FORECASTI

NG
Laksmi Karunia Tanuwijaya
Food Service Management 2
2012

Peramalan
(Forecasting)
Peramalan

adalah kegiatan
memperkirakan tingkat permintaan
produk yang diharapkan untuk suatu
produk atau beberapa produk dalam
periode waktu tertentu di masa yang
akan datang
John

E. Biegel, 1999

 Peramalan

atau forecasting diartikan

sebagai penggunaan teknik-teknik
statistik dalam bentuk gambaran masa
depan berdasarkan pengolahan angkaangka historis
Buffa

S. Elwood, 1996

 Peramalan

merupakan bagian integral

dari kegiatan pengambilan keputusan
manajemen
Makridakis,

1988

Peran Peramalan
Penjadwalan

sumber daya yang tersedia

Penyediaan sumber daya tambahan
Penentuan sumber daya yang
diinginkan

Fungsi Peramalan
Menentukan

apa yang dibutuhkan untuk

perluasan usaha/organisasi
Menentukan perencanaan lanjutan bagi
produk-produk yang ada untuk
dikerjakan dengan fasilitas yang ada
Menentukan penjadwalan jangka
pendek produk-produk yang ada untuk
dikerjakan berdasarkan peralatan yang
ada

Jenis-jenis Peramalan
(Waktu)
Peramalan

jangka panjang

peramalan yang dilakukan untuk

penyusunan hasil ramalan yang jangka
waktunya lebih dari satu setengah tahun
atau tiga semester
berorientasi

pada dasar atau perencanaan

 Peramalan

jangka pendek

peramalan yang dilakukan untuk

penyusunan hasil ramalan yang dilakukan
kurang dari satu setengah tahun atau tiga
semester
Penetapan

jadwal induk produksi untuk

bulan yang akan datang atau periode
kurang dari satu tahun sangat tergantung
pada peramalan jangka pendek

Jenis-jenis Peramalan
(Sifat Penyusunannya)
Peramalan

subjektif

peramalan yang didasarkan atas

perasaan atau intuisi dari orang yang
menyusunnya

pandangan atau ketajaman pikiran orang yang

menyusunnya sangat menentukan baik
tidaknya hasil peramalan

 Peramalan

objektif

peramalan yang didasarkan atas data

yang relevan pada masa lalu dengan
menggunakan teknik-teknik dan metodemetode dalam penganalisaan data
tersebut

Metode Peramalan
berdasarkan Sifat
Peramalan

kualitatif atau teknologis

peramalan yang didasarkan atas data

kualitatif masa lalu
tergantung pada orang yang
menyusunnya
ditentukan oleh pemikiran yang bersifat
intuisi, judgement (pendapat) dan
pengetahuan serta pengalaman dari
penyusunnya

Metode Peramalan Kualitatif

Metode

dimulai dengan masa lalu dan masa kini sebagai

awal dan bergerak ke arah masa depan secara
heuristik, sering kali dengan melihat semua
kemungkinan yang ada.

Metode

eksploratif

normatif

dimulai dengan menetapkan sasaran tujuan yang

akan datang, kemudian bekerja mundur untuk
melihat apakah hal ini dapat dicapai berdasarkan
kendala, sumber daya dan teknologi yang
tersedia

 Peramalan

kuantitatif

peramalan yang didasarkan atas data

kuantitatif pada masa lalu
tergantung pada metode yang digunakan
dalam peramalan tersebut
Metode yang baik adalah metode yang
memberikan nilai-nilai perbedaan atau
penyimpangan yang mungkin

Kondisi Penentu Peramalan

Kuantitatif
Informasi

tentang keadaan masa lalu

Informasi tersebut dapat
dikuantifikasikan dalam bentuk data
numerik
Dapat diasumsikan bahwa beberapa
aspek pola masa lalu akan terus
berkelanjutan pada masa yang akan
datang

