MANAJEMEN OPERASI

FORECASTING
A. PENGERTIAN
Peramalan (forecasting) merupakan suatu usaha untuk meramalkan keadaan di masa
mendatang melalui pengujian keadaan di masa lalu. Esensi peramalan adalah perkiraan
peristiwa di waktu yang akan datang atas dasar pola-pola di waktu yang lalu, dan
penggunaan kebijakan terhadap proyeksi dengan pola-pola di waktu yang lalu.
Peramalan adalah seni dan ilmu untuk memperkirakan 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

Kegunaan peramalan (forecasting) adalah untuk membantu pimpinan dalam mengambil

keputusan. Keputusan yang baik adalah keputusan yang didasarkan atas pertimbangan apa
yang terjadi pada waktu keputusan itu dilaksanakan. Apabila peramalan yang dibuat kurang
tepat, maka keputusan yang dibuat juga kurang baik, sehingga diperlukan suatu
kemampuan menguasai teknik dan metode secara benar. Ketepatan dalam melakukan
peramalan akan sangat menunjang perencanaan yang ditetapkan.
Peramalan (forecasting) biasanya dikategorikan berdasarkan horizon waktu masa depan :
1. Peramalan (forecasting) jangka pendek
Peramalan ini mencakup jangka waktu hingga satu tahun, tetapi umumnya kurang dari 3
bulan. Peramalan ini digunakan untuk merencanakan pembelian, penjadwalan kerja,
jumlah tenaga kerja, penugasan kerja atau tingkat produksi.
2. Peramalan (forecasting) jangka menengah
Peramalan ini umumnya mencakup bulanan hingga 3 tahun. Peramalan ini digunakan
untuk meramalkan penjualan, perencanaan dan anggaran produksi, anggaran kas serta
menganalisis bermacam-macam rencana operasi.
3. Peramalan (forecasting) jangka panjang
Peramalan ini umumnyA untuk perencanaan masa 3 tahun atau lebih, Peramalan ini
digunakan untuk merencanakan produksi baru, pembelajaan modal, lokas atau
pengembangan fasilitas serta penelitian dan pengembangan.
B. JENIS PERAMALAN
Organisasi umumnya menggunakan 3 tipe peramalan yang utama dalam perencanaan
operasi di masa depan :
1. Peramalan ekonomi
Adalah peramalan yang menjelaskan siklus bisnis, dengan memprediksikan tingkat
inflasi, ketersediaan uang, dana yang dibutuhkan untuk membantu perumahandan
indikator perencanaan lainya. Peramalan ini merencanakan indikator yang berguna
membantu organisasi untuk menyiapkan peramalan jangka menengah hingga jangka
panjang.
2. Peramalan teknologi
Adalah peramalan yang memperhatikan tingkat kemajuan teknologi yang dapat
memunculkan produk baru menarik yang yang membutuhkan pabrik dan peralatan
[Link] ini umumnya memerlukan jangka waktu yang panjang dengan
memperhatikan tingkat kemajuan teknologi.
3. Peramalan permintaan
Adalah proyeksi permintaan produk atau layanan suatu perusahaan yang mengendalikan
produksi, kapasitas serta sistem penjadwalan dan menjadi input bagi perencanaan
keuangan, pemasaran dan sumber daya manusia. Peramalan ini meramalkan penjualan
suatu perusahaan pada setiap periode dalam horizon waktu.

