknik forecasting yang mengasumsikan permintaan di periode mendatang sama
dengan permintaan terkini.
2. Moving Average
Metode forecast yang menggunakan rata-rata dari sejumlah (n) data terkini untuk
meramalkan periode mendatang.

Rumus = Σ permintaan n periode sebelumnya

N
3. Weighted Moving Average

Rumus = Σ (bobot pada periode n) (permintaan pd periode n)

Σ bobot

4. Exponensial Smoothing
Teknik forecasting rata-rata bergerak dengan pembobotan di mana data diberi
bobot oleh sebuah fungsi eksponensial.
Rumus: Ft = Ft-1 + α (At-1 - Ft-1)
Ft = New Forecast
Ft-1 = Forecast sebelumnya
α = Konstanta exponensial (0<a<1)
At-1 = Permintaan Aktual periode
lalu
5. Trend Projection
Metode forecasting time series yang menyesuaikan sebuah garis tren pada
sekumpulan data masa lalu, dan kemudian diproyeksikan dalam garis untuk
meramalkan masa depan.
Rumus Persamaan sbb:

Y = a + bx

Y = Nilai terhitung dari variabel yang akan diprediksi (variabel dependen)

a =Persilangan sumbu y
b = Kemiringan garis regresi (atau tingkat perubahan pada y untuk perubahan
yang terjadi di x)
x = Variabel independen (dalam kasus ini waktu)
Ahli statistik telah membuat persamaan yang dapat kita gunakan untuk
menemukan nilai a dan b untuk setiap garis regresi. Slope b ditemukan dengan :

Σ xy − nxy
b=
Σ x² − nx²
b = Kemiringan garis regresi
Σ= Tanda penjumlahan total
x = Nilai variabel independen yang diketahui
y = Nilai variabel dependen yang diketahui
x = rata-rata nilai x
y = rata-rata nilai y
n = Jumlah data atau pengamatan
Kita dapat menghitung y intercept a sebagai berikut :

a = y－bx

b) Model Asosiatif
6. Model Regresi Linear
Menggabungkan variabel atau faktor yang mungkin mempengaruhi kuantitas yang
sedang diramalkan.
y = a + bx

di mana :
y = nilai variabel dependen
a = perpotongan sumbu y
b = kemiringan garis regresi
x = variabel bebas