Metode Peramalan Kuantitatif

Model

deret berkala (time series)

didasarkan atas penggunaan analisa pola

hubungan antara variabel yang akan
diperkirakan dengan variabel waktu, yang
merupakan deret waktu

 Model

kausal

didasarkan atas penggunaan analisa pola

hubungan antara variabel lain yang
mempengaruhinya, yang bukan waktu,
yang disebut metode korelasi atau sebab
akibat
Metode

regresi dan korelasi

Metode ekonometri
Metode input dan output

Karakteristik Peramalan
Yang Baik
Ketelitian/

Keakuratan

Peramalan yang terlalu rendah

mengakibatkan kekurangan persediaan
(inventory).
Peramalan yang terlalu tinggi akan
menyebabkan inventory yang berlebihan
dan biaya operasi tambahan

 Biaya

Mengusahakan melakukan peramalan

jangan sampai menimbulkan ongkos yang
terlalu besar ataupun terlalu kecil.

Responsif

Ramalan harus stabil dan tidak

terpengaruhi oleh fluktuasi demand

Sederhana

kemudahanuntuk melakukan peramalan

Jenis-jenis Pola Data

Pola

Horizontal (H) atau Horizontal Data

Pattern

Data berfluktuasi di sekitar nilai rata-rata.

Data tidak dapat diprediksi dan
diantisipasi karena sifatnya acak
Misalnya karena perang, wabah, dll

Pola Data Horisontal

 Pola

Trend (T) atau Trend Data Pattern

kenaikan atau penurunan sekuler jangka

panjang dalam data
Contohnya penjualan perusahaan, produk
bruto nasional(GNP)

Pola Data Trend

 Pola

Musiman (S) atau Seasional Data

Pattern

bilamana suatu deret dipengaruhi oleh

faktor musiman (misalnya kuartal tahun
tertentu, bulan atau hari-hari pada
minggu tertentu).
Contoh : penjualan dari produk seperti
minuman ringan, es krim dan bahan
bakar pemanas ruang

Pola Data Seasonal

 Pola

Siklis (S) atau Cyclied Data Pattern

bilamana datanya dipengaruhi oleh

fluktuasi ekonomi jangka panjang seperti
yang berhubungan dengan siklus bisnis
Lebih panjang daripada pola musiman,
sehingga lebih sulit diprediksi
Contoh : siklus bisnis resesi, depresi, dll.

Pola Siklis

Teknik Peramalan
Kuantitatif

Naive, smoothing, decomposition (time

series)
Regresi dan ekonometri (Kausalitas)

Kualitatif

Riset pasar, pendapat para eksekutif,

Delphi

Naive
Forecasting

periode yang akan datang =

aktual yang lalu (1 + x%)

Besaran

x% tergantung keyakinan
manajer mengenai pola musiman yang
akan datang (5%, 10%, dll)
Sesuai untuk jangka pendek

Naive
Seorang

manajer dapat menentukan

forecasting periode berikutnya dengan
meningkatkan sebesar persentase
tertentu

Moving Average (Smoothing)

MA

= hasil aktual n periode yang lalu

n

MA = moving average
n = jumlah periode

Moving Average
Hasil

forecast diharapkan mendekati

hasil aktual karena dihaluskan dengan
beberapa hasil aktual yang lalu.
Semakin panjang jangka waktu moving
average maka hasil forecast akan
semakin halus, artinya selisih antara
hasil forecast dan aktual tidak mencolok

Exponential Smoothing
Perlu

3 jenis data :

Forecast periode yang lalu

Hasil aktual yang lalu
Konstanta penghalus

KP = forecast 2 periode yang lalu forecast yang

lalu
aktual periode yang lalu forecast yang lalu
KP = Konstanta Penghalus

 KP

memerlukan data forecast 2 periode

yang lalu secara berurutan dan hasil
aktual periode sebelumnya

Metode Kausalitas
Regresi

sederhana (dalam persamaan

regresi hanya ada satu variabel terikat
dan satu variabel bebas yang
mempengaruhi variabel terikat
tersebut)
y = a + bx +
y = jumlah tamu restoran
a = jumlah tamu luar yang makan di restoran di restoran hotel
b = jumlah tamu rerata yang makan di restoran hotel
x = jumlah kamar terhuni
= error term