1
C. KEPENTINGAN STRATEGIS PERAMALAN (FORECASTING)
Peramalan yang baik sangat penting dalam setiap aspek bisnis. Peramalan merupakan
satu-satunya prediksi atas permintaan hingga permintaan yang sebenarnya diketahui.
Peramalan produk berdampak pada tiga aktivitas, yaitu :
1. Sumber Daya Manusia
Mempekerjakan , melatih dan memberhentikan pekerja, semuanya tergantung pada
permintaan. Jika Departemen SDM harus mempekerjakan pekerja tambahan tanpa
adanya persiapan, akibatnya kualitas pelatihan menurn, dan kualitas pekerja juga
menurun.
2. Kapasitas
Saat kapasitas tidak mencukupi, maka kekurangan yang diakibatkanya bisa berarti tidak
terjaminya pengiriman, kehilangan konsumen, dan kehilangan pangsa pasar. Akan tetapi
jika kapasitas dibangun berlebihan, akan berdampak pada biaya yang bisa melonjak
tajam.
3. Manajemen Rantai Pasokan
Hubungan yang baik dengan pemasok srta harga barang dan komponen yang bersaing,
bergantung pada peramalan yang akurat.
D. PROSES PERAMALAN (FORECASTING)
Langkah-langkah proses peramalan adalah sebagai berikut :
1. Penentuan Tujuan
Langkah pertama terdiri atas penentuan macam estimasi yang diinginkan. Sebaliknya,
tujuan tergantung pada kebutuha-kebutuhan informasi para manajer. Manajer
mengetahui kebutuhan mereka dan menentukan :
a. Variabel-variabel yang akan diestimasi
b. Siapa yang akan menggunakan hasil ramalan
c. Untuk tujuan apa hasil peramalan akan digunakan
d. Estimasi jangka panjang atau jangka pendek yang diinginkan
e. Derajad ketepatan estimasi yang diinginkan
f. Kapan estimasi dibutuhkan
g. Bagian-bagian peramalan yang diinginkan kelompok produk atau daerah geografis.
2. Pengembangan Model
Langkah berikutnya adalah mengembangkan suatu model yang merupakan penyajian
secara lebih sederhana sistem yang dipelajari. Setiap model memiliki asumsi-asumsi
yang harus dipenuhi sebagai persyaratan penggunaanya. Validitas dan reliabilitas
estimasi sangat tergantung pada model yang dipakai.
Contoh :
Bila perusahaan ingin meramalkan penjualan yang perilakunya berbentuk linier, model
yang dipilih mungkin : Penjualan = A + BX, dimana X menunjukan unit waktu adalah
parameter-parameter yang menggambarkan posisi dan kemiringan garis pada garis.
3. Pengujian Model
Sebelum diterapkan, model biasanya diuji untuk menentukan tingkat akurasi, validitas
dan reliabilitas yang diharapkan. Nilai suatu model ditentukan oleh derAjad ketepatan
hasil peramalan dengan kenyataan.
4. Penerapan Model
Segtelah pengujian, analis menerapkan model dengan menggunakan data historis untuk
menghasilkan suatu ramalan. Dalam kasus model pen jualan = A + BX analisis
menggunakan teknikl-teknik matematik untuk memperoleh nilai a dan b
5. Revisi dan Evaluasi
Ramalan-ramalan yang telah dibuat harus selalu diperbaiki dan ditinjau kembali. Evaluasi
merupakan pembandingan ramalan dengan hasil nyata untuk menilai ketepatan
penggunaan suatu metodologi atau teknik peramalan. Langkah ini diperlukan untuk
menjaga kualitas estimasi-estimasi di waktu yang akan datang.
D. TEKNIK-TEKNIK PERAMALAN (FORECASTING)
1. Teknik Kualitatif
Teknik kualitatif adalah metode penaksiran permintaan berdasarkan perkiraan secara
subyektif atau opini pembuat ramalan. Dengan sifatnya yang demikian, maka ramalan
atas hal yang sama dilakukan oleh orang yang berbeda kemungkinan dapatr memberikan
2
 hasil yang berbeda. Metode kualittatif terdiri atas beberapa aplikasi, yaitu metode akar
rumput (grass roots method), metode riset pasar (market research), metode kesepakatan
panel (panel concensus), analogi historis (historical analogy) dan metode Delphi (Delphi
method)
a. Metode akar rumput (grass roots method)
Adalah metode peramalan yang memanfaatkan data taksiran penjualan dari para
petugas penjualan dan wiraniaga dari seluruh wilayah pemasaranperusahaan dalam
perhitungan dan penetapan ramalan permintaan di masa mendatang. Metode ini
lazim digunakan oleh perusahaan grosir atau dealer suatu produk tertentu dalam
peramalan permintaan satu tahun atau lebih di masa akan datang.
b Metode riset pasar (market research)
Adalah pengamatan yang dilakukan di pasar untuk mengumpulkan data prospek
permintaan di masa akan datang, baik menggunakan metode survei, wawancara
maupun cara lainya. Metode ini lazim dipakai untuk perencanaan jangka panjang
atau dalam rangka pemasaran produk baru.
c Metode kesepakatan panel (panel consensus)
Merupakan metode peramalan yang dilakukan melalui diskusi panel yang bebas
untuk melakukan tukar pikiran diantara para partisipan, misalnya para eksekutif
perusahaan, wiraniagawan atau pelanggan.
d Analogi historis (historical analogy)
Merupakan cara penaksiran jumlah permintaan terhadap produksi tertentu,
khususnya terhadap produk baru dengan mempertimbangkan pengalaman dan
kondisi yang sama dari produk lainya di masa yang lalu. Disni terpaksa dilakukan
asumsi, bahwa jika kondisi yang dihadapi sama dengan kondisi di masa lalu, maka
volume permintaan di masa mendatang juga akan sama.
e. Metode Delphi (Delphi method)
Adalah merupakan metode penafsiran jumlah permintaan di masa yang akan datang
dengan memanfaatkan opini beberapa pakar dengan latar belakang keahlian yang
berbeda. Opini para pakar digali melalui penyampaian daftar pertanyaan kepada
mereka. Manajemen perushaan akan mengulangi penyampaian kuesioner sampai
diperoleh hasil peramalan yang dipandang akurat.
2. Teknik Kuantitatif
Teknik peramalan yang menggunakan satu atau lebih model matematis dengan data
masa lalu dan variabel sebab akibat untuk meramalkan permintaan.
a. Model Time Series
Teknik peramalan (forecast) yang menggunakan sekumpulan data masa lalu untuk
melakukan forecast.
Komponen-komponen runtut waktu (time series) pada umumnya diklasifikasikan
sebagai trend (T), musiman atau Seasonal (S), siklikal atau Cyclical (C), dan residu
atau erratic (E). Dalam metode klasik analisis runtut waktu, nilai ramalan (Y)
merupakan fungsi perkalian dari komponen-komponen tersebut.
Y=TxSxCxE
Komponen trend
Menunjukan pola gerakan penurunan atau pertumbuhan jangka panjang serangkaian
data historis.
Komponen Seasonal(musiman)
Komponen ini mencerminkan pengaruh pola-pola pembelian musiman. Misalnya,
pembelian payung di musim hujan akan lebih besar Daripada penjualan di musim
kemarau.
Komponen Cyclical(siklikal)
Merupakan komponen paling sulit ditentukan bila rentangan waktu tidak diketahui
atau akbat siklus tidak dapat ditentukan.
Komponen Erratic(residu)
Unsur ini menunjukan fluktuasi-fluktuasi data yang tidak sistematis atau acak.
1) Pendekatan Naif
Teknik forecasting yang mengasumsikan permintaan di periode mendatang
sama dengan permintaan terkini.
3
2) Moving Average
Metode forecast yang menggunakan rata-rata dari sejumlah (n) data terkini untuk
meramalkan periode masa mendatang.

