1

II. PERAMALAN (FORECASTING)

Outline
1. APAKAH PERAMALAN ITU?
2. JENIS - JENIS PERAMALAN
3. FUNGSI PERAMALAN
4. PENDEKATAN PERAMALAN
5. METODE PERAMALAN KUALITATIF
6. METODE PERAMALAN KUANTITATIF
2
1. APA ITU PERAMALAN ?
Forecasting : ilmu dan seni dalam memprediksi
kejadian di masa depan
Data masa lalu dan menempatkannya ke masa yang
akan datang dengan suatu bentuk model matematis
Prediksi intuisi bersifat subyektif
Kombinasi model matematis dan intuisi
Tidak ada satu metode tunggal yang unggul
Setiap organisasi/perusahaan berbeda
3
Pendek (Short Range Forecast) :
1 tahun tetapi umumnya < 3 bulan.
Perencanaan pembelian bahan, jadwal kerja, tugas
kerja
Menengah (Medium Range Forecast)
3 bulan 3 tahun.
Perencanaan penjualan, perencanaan dan anggaran
produksi, cash budgeting, analisis perencanaan
operasi
Panjang (Long Range Forecast)
3 tahun atau lebih.
Perencanaan produk baru, pengeluaran modal, lokasi
pabrik dan ekspansi, R&D

Jangka Waktu :
4
Pengenalan Pertumbuhan Kejenuhan Penurunan
P
e
n
j
u
a
l
a
n
Pengaruh Siklus Hidup Produk /Product Life Cycle
Tahap Pengenalan & Pertumbuhan memerlukan peramalan
yang lebih lama daripada tahap kejenuhan dan penurunan
Peramalan bermanfaat dalam :
Penentuan tenaga kerja,
Tingkat persediaan
Kapasitas pabrik
5
2. JENIS - JENIS PERAMALAN
1. Peramalan Ekonomi Siklus bisnis dengan memprediksi
rata-rata inflasi, dan indikator ekonomi lainnya
2. Peramalan Teknologi perkembangan teknologi yang
menyebabkan munculnya produk baru, menentukan pabrik
dan peralatan baru.
3. Peramalan permintaan/penjualan Produksi perusahaan,
kapasitas dan sistem penjadwalan, digunakan untuk input
terhadap perencanaan finansial, pemasaran dan SDM
1. Sumber Daya Manusia
2. Kapasitas
3. Manajemen Rantai Pasokan
Kepentingan Strategis Peramalan Penjualan
6
3. FUNGSI PERAMALAN
INPUT
Riset Pasar
Data Permintaan
masa Lalu
Iklan
Promosi
Pendapat
MODEL
PERAMALAN
OUTPUT
Permintaan yang
diharapkan :
Produk
Konsumen
Wilayah
BATASAN
Kebijakan
manajemen
Sumber daya yg
tersedia
Kondisi pasar
Teknologi
LINGKUNGAN
Ekonomi
Sosial Politik
Budaya
Sumber : R.J. Tersine & John H. Campbell (1977)
7
Tujuh Tahapan Peramalan
1. Menentukan tujuan peramalan
2. Memilih item yang akan diramal
3. Menentukan jangka waktu peramalan
4. Memilih model peramalan
5. Mengumpulkan data
6. Memproses peramalan
7. Validasi dan Implementasi Hasil
Namun demikian :
1. Peramalan jarang ada yang sempurna
2. Hampir semua teknik peramalan mengasumsikan kondisi
stabil
3. Peramalan kelompok produk maupun keseluruhan lebih
akurat daripada peramalan produk individu
8
Metode
Peramalan
Kuantitatif
Kualitatif
- Pendapat ahli/J ury of
Executive Opinion
- Perkiraan Penjualan
- Metode Delphi
- Survai pasar
Model deret berkala
(Time Series )
Model Kausal
(Associative Models)
- Naive approach
- Moving Averages
- Exponential Smoothing
- Trend Projection
- Regresi Linier
9
Perbedaan Metode Kualitatif dan Kuantitatif
A. Digunakan ketika
situasi stabil dan
tersedia data historis
Existing products
Current technology
B. Melibatkan teknik
matematika
Contoh : peramalan
penjualan TV
Metode Kuantitatif
A. Digunakan ketika
kondisinya baru dan data
yang tersedia sedikit
Produk baru
Teknologi baru
B. Melibatkan intuisi dan
pengalaman
Contoh: peramalan
penjualan di internet
Metode Kualitatif
10
Kelompok Kecil (small group) : high-level
managers
Kelompok memperkirakan permintaan
secara bersama-sama
Menggabungkan pengalaman manajerial
dengan model statistik
Relatif cepat
Pemikiran Kelompok
(Group-think) tertentu
5.1. J ury of Executive Opinion
5. Metode Kualitatif
11
5.2. Perkiraan Penjualan
Memperkirakan setiap penjualan
individu, yang kemudian
diagregatkan
Setiap penjual memberikan data
penjualannya
Menggabungkan penjualan antara
cabang/daerah dengan pusat
Para penjual mengetahui apa yang
diinginkan konsumen
Cenderung lebih optimis
Sales
12
5.3. Delphi Method
Panel para ahli
(experts), dilakukan
secara iteratif 3
elemen yang terlibat :
Decision makers
Staff
Respondents
Mengurangi group-
think
Respondents
Staff