Untuk menentukan besaran a dan b maka

dapat diterapkan formula berikut :
a = x 2 y - x xy
n x2 (x)2
b = n xy - x y
n x2 (x)2

 Kemudian

dimasukkan dalam
persamaan

Y = a + bx
Dan dapat diketahui R2-nya

 Dalam

menerapkan regresi sederhana

perlu diperhatikan derajat hubungan
(correlation coefficient) dan ketepatan
prediksi (coefficient of determination)
notasi R
Ketepatan prediksi : seberapa besar
model regresi dapat menjelaskan
variabel bebas atas variabel terikat

Teknik Peramalan
1.

Metode Time Series (Deret Waktu)

Metode Averaging

a.
i.
ii.

iii.

Metode Smoothing (Pemulusan)

b.
i.
ii.
iii.

2.

Simple Average
Single Moving Average
Double Moving Average
Single Exponential Smoothing
Double Exponential Smoothing satu parameter dari
Browns
Double Exponential Smoothing Dua Parameter dari Holt

Regresi Linier

MetodeAveraging
Dipakai

untuk kondisi dimana setiap

data pada waktu yang berbeda
mempunyai bobot yang sama sehingga
fluktasi random data dapat direndam
dengan rata-ratanya, biasanya dipakai
untuk peramalan jangka pendek

Simple Average

Single Moving Average

Apabila

diperoleh data yang stasioner,

metode ini cukup baik untuk
meramalkan keadaan

Double Moving Average

Jika

data tidak stasioner serta

mengandung pole trend, maka
dilakukan moving average terhadap
hasil single moving average

Metode Smoothing
Dipakai

pada kondisi dimana bobot data

pada periode yang satu berbeda dengan
data pada periode sebelumnya dan
membentuk fungsi Exponential yang
biasa disebut Exponential smoothing

Single Exponential Smoothing

Metode

ini banyak mengurangi masalah

penyimpangan data karena tidak perlu
lagi menyimpan data historis.

 Metode

ini selalu mengikuti setiap trend

dalam data sebenarnya karena yang dapat
dilakukannya tidak lebih dari mengatur
ramalan mendatang dengan suatu
persentase dari kesalahan terakhir
Pengaruh besar kecilnya a berlawanan arah
dengan pengaruh memasukan jumlah
pengamatan.
Untuk menentukan a mendekati optimal
memerlukan beberapa kali percobaan.

Double Exponential Smoothing

satu parameter dari Browns
Dasar

pemikiran dari pemulusan

eksponensial linier dari Browns adalah
serupa dengan rata-rata bergerak linier,
karena kedua nilai pemulusan tunggal
dan ganda ketinggalan dari data yang
sebenarnya bilamana terdapat unsur
trend.

Double Exponential Smoothing

Dua Parameter dari Holt
Metode

pemulusan eksponensial linier

dari Holt pada prinsipnya serupa dengan
Browns kecuali bahwa Holt tidak
menggunakan rumus pemulusan
berganda secara langsung.
Sebagai gantinya, Holt memutuskan
nilai trend dengan parameter yang
berbeda dari dua parameter yang
digunakan pada deret yang asli.

Regresi Linier
Regresi linier digunakan untuk peramalan
apabila set data yang ada linier, artinya
hubungan antara variabel waktu dan
permintaan berbentuk garis (linier).
Metode regresi linier didasarkan atas
perhitungan least square error, yaitu dengan
memperhitungkan jarak terkecil kesuatu titik
pada data untuk ditarik garis.
Adapun untuk persamaan peramalan regresi
linier dipakai tiga konstanta, yaitu a, b dan Y.