∑ permintaan n periode sebelumnya

Rumus = ------------------------------------------------
N
3) WeightedMoving Average

∑ (bobot pada periode n ) (permintaan pada periode n )

Rumus = --------------------------------------------------------------------------
∑ bobot

4) Exponential smoothing
Teknik forecasting rata-rata bergerak dengan pembobotan dimana data diberi
bobot oleh sebuah fungsi eksponensial

Rumus : Ft = Ft−1 + α (At−1 + Ft−1)

Ft = New Forecast
Ft−1 = Forecast sebelumnya
At−1 = Permintaan aktual periode yang lalu
Α = Konstanta eksponensial

5) Trend Projection
Metode forcasting time series yang menyesuaikan sebuah garis tren pada
sekumpulan data masa lalu, dan kemudian diproyeksikan kedalam sebuah garis
untuk meramalkan masa depan.
Rumus : Y = a + bx
Y = Nilai terhitung dari variabel yang akan diprediksi
a = Persilangan sumbu Y
b = Kemiringan garis regresi (atau tingka t perubahan pada Y untuk
perubahan yang terjadi di x
x = Variabel independen (dalam hal ini waktu)
Ahli statistik telah membuat persamaan yang dapat digunakan untuk
menemukan nilai a dan b untuk setiap garis regresi.

4
 MOVING AVERAGE
1. PEMBAHASAN PENDEKATAN MOVING AVERAGE
Seperti telah dijelaskan sebelumnya bahwa salah satu pendekatan kuantitatif yang dapat
diterapkan dalam forecasting adalah metode rata-rata bergerak (moving average).
Peramalan rata-rata bergerak, menggunakan sejumlah data aktual masa lalu untuk
menghasilkan peramalan. Metode rata-rata bergerak berguna jika dapat diasumsikan bahwa
permintaan pasar akan stabil sepanjang masa yang diramalkan. Rata-rata bergerak empat
bulanan, dapat dihitung dengan mudah dan sederhana, yaitu menjumlahkan permintaan
selama masa empat bulan yang lalu, dibagi dengan empat (periode waktu). Secara
matematis, rata-rata bergerak sederhana (merupakan peramalan permintaan periode
mendatang) dinyatakan sebagai :

∑ permintaan n periode sebelumnya

Rata-rata bergerak = ------------------------------------------------
N
Dimana N adalah jumlah periode dalam rata-rata bergerak . Misalnya periode 4, 5, atau 6
bulan berarti rata-rata bergerak untuk 4, 5, atau 6 periode.

Contoh :
Penjualan alat pemotong rumput pada PT Donna’s Garden Supply ditunjukan pada kolom
tengah dari tabel dibawah ini. Rata-rata 3 bulanan ditunjukan pada kolom sebelah kanan.
Isilah kolom sebelah kanan menggunakan metode rata-reta bergerak dengan periode 3
bulanan. Proyeksikan peramalan penjualan alat pemotong rumput pada bulan Januari.

BULAN PENJUALAN RATA-RATA BERGERAK 3 BULANAN

AKTUAL

JANUARI 10
PEBRUARI 12
MARET 13
APRIL 16 (10+12+13)/3 = 11 2/3
MEI 19 (12+13+16)/3 = 13 2/3
JUNI 23 (13+16+19)/3 = 16
JULI 26 (16+19+23)/3 = 19 1/3
AGUSTUS 30 (19+23+26)/3 = 22 2/3
SEPTEMBER 28 (23+26+30)/3 = 26 1/3
OKTOBER 18 (26+30+28)/3 = 28
NOVEMBER 16 (30+28+18)/3 = 25 1/3
DESEMBER 14 (28+18+16)/3 = 20 2/3
JANUARI ?
Saat ada tren atau pola yang terdeteksi bobot dapat digunakan untuk menempatkan
penekanan yang lebih pada nilai terkini. Praktik ini membuat teknik peramalan lebih tanggap
terhadap perubahan karena periode yang lebih dekat mendapatkan bobot yang lebih berat.
Pemilihan bobot merupakan hal yang tidak pastikarena tidak ada rumus untuk menetapkanya.
Oleh karena itu pemutusan bobot yang mana yang akan digunakan membutuhkan
pengalaman. Sebagai contoh, jika bulan atau periode terakhir diberikan bobot yang lebih
berat, peramalan dapat menggambarkan perubahan yang terlalu cepat yang tidak biasa pada
permintaan atau pola penjualan.
Secara matematis, rata-rata bergerak dengan pembobotan dinyatakan sebagai :