Decision Makers

(Sales?)
What will
sales
be?survey)
Sales will be
45,50 and 55
Sales will
be 50!
13
5.4. Survey Pasar (Consumer Market Survey)
Menanyakan kepada konsumen tentang
rencana pembelian
Apa yang dikatakan konsumen, dan apa
yang dilakukannya seringkali berbeda
Seringkali sulit untuk dijawab
How many hours will you
use the internet next
week?
14
6. Metode Kuantitatif
1. Nave approach
2. Moving averages
3. Exponential smoothing
4. Trend projection

5. Linear regression
Time-series
Models
Associative
models
15
A. Model Time Series
Berdasarkan periode tertentu (mingguan, bulanan. kwartal. tahunan)
Tersedia informasi masa lalu
Informasi dapat dikuatitatifkan dalam bentuk data numerik
Asumsi: pola masa lalu terus berlanjut di masa mendatang
Empat Komponen :
1. Tren : pergerakan data sedikit demi sedikit meningkat atau menurun.
perubahan pendapatan, populasi, penyebaran umur, pandangan
budaya Pergerakan Tren
2. Musim : Pola data yang berulang pada periode tertentu (hari, minggu,
bulan, kuartal)
3. Siklus : pola yang terjadi setiap beberapa tahun
Terkait dengan siklus bisnis dan merupakan satu hal penting dalam
analisis dan perencanaan bisnis jangka pendek
4. Variasi acak : satu titik khusus dalam data disebabkan peluang dan
situasi yang tidak biasa
16
Grafik Permintaan Produk selama 4 tahun dengan
tipe trend dan musiman
Year
1
Year
2
Year
3
Year
4
Seasonal peaks Trend component
Actual demand line
Average demand over
four years
D
e
m
a
n
d

f
o
r

p
r
o
d
u
c
t

o
r

s
e
r
v
i
c
e

Random
variation
17
6.1. Naive Approach
Asumsi : Permintaan di periode
mendatang sama dengan permintaan
pada saat ini
Contoh : Jika penjualan HP bulan Mei 48
unit, maka pada bulan Juni,
penjualannya = 48 unit
Kadang-kadang efektif dan efisien
18
6.2. Moving Average (MA)
Merupakan rata-rata aritmatik
Tidak banyak menggunakan trend
Asumsi;permintaan pasar tetap stabil setiap waktu

Persamaan
MA
n
n
=

Demand in Previous Periods
19
Youre manager of a museum store that sells
historical replicas. You want to forecast sales
(000) for 2003 using a 3-period moving
average.
1998 4
1999 6
2000 5
2001 3
2002 7
Contoh MA :
20
Jawaban :
Time Response
Y
i

Moving
Total
(n=3)
Moving
Average
(n=3)
1998 4 NA NA
1999 6 NA NA
2000 5 NA NA
2001 3 4+6+5=15 15/3=5.0
2002 7 6+5+3=14 14/3=4.7
2003 NA 5+3+7=15 15/3=5.0

21
Digunakan ketika ada trend
Data yang lama seringkali tidak berguna
Bobot berdasarkan intuisi
Nilainya 0 & 1,dengan jumlah keseluruhan 1.0
Persamaan
WMA =
(Weight for period n) (Demand in period n)
Weights
Weighted Moving Average (WMA)
22
Bentuk WMA :
Bobot menurun secara eksponensial
Data yang ada diberikan bobot
Memerlukan smoothing constant ()
Kisaran dari 0 - 1
Dipilih secara subjektif
Melibatkan data di masa lalu
6.3. Exponential Smoothing
Ft = A
t - 1
+ (1- )A
t - 2
+ (1- )
2
A
t - 3
+ (1- )
3
A
t - 4
+ ... + (1- )
t-1
A
0