∑ (bobot pada periode n ) (permintaan pada periode n)

Rata-rata bergerak
dengan pembobotan = --------------------------------------------------------------------------
∑ bobot

5
 Contoh :
PT Donna’s Garden Supply (lihat contoh sebelumnya), memutuskan untuk meramalkan
penjualan alat pemotong rumput dengan memberikan bobot pada tiga bulan terakhir sebagai
berikut :

BOBOT YANG DIBERIKAN PERIODE

3 BULAN LALU
2 DUA BULAN LALU
1 TIGA BULAN LALU

6 JUMLAH TOTAL BOBOT

Ramalan untuk bulan ini :

3 x penjualan bulan lalu + 2 x penjualan 2 bulan lalu + 1 x penjualan 3 bulan lalu

6 jumlah total bobot

Hasil peramalan rata-rata berbobot ini adalah sebagai berikut :

BULAN PENJUALAN RATA-RATA BERGERAK DENGAN
AKTUAL PEMBOBOTAN 3 BULANAN

JANUARI 10
PEBRUARI 12
MARET 13
APRIL 16 [(3x13)+ (2x12)+ (1x10)] / 6 = 12 1/6
MEI 19 [(3x16)+ (2x13)+ (1x12)] / 6 = 14 1/3
JUNI 23 [(3x19)+ (2x16)+ (1x13)] / 6 = 17
JULI 26 [(3x23)+ (2x19)+ (1x16)] / 6 = 20 1/2
AGUSTUS 30 [(3x26)+ (2x23)+ (1x19)] / 6 = 23 5/6
SEPTEMBER 28 [(3x30)+ (2x26)+ (1x23)] / 6 = 27 1/2
OKTOBER 18 [(3x28)+ (2x30)+ (1x26)] / 6 = 28 1/3
NOVEMBER 16 [(3x18)+ (2x28)+ (1x30)] / 6 = 23 1/3
DESEMBER 14 [(3x16)+ (2x18)+ (1x28)] / 6 = 18 2/3
JANUARI ?

Baik rata-rata bergerak sederhana maupun rata-rata bergerak dengan pembobotan sangat
efektif dalam meredam fluktuasi pada pola permintaan untuk menghasilkan peramalan yang
stabil. Metode rata-rata bergerak memiliki 3 permasalahan :

1. Bertambahnya nilai n (jumlah periode yang dirata-rata) memang meredam fluktuasi

dengan lebih baik, tetapi membuat metode ini kurang sensitif terhadap perubahan nyata
pada data
2. Rata-rata bergerak tidak dapat menggambarkan tren dengan baik. Karena merupakan
rata-rata, mereka akan selalu berada dalam tingkat yang sebelumnya dan tidak akan
memprediksikan perubahan ke tingkat yang lebih tinggi atau lebih rendah, yang
merupakan nilai aktual sesungguhnya
3. Rata-rata bergerak membutuhkan data masa lalu yang ekstensif
2. PEMBAHASAN PENGHALUSAN EKSPONENSIAL (EXPONENTIALSMOOTHING)
Penghalusan eksponensial merupakan merupakan metode peramalan rata-rata bergerak
dengan pembobotan yang canggih, namun masih mudah digunakan. Metode ini
menggunakan sangat sedikit pencatatan data masa lalu.
Secara matematis, metode penghalusan eksponensial dapat dinyatakan sebagai :

6
Rumus : Ft = Ft−1 + α (At−1 - Ft−1)

Ft = New Forecast
Ft−1 = Forecast sebelumnya
At−1 = Permintaan aktual periode yang lalu
Α = Konstanta eksponensial

Konsepnya tidak rumit. Peramaan terakhir permintaan sama dengan peramalan lama.

Contoh :
Pada bulan Januari sebuah dealer mobil memprediksi permintaan mobil merk tertentu di bulan
Pebruari sebanyak 142 mobil. Permintaan aktual bulan Pebruari adalah 153 mobil. Dengan
menggunakan konstanta penghalusan yang dipilih oleh manajemen α = 0,20, ramalkan
permintaan mobil di bulan Maret dengan menggunakan metode penghalusan eksponensial.

Rumus : Ft = Ft−1 + α (At−1 - Ft−1)

Permintaan mobil untuk bulan Maret = 142 + 0,2(153-142) = 144,2 dibulatkan menjadi 144
mobil.

Soal Latihan :
1. a. Hitung ramalan rata-rata tiga mingguan untuk kedatangan pasien klinik kesehatan
pada minggu ke 4. Jumlah pendatang untuk 3 minggu terakhir adalah :
DATA KEDATANGAN PASIEN
MINGGU KEDATANGAN PASIEN
1 400
2 380
3 411

b. Jika sesungguhnya jumlah pasien yang datang pada minggu ke 4 adalah 415,
berapak ramalan untuk minggu ke lima ?