F
t
= F
t-1
+ (A
t-1
F
t-1
)

F
t
= Peramalan yang baru
F
t-1
= Peramalan sebelumnya
= Konstanta pemulusan ( 0 < < 1)
A
t-1
= Permintaan aktual periode sebelumnya
A
t
= Nilai Aktual
23
Contoh : Exponential Smoothing
Cth: Pada bln Januari, agen perjalanan Bogor-Bandung memprediksikan
bahwa pada bulan Februari permintaan sebesar 142 orang per minggu.
Namun ternyata permintaan aktual bln Febr. sebesar 153 orang. Dgn
menggunakan konstanta pemulusan =0,20. maka ramalan permintaan
untuk bulan Maret adalah:
Ft = F
t-1
+ (A
t-1
F
t-1
)
Ft (Maret) = 142 + 0,2 (153-142)
Ft = 144,2 144 orang

Nilai secara umum 0,05- 0,5 untuk aplikasi bisnis (Heizer & Render,1998)
Pengukuran kesalahan peramalan :
MAD (Mean Absolute Deviation) = kesalahan peramalan
n
MSE (Mean Square Error) = ( kesalahan peramalan)
2
n

MAPE (Mean Absolute Percent Error)
n
aktual ramalan aktual
MAPE
n
i
i i
i

=

=
1
100
24
Pelabuhan Tanjung Priok mrp pelabuhan terbesar dalam pengiriman ikan tuna selama
delapan kwartal terakhir. Manajer operasi pelabuhan ingin mencoba exponential
smothing untuk melihat bagimanan teknik tersebut dapat digunakan dalam peramalan.
Dia meramalkan bahwa pada kwartal pertama mendatang pengiriman tuna sebesar 175
ton. Nila yang digunakan adalah 0,1 dan 0,50. Berapa ton tuna yg akan dikirim pada
kwartal ke-9? Nilai manakah yang akan dipilih oleh manajer tsb?
Kwartal Pengiriman Aktual
(ton)
Ramalan
( = 0,1)
Ramalan
( = 0,5)
1 180 175 175
2 168 175 + 0,1 (180 - 175) = 176 178
3 159 175,5 + 0,1(168 -175,50)= 175 173
4 175 174,75 + 0,1 (159-174,75) = 173 166
5 190 173,18 + 0,1(175- 173,18 ) = 173 170
6 205 173,36 + 0,1 (190- 173,36) = 175 180
7 180 175,02 + 0,1(205-175,02) = 178 193
8 182 178,02 + 0,1 (180-178,02) = 178 186
9 ? 178,22 + 0,1(182- 178,22 ) =179 184
25
Kwartal Pengiriman Aktual
(ton)
Ramalan
( = 0,1)
Deviasi
mutlak
Ramalan
( = 0,5)
Deviasi
mutlak
1 180 175 5 175 5
2 168 176 8 178 10
3 159 175 16 173 14
4 175 173 2 166 9
5 190 173 17 170 20
6 205 175 30 180 25
7 180 178 2 193 13
8 182 178 4 186 4
Jumlah Deviasi mutlak 84 100
MAD 10,50 12,50
Nilai yang dipilih adalah = 0,1 karena MAD-nya < = 0,50
26
6.4. Trend Projection
Deviation
Deviation
Deviation
Deviation
Deviation
Deviation
Deviation
Time
V
a
l
u
e
s

o
f

D
e
p
e
n
d
e
n
t

V
a
r
i
a
b
l
e

bx a Y + =

Actual
observation
Point on
regression line
27
Used for forecasting linear trend line
Assumes relationship between response variable, Y, and
time, X, is a linear function
Estimated by least squares method


Minimizes sum of squared errors
Relationship is assumed to be linear. Plot the data first - if
curve appears to be present, use curvilinear analysis.
Relationship is assumed to hold only within or slightly
outside data range. Do not attempt to predict time periods
far beyond the range of the data base.
Deviations around least squares line are assumed to be
random

i
Y a bX
i
= +
Linear Trend Projection
28
Least Squares Equations
Equation:
i i
bx a Y

+ =
Slope:
2 2
1 =
1 =


=
x n x
y x n y x
b
i
n
i
i i
n
i
Y-Intercept:
x b y a =
29
X
i
Y
i
X
i
2
Y
i
2
X
i
Y
i
X
1
Y
1
X
1
2
Y
1
2
X
1
Y
1
X
2
Y
2
X
2
2
Y
2
2
X
2
Y
2
: : : : :
X
n
Y
n
X
n
2
Y
n
2
X
n
Y
n
X
i
Y
i
X
i
2
Y
i
2
X
i
Y
i
Tabel perhitungan
30
Example : Trend Line
Year Demand
1997 74
1998 79
1999 80
2000 90
2001 105
2002 142
2003 122

The demand for electrical power at [Link] over the
years 1997 2003 is given at the below. Find the overall
trend.
31
Finding a Trend Line
Year Time
Period
Power
Demand
x
2
xy
1997 1 74 1 74
1998 2 79 4 158
1999 3 80 9 240
2000 4 90 16 360
2001 5 105 25 525
2002 6 142 36 852
2003 7 122 49 854
Ex=28 Ey=692 Ex
2
=140 Exy=3,063
32
The Trend Line Equation
megawatts 151.56 10.54(9) 56.70 2005 in Demand
megawatts 141.02 10.54(8) 56.70 2004 in Demand
56.70 10.54(4) - 98.86 x b - y a
10.54
28
295
(7)(4) 140
86) (7)(4)(98. 3,063
x n x
y x n - xy
b
98.86
7
692

n
y
y 4
7
28
n
x
x
2 2 2
= + =
= + =
= = =
= =

=
= = = = = =
33
Variasi Musiman pada Data
Pergerakan reguler baik meningkat atau menurun pada
periode tertentu dan terjadi berulang
Musim : jam, hari, minggu, bulan, kwartal atau pola
berulang lainnya
Memerlukan penyesuaian peramalan garis tren
Variasi : jumlah nilai aktual yang berbeda dari nilai rata-
rata dalam time series

Indeks musim Model variasi musiman multiplikatif
Faktor musiman dikalikan dengan prediksi permintaan rata-
rata untuk peramalan musiman
34
Tahapan :
1. Hitung Rata-rata permintaan historis untuk setiap musim
Misal : 1 musim 1 bulan. Cth. penjualan bulan januari selama 3
tahun : 8,6 dan 10 permintaan bln januari =(8+6+10)/3 = 8 unit
2. Hitung rata-rata permintaan untuk semua bulan membagi rata-rata
permintaan tahunan total dengan jumlah musim.
Cth : rata-rata permintaan total untuk 1 tahun =120 unit dan ada 12
musim (1 bulan) rata-rata permintaan bulanan = 120/12 = 10 unit
3. Hitung indeks musiman untuk setiap musim : membagi permintaan
historis aktual bulan itu (dari langkah 1) dengan rata-rata permintaan
pada seluruh bulan (dari langkah 2)
Langkah 1 dan 2 : indeks musiman = 8/10 = 0,80 : bulan januari
4. Estimasikan permintaan tahunan total untuk tahun depan
5. Bagi prediksi permintaan tahunan total dengan jumlah musim
kalikan dengan indeks musiman bulan tersebut :Peramalan Musiman

35
Contoh: permintaan bulanan komputer laptop IBM di Glodok untuk tahun
2002 sampai 2004 sebagai berikut :
Bulan Permintaan Permintaan rata-
rata 2002-2004
Permintaan
bulanan rata-rata*
Indeks
Musiman**
2002 2003 2004
Jan 80 85 105 90 94 0,957
Feb 70 85 85 80 94 0,851
Mrt 80 93 82 85 94 0,904
Apr 90 95 115 100 94 1,064
Mei 113 125 131 123 94 1,309
Jun 110 115 120 115 94 1,223
Juli 100 102 113 105 94 1,117
Agt 88 102 110 100 94 1,064
Sep 85 90 95 90 94 0,957
Okt 77 78 85 80 94 0,851
Nov 75 82 83 80 94 0,851
Des 82 78 80 80 94 0,851
Permintaan tahunan rata-rata total 1.128
36
* Permintaan bulanan rata-rata = 1.128 / 12 bulan = 94
**Indeks musiman = permintaan bulanan rata-rata 2002-2004
permintaan bulanan rata-rata
Jika mengharapkan permintaan tahunan komputer pada tahun 2003 sebesar
1.200 unit, maka akan menggunakan indeks musiman tsb untuk meramalkan
permintaan bulanan sebagai berikut :
Bulan Permintaan Bulan Permintaan
Jan 1.200/12 * 0,957 = 96 Juli 1.200/12 * 1,117 = 112
Feb 1.200/12 *0,851 = 85 Agt 1.200/12 *1,064 = 106
Mrt 1.200/12 *0,904 = 90 Sep 1.200/12 * 0,957 = 96
Apr 1.200/12 * 1,064 = 106 Okt 1.200/12 * 0,851 = 85
Mei 1.200/12 *1,309 = 131 Nov 1.200/12 * 0,851 = 85
Jun 1.200/12 *1,223 = 122 Des 1.200/12 * 0,851 = 85
37
6.5. Analisis Regresi dan Korelasi
Mempertimbangkan beberapa variabel yang
berhubungan dengan kuantitas yang diprediksi
Adanya variabel dependen dan independen
Cth. Penjualan teh botol sosro dipengaruhi oleh
iklan, harga, harga pesaing, strategi promosi, kondisi
perekonomian dan tingkat pengangguran
Mengembangkan hubungan statistik terbaik antara
penjualan teh botol sosro dengan variabel bebas
Paling umum digunakan : Analisis regresi linier