2. Seorang peneliti sebuah klinik kesehatan telah menentukan beban untuk permintaan
yang terakhir 0,70; 0,20 untuk permintaan minggu lalu dan 0,10 untuk permintaan dua
minggu lalu. Gunakan data pada tabel soal no. 1) untuk menghitung ramalan rata-rata
dengan pembobotan untuk minggu ke 4

7
 PENGARUH TREND, MUSIMAN DAN ANALISIS REGRESI
1. PENGARUH TREND DALAM EXPONENTIAL SMOOTHING
Naik turunya Trend dalam data yang dikumpulkan selama satu rangkaian periode waktu, akan
menyebabkan ramalan eksponensial selalu berjarak dengan kejadian nyata. Ramalan-
ramalan yang telah diratakan secara eksponensial dapat dikoreksi melalui perhitungan
perbedaan antara dua ramalan sebelumnya, dan penambahan jumlah ini pada ramalan baru :

Forecast termasuk trend (FTT) = Ft + koreksi trend

FT Tt = Ft + Tt

Untuk meratakan atau menghindarkan trend dari pengaruh erratic, persamaan tren
menggunakan “ smoothing constant β “. Rumusanya mirip dengan rumusan seperti pada
persamaan eksponensial, yaitu :

Tt = Tt-1 + β (Ft - Ft-1)

Nilai β menentukan seberapa cepat trend memberikan tanggapan terhadap perbedaan-

perbedaan dua ramalan sebelumnya.

Contoh :
Ramalan awal sebesar 100 unit, tren 10 unit dan α = 0,2; β = 0,3. Bila permintaan nyata
sebesar 115 unit dan bukan 100 unit seperti yang diramalkan, maka ramalan periode yang
akan datang :

Rumus : Rumus : Ft = Ft−1 + α (At−1 - Ft−1)

= 100 + 0,2(115 – 100) = 103

Trend sebesar : Tt = Tt-1 + β (Ft - Ft-1)

= 10 + 0,3(103 – 100) = 10, 9

Ramalan termasuk trend :

FT Tt = Ft + Tt
= 103 + 10,9 = 113,9

Misalkan permintaan nyata periode 7 sebesar 120, maka rtamalan untuk periode t + 1 akan
menjadi :

Rumus : Rumus : Ft+ 1 = 103 + 0,2 (120 – 103) = 106,4

Trend sebesar : Tt+1 = 10,9 + 0,3 (106,4 – 103) = 11,9

Ramalan termasuk trend : FT Tt = Ft + Tt = 106,4 + 11,9 = 118,3

2. PERHITUNGAN TREND
a. Freehand
Dengan metode ini garis tren dibuat secara bebas tanpa menggunakan rumus matematik.
Kurva tren “ freehand “ yang digambarkan melalui titik-titik data merupakan cara penyejian
termudah dan barangkali memadai dari data. Ramalan dapat diperoleh secara sederhana
dengan penarikan garis tren untuk perode yang diramal. Metoda ini memiliki subyektivitas
sangat tinggi sehingga jarang digunakan.
Berikut ini adalah contoh dari garis tren menggunakan metode freehand

8
 Penjualan Produk tertentu dan
Ijin Konstruksi BangunanBaru

“ Scatter Diagram “ dan garis Regresi

Dengan metode “ freehand “

b. Kuadrat Terkecil (Least Square)

Teknik ini mencocokan garis tren pada serangkaian data masa lalu dan kemudian
memproyeksikan garis pada masa yang akan datang untuk peramalan jangka menengah
atau jangka panjang. Beberapa persamaan tren matematis dapat dikembangkan, tetapi
pada pembahasan kali ini hanya akan dilihat tren linier saja.
Jika telah diputuskan untuk membuat grais tren lurus dengan metode statistik, dapat
diterapkan metode kuadrat terkecil (least square method). Pendekatan ini menghasilkan
sebuah garis lurus yang meminimalkan jumlah kuadrat dari deviasi vertikal garis pada
setiap hasil pengamatan aktual. Garis kuadrat terkecil dijelaskan dengan sumbu y-
intercept (ketinggian dimana ia akan bersilangan dengan sumbu y) dan kemiringanya
(sudut garis-slope). Jika y-intercept dan kemiringan dapat dihitung, maka persamaan garis
dapat dinyatakan dengan persamaan sebagai berikut :
_
y=a+bx

Keterangan :
_
y (disebut y bertopi) = nilai terhitung dari variabel yang akan diprediksi (variabel
terikat)
a = persilangan sumbu y
b = kemiringan garis atau tingkat perubahan pada y untuk
setiap perubahan yang terjadi di x
x = variabel bebas

Contoh grafik dari pendekatan kuadrat terkecil dapat dilihat pada grafik berikut ini.

METODE KUADRAT TERKECIL UNTUK MENEMUKAN GARIS LURUS PALING SESUAI DIMANA TANDA BINTANG
MERUPAKAN LOKASI TUJUH DATA AKTUAL PENGAMATAN ATAU POINT DATA

9
Ahli statistik telah membuat persamaan yang dapat digunakan untuk menentukan nila a dan
b untuk setiap garis regresi. Kemiringan b ditentukan dengan persamaan :

_ _
∑xy - nyx
b =
2 _2
∑x - nx

Keterangan :

b = Kemiringan garis
∑ = Tanda penjumlahan total
x = Nilai variabel bebas yang diketahui
y = Nilai variabel terikat yang diketahui
_
x = Rata-rata nilai x
_
y = Rata-rata nilai y
n = Jumlah data atau pengamatan

Nilai a dapat dihitung dengan menggunakan persamaan :

_ _
a= y - bx

Contoh :
Permintaan daya listrik pada N.Y Edison selama periode 1997 – 2003, ditunjukan pada tabel
berikut ini. Ramalkan permintaan tahun 2004 dengan menempatkan satu trend garis lurus
yang paling sesuai dari data berikut :
TAHUN PERMINTAAN DAYA TAHUN PERMINTAAN DAYA
LISTRIK (MEGAWATT) LISTRIK (MEGAWATT)
1997 74 2001 105
1998 79 2002 142
1999 80 2003 122
2000 90

Dengan sekumpulan data perhitungan dapat diminimalkan dengan mengubah nilai X (waktu)
menjadi angka yang lebih sederhana. Dalam hal ini tahun 1997 dijadikan sebagai tahun
pertama, tahun 1998 sebagai tahun kedua dan seterusnya.
TAHUN PERIODE PERMINTAAN
WAKTU (X) DAYA LISTRIK 2 XY
X
(Y)
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
∑ X = 28 ∑ Y = 692 2 ∑X Y= 3.063
∑X = 140

10
 ∑X 28
X = = = 4
n 7

∑Y 692
Y = = = 98,86
n 7

∑XY - nX Y 3.063 – (7)(4)(98,86) 295

b= 2 = = = 10,54
2 2
∑X - nX 140 - (7) (4) 28

a =Y - bX = 98,86 – (10,54)(4) = 56,70

Jadi persamaan tren kuafrat terkecil adalah : Y = 56,70 + 10,54 X

Untuk memproyeksikan permintaan di tahun 2004, pertama dinotasikan tahun 2004 dalam
sistem pengkodean yang baru sebagai X = 8

Permintaan di tahun 2004 = 56,70 + (10,54)(8)

= 141,02 atau 141 megawatt

Permintaan tahun 2005, dapat juga diestimasi dengan memasukan nilai X = 9 pada
persamaan yang sama :

Permintaan di tahun 2005 = 56,70 + (10,54)(9)

= 151,56atau 152 megawatt

Untuk menguji kebenaran model, kemudian dipetakan kebenaran historis dan garis tren lihat
gambar). Dalam hal ini perlu berhati-hati, pahami adanya perubahan permintaan pada tahun
2002 dan 2003

3. Variasi Musiman Pada Data

Variasi musiman pada data adalah pergerakan yang reguler baik meningkat maupun menurun
dalam kurun waktu tertentu, yang terkait dengan kejadian berulang seperti cuaca atau liburan.
Contoh, permintaan untuk bahan kemeja atau celana panjang mencapai puncaknya saat
menjelang hari besar Idul Fitri. Musim dapat diaplikasikan dalam setiap jam, hari, minggu,
bulan atau pola berulang lainya. Rumah makan cepat saji mengalami waktu sibuk setiap hari
pada tengah hari dan berulang lagi pada pukul lima sore.
Pemahaman variasi musiman sangat penting untuk perencanaan kapasitas pada suatu
organisasi untuk menangani beban puncak. Adanya variasi musiman memerlukan
penyesuaian peramalan garis tren. Variasi dinyatakan dalam jumlah nilai aktual yang berbeda

11
 dari nilai rata-rata dalam time-series. Menganalisa data dalam waktu bulanan atau kuartalan
biasanya memudahkan perhitungan statistik untuk melihat pola musiman. Indeks musiman
dapat dikembangkan dengan beberapa mode.
Contoh :
Manajer perusahaan pembersih karpet membutuhkan ramalan triwulan jumlah pelanggan
yang diharapkan untuk tahun depan. Bisnis pembersih karpet adalah bisnis musiman, dengan
puncak di triwulan ketiga dan sepi pada triwulan pertama. Berikut ini adalah data permintaan
triwulanan dari empat tahun terakhir.
Permintaan Setiap Kuartal
TRIWULAN TAHUN 1 TAHUN 2 TAUN 3 TAHUN 4
1 45 70 100 100
2 335 370 585 725
3 520 590 830 1160
4 100 170 285 215

TOTAL 1000 1200 1800 2200

Manajer tersebut ingin meramalkan permintaan pelanggan untuk setiap triwulan pada tahun 5
berdasarkan perhitungan jumlah total permintaan pelanggan pada tahun 5 dari 2600
pelanggan.
Solusi :
Langkah 1 :
Menghitung jumlah rata-rata pelanggan per musim :
Tahun 1 : 1000/4 = 250
Tahun 2 : 1200/4 = 300
Tahun 3 : 1800/4 = 450
Tahun 4 : 2200/4 = 550

Langkah 2 :
Menghitung indeks musiman
TRIWULAN TAHUN 1 TAHUN 2 TAHUN 3 TAHUN 4

1 45/250 =0,18 70/300 =0,23 100/450 = 0,22 100/550 = 0,18

2 335/250 =1,34 370/300=1,23 585/450 = 1,30 725/550 = 1,32
3 520/250 =2,08 590/300=1,97 830/450 = 1,84 1160/550=2,11
4 100/250 =0,40 170/300=0,57 285/450 = 0,63 215/550 = 0,39