i i
bx a Y

+ =
38
Penjualan
($000.000), y
Upah lokal
(($000.000.000), x
Penjualan
($000.000), y
Upah lokal
(($000.000.000), x
2,0 1 2,0 2
3,0 3 2,0 1
2,5 4 3,5 7
Perusahaan konstruksi Nodel merenovasi sejumlah rumah tua di West
Bloomfield. Sejalan dengan waktu, perusahaan mendapati bahwa biaya
renovasi tergantung pada tingkat penghasilan penduduk yaitu jumlah upah
lokal di West Bloomfield. Tabel berikut menunjukkan penjualan rumah dan
upah lokal selama 6 tahun
Manajemen Nodel ingin membuat hubungan matematis untuk memprediksi
penjualan. Oleh karena itu, harus menetapkan hubungan antara upah lokal
dan penjualan dibuat diagram
39
Penjualan, y Upah, x x
2
xy
2,0 1 1 2,0
3,0 3 9 9,0
2,5 4 16 10,0
2,0 2 4 4,0
2,0 1 1 2,0
3,5 7 49 24,5
y = 15,0 x = 18 x
2
=80 xy = 51,5
0
0.5
1
1.5
2
2.5
3
3.5
4
0 2 4 6 8
Upah lokal (ratusan juta dolar)
P
e
n
j
u
a
l
a
n

N
o
d
e
l

(
r
a
t
u
s
a
n

r
i
b
u

d
o
l
l
a
r
)
40
1,75


0,25(3)
-

2,5 x b - y a
0,25
(6)(3
2
)
80
(6)(3)(2,5) 51,5
x n x
y x n - xy
b
2,5
6
15

n
y
y 3
6
18
n
x
x
2 2
=
= =
=


=

=
= = = = = =
Persamaan regresi : y = 1,75 + 0,25 x atau
Penjualan = 1,75 + 0,25 (upah)
Jika perusahaan memperkirakan upah wilayah West Bloomfield menjadi
$ 600 juta tahun depan, maka dapat diperkirakan penjualan Nodel sbb :
Penjualan (ratusan ribu dollar) = 1,75 + 0,25 (6) = 3,25
Atau penjualan = $ 325.000
41
Kesalahan standar dari suatu estimasi
Peramalan $ 325.000 untuk contoh di atas : titik prediksi y
Titik prediksi : rata-rata atau nilai harapan dari suatu distribusi
nilai penjulan yang mungkin
Keakuratan regresi : Standard error of the estimate, S
y,x
Standard deviation of the regression : menghitung kesalahan
variabel terikat,y, terhadap garis regresi bukan terhadap rata-rata.
( )
2

2
1 1 1
2
1
2
,

= = =
=
n
y x b y a y
n
y y
S
n
i
n
i
i i i
n
i
i
n
i
c i
x y
2 6
) 5 , 51 ( 25 , 0 ) 0 , 15 ( 75 , 1 5 , 39
,

= x Sy
= 0,306 (dalam ratusan ribu dollar)
Maka kesalahan standar estimasi adalah $ 30.600 dalam penjualan
42
Koefisien Korelasi
Persamaan regresi : satu cara untuk menyatakan
hubungan antara variabel hubungan antar variabel
Koefisien korelasi (r) : hubungan antar variabel
derajat/kekuatan hubungan linier
(

|
.
|

\
|

|
.
|

\
|

=


1 =
2
1 =
2
1 =
2
1 =
2
1 = 1 = 1 =
n
i
n
i
i i
n
i
n
i
i i
n
i
n
i
n
i
i i i i
y y n x x n
y x y x n
r
43
Penjualan, y Upah, x x
2
xy y
2
2,0 1 1 2,0 4,0
3,0 3 9 9,0 9,0
2,5 4 16 10,0 6,25
2,0 2 4 4,0 4,0
2,0 1 1 2,0 4,0
3,5 7 49 24,5 12,25
y = 15,0 x = 18 x
2
=80 xy = 51,5 y
2
= 39,5
Dari contoh West Bloomfield
] ) 0 , 15 ( ) 5 , 39 )( 6 ][( ) 18 ( ) 80 )( 6 [(
) 0 , 15 )( 18 ( ) 5 , 51 )( 6 (
2 2


= r
r = 39 / 43,3 = 0,901
r = 0,901 : korelasi yang cukup kuat antara dua variabel tersebut
44
4 Nilai Koefisien Korelasi
r = 1 r = -1
0 < r < 1 r = 0
Y
X
Y
i
= a + b X
i
^
Y
X
Y
X
Y
X
Y
i
= a + b X
i
^
Y
i
= a + b X
i
^
Y
i
= a + b X
i
^
45
Pengawasan dan Pengendalian Peramalan
Tracking signal (TS) : perhitungan seberapa baik peramalan
memprediksikan nilai aktual
Rasio dari : Running Sum Of Forecast Errors (RSFE) terhadap
Mean Absolute Deviation (MAD)
TS yang bagus Nilai RSFE rendah
Harus berada di antara upper dan lower control limits

( )
MAD
error forecast

MAD
y y

MAD
RSFE
TS
n
i
i i


=

=
=
1 =
-
46
TS dihitung dan dibandingkan untuk menetapkan batas kendali
TS melebihi batas kendali atas atau bawah masalah dengan metode
peramalan manajemen mngevaluasi kembali cara meramalkan permintaan
Waktu
Batas kendali bawah
Batas kendali atas
Sinyal melebihi batas
Tracking signal
+
0
-
Rentang yang
dapat diterima
47
Tidak ada yang pasti bagaimana perusahaan menentukan batas
atas dan bawah
George Plossl & Oliver Wight max 4 MAD : produk dengan
persediaan tinggi dan 8 MAD : produk dengan persediaan rendah
Peramal lain :
1 MAD = 0,8 deviasi standar, 2 MAD = 1,6 deviasi standar, 3
MAD = 2,4 deviasi standar, dan 4 MAD = 3,2 deviasi standar
Hal ini menyarankan sebuah peramalan untuk bisa berada dalam
rentang kendali
89% kesalahan diharapkan jatuh dalam rentang 2 MAD,
98 % kesalahan diharapkan jatuh dalam rentang 3 MAD
99,9 % kesalahan diharapkan jatuh dalam rentang 4 MAD
48
Contoh ;
Penjualan croissant toko roti Rick Carlson (dalam satuan ribuan) ditunjukkan
pada tabel berikut secara kuartal. Bagaiman TS dan apakah permalan yang
dibuat memadai ?
Kwt Permintaan
aktual
Peramalan
permintaan
Kesalahan RSFE Kesalahan
peramalan
absolut
Kumulatif
kesalahan
absolut
peramalan
Kumulati
f MAD
TS
(RSFE/MAS
)
1 90 100 -10 -10 10 10 10,0 -10/10= -1
2 95 100 -5 -15 5 15 7,5 15/7,5=-2
3 115 100 +15 0 15 30 10,0 0/10= 0
4 100 110 -10 -10 10 40 10,0 -10/10=-1
5 125 110 +15 +5 15 55 11,0 +5/11=+0,5
6 140 110 +30 +35 30 85 14,2 35/14,2=+2,
5
49
Peramalan pada Sektor Jasa
Memiliki tantangan yang unik
Memerlukan catatan jangka pendek yang sangat teliti
Memperhatikan waktu-waktu tertentu : liburan atau
event lainnya
Unusual events
Peramalan Penjualan di Restoran Fast Food
0
5
10
15
20
+11-12 +1-2 +3-4 +5-6 +7-8 +9-10
11-12 12-1 1-2 2-3 3- 4 4 - 5 5 - 6 6 - 7 7- 8 8-9 9-10 10-11