Langkah 3 :
Menghitung Indeks Rata-Rata Musiman
Amatilah bagaimana indeks musiman untuk setiap triwulan berfluktuasi dari tahun ke tahun
karena alasan bermacam-macam. Itulah mengapa manajer perlu menghitung daftar rata-rata
musiman untuk setiap triwulan.
TRIWULAN INDEKS RATA-RATA MUSIMAN

1 (0,18 + 0,23 + 0,22 + O,18 ) / 4 = 0,20

2 (1,34 + 1,23 + 1,30 + 1,32 ) / 4 = 1,30
3 (2,08 + 1,97 + 1,84 + 2,11 ) / 4 = 2,00
4 (0,40 + 0,57 + 0,22 + O,18 ) / 4 = 0,50

Langkah 4 :
Menghitung permintaan tahun akan datang
Manajer tersebut ingin memperluas tren dan proyek permintaan tahunan pada tahun 5
menjadi 2600 pelanggan. Perhitungan rata-rata per triwulan adalah 2600/4 = 650
pelanggan. Manajer kemudian membuat ramalan triwulanan dengan mengalikan indeks
musiman dengan rata=rata permintaan per triwulan.

12
 TRIWULAN INDEKS RATA-RATA MUSIMAN

1 650 (0,20) = 130 pelanggan

2 650 (1,30) = 845 pelanggan
3 650 (2,00) = 1300 pelanggan
4 650 (0,50) = 325 pelanggan

4. METODA PERAMALAN ASOSIATIF :

ANALISIS REGRESI UNTUK PERAMALAN
Model peramalan asosiatif kuantitatif yang paling umum adalah analisis regresi linier (linier
regression analysis). Kita dapat menggunakan model matematis yang sama pada metode
kuadrat terkecil dari proyeksi tren untuk melakukan analisis regresi linier. Variable terikat yang
ingin diramalkan tetap sama yaitu y. Persamaan yang digunakan : y = a + b x

_ _
∑xy - nyx
b =
2 _2
∑x - nx

_ _
a= y - bx

Koefisien Korelasi
Nilai -1 sampai +1

n∑xy - ∑x ∑y
r =
2 2 2 2
[n∑x - (∑ x) ] [ n ∑ y - (∑ y) ]

Koefisien Determinasi (R 2 )
Nilai 0 sampai +1

_2
2 a∑y +b ∑xy -ny
R =
2 _2
[n∑y - n y ]

Standard error estimasi (σx y)

2
∑y - a∑y - b ∑xy
σx y =
n-2

13
Contoh :
Seorang manajer yang bertanggung jawab dalam penjadwalan produksi untuk sebuah
perusahaan, harus mempersiapkan peramalan permintaan produk untuk merencanakan
kuantitas produksi yang memadai dengan kapasitas yang tersedia. Berikut ini adalah data
penjualan dan periklanan selama lima tahun lalu :
BULAN PENJUALAN PERIKLANAN
(DALAM RIBUAN UNIT) (DALAM PULUHAN JUTA
RUPIAH)
1 254 2,5
2 116 1,3
3 185 1,4
4 101 1,0
5 209 2,0
TOTAL 855 8,2

Manajer pemasaran mengatakan bahwa bulan depan perusahaan akan mengeluarkan 1,75
(PULUHAN JUTA) rupiah untuk periklanan produk tersebut. Gunakan regresi linier untuk
membuat sebuah persamaan dan sebuah peramalan untuk produk tersebut !

Solusi :
Dari data yang tersedia, dibuat tabel sebagai berikut :
BULAN PENJUALAN IKLAN X XY X2 Y2
Y
1 264 2,5 660,0 6,25 68,698
2 116 1,3 150,8 1,69 13,456
3 185 1,4 231,0 1,96 27,225
4 101 1,0 101,0 1,00 10,201
5 209 2,0 418,0 4,00 43,681

TOTAL 855 8,2 1560,8 14,90 164,259

8,2
_
X = = 1,64
5

_ 855
Y = = 171,00
5
Menghitung nilai a dan b

_ _
∑xy - nxy 1560,8 – 5 (1,64)(1,71)
Rumus : b = = = 109,22
2 _2 14,9 – 5 (1,64)2
∑x - nx

__ __

a= y - bx = 171,00 – (109,229)(1,64) = - 8,136

14
Bentuk umum persamaan regresi adalah :

y=a+bx

Maka persamaan regresinya diperoleh dengan mengganti nilai a dan b dengan nilai a dan b hasil
perhitungan.
Persamaan regresinya : Y = - 8,136 + 109,229
Garis regresinya dapat dilihat pada grafik berikut ini.

Setelah mendapatkan persamaan regresi, akan ditentukan apakah pilihan akan periklanan
tersebut adalah pilihan yang bagus untuk persamaan peramalan tersebut. Hal ini dapat dilakukan
dengan menghitung koefisien korelasinya.
Menghitung koefisien korelasi :
Rumus :
n∑xy - ∑x ∑y
r =
2 2 2 2
[n∑x - (∑ x) ] [ n ∑ y - (∑ y) ]

5(1560,8) - (8,2) (855)

r=
[ 5(14,90) –(8,2)2] [ 5(164,259) – (855)2]
= 0,98
Nilai dari r sangat dekat dengan + 1 yang menunjukan adanya hubungan positif yang kuat
antara penjualan dan pengeluaran untuk iklan.

Kemudian akan dihitung koefisien determinasi

_2
2 a∑y +b ∑xy -ny
Rumus : R =
2 _2
[n∑y - n y ]

R2 = 0,96
15
Nilai R2 dekat dengan 1 dan ini menunjukan bahwa pengeluaran untuk iklan menerangkan
sebagaian besar variasi dalam penjualan. Nilai koefisien determinasi dan koefisien korelasi
menunjukan bahwa pilihan pengeluaran untuk iklan tersebut adalah pilihan yang bagus untuk
meramalkan penjualan.

Jika pengeluaran untuk iklan mencapai 1,750 (dalam puluhan juta), maka ramalan untuk bulan
ke enam adalah :

Y = -8,136 + 109,229 (1,75)

Y = 183,015 (dalam ribuan unit)
Soal-soal latihan :

Aplikasi persamaan regresi :

1. PT. Ceria menghasilkan tas dengan kualitas eksport. Perusahaan ini ingin memprediksi
volume tas yang akan terjual pada minggu ke enam. Perusahaan menetapkan harga yang
berbeda untuk setiap minggu. Berikut ini adalah data mengenai harga produk dan volume
penjualan berdaarkan informasi historis pada lima minggu terakhir.
MINGGU VOLUME PENJUALAN HARGA (Rp.)

1 90.000 1.000.000
2 100.000 1.300.000
3 150.000 1.500.000
4 180.000 1.600.000
5 200.000 2.000.000

Pertanyaan :
a. Tentukan persamaan regresi.
b. Apabila perusahaan menetapkan harga tas Rp. 2.500.000,- per buah, berapa ramalan
volume penjualan pada minggu ke enam ?

2. Pengunjung salah satu hotel telah tercatat selama 9 tahun. Untuk memproyeksikan tingkat
hunian masa depan, manajemen ingin menetapkan tren matematis pengunjung. Prediksi ini
membantu hotel menetapkan apakah pengembangan perlu dlakukan. Dengan data time-
series yang diberikan sebagai berikut, buatlah persamaan regresi yang menghubungkan
pengunjung dengan waktu. Kemudian buatlah peramalan untuk pengunjung di tahun 2005.
Jumlah pengunjung dalam ribuan.
1995 : 17 1996 : 16 1997 : 16 1998 : 21 1999 : 20
2000: 20 2001 : 23 2002 : 25 2003 : 24

3. Manajer Operasi sebuah distributor perlengkapan untuk musik merasa permintaan bass
drum terkait dengan penampilan televisi grup musik rock : “Maju Mundur “ pada bulan lalu.
Manajer Operasi telah mengumpulkan data sebagai berikut :

PERMINTAAN 3 6 7 5 10 8
UNTUK BASS
DRUM
PENAMPILAN 3 4 7 6 8 5
“MAJU
MUNDUR”
Pertanyaan :
a. Gunakan metode regresi kuadrat terkecil untuk mendapatkan persamaan peramalan !
b. Apakah prediksi anda akan penjualan bass drum jika penampilan “ Maju Mundur “ di TV
bulan lalu adalah 9 kali ?

16
Aplikasi Metode Pengaruh Musim (Multicaptive Seasonal Method) :
4. PT. ABC membutuhkan peramalan setiap kwartal mengenai jumlah konsumen tahun depan
(tahun ke empat). Berikut ini data selama 3 tahun :
TRIWULAN TAHUN 1 TAHUN 2 TAHUN 3

1 35 50 48
2 50 60 55
3 55 65 60
4 60 73 65
TOTAL 200 248 228
Pertanyaan :
Jika diestimasikan banyaknya konsumen tahun depan sebanyak 320 konsumen, buatlah
peramalan jumlah konsumen setiap kuartal pada tahun ke empat dengan metode
Multicaptive Seasonal Method.

Langkah Penyelesaian soal no. 4 :

Langkah 1. Menentukan jumlah rata-rata konsumen per musim

Rata-rata
Rata-rata =/n ∑
= ∑ permintaan
permintaan / n
TAHUN PERHITUNGAN JUMLAH RATA-RATA
PER MUSIM
1
2
3

Langkah 2. Menentukan Indeks per musim per tahun

Indeks Per Triwulan = Permintaan Triwulan / Rata-rata Per Triwulan

TAHUN TAHUN 1 TAHUN 2 TAHUN 3

TRIWULAN 1
TRIWULAN 2
TRIWULAN 3
TRIWULAN 4

Langkah 3. Menentukan Indeks Rata-rata Musiman

Indeks Rata-rata Musiman = ∑ Indeks per triwulan per tahun / ∑ musim

TAHUN PERHITUNGAN INDEKS RATA-RATA

MUSIMAN
1
2
3

Langkah 4. Menentukan Peramalan Permintaan Tahun Yang Akan Datang

Rata-rata permintaan per triwulan tahun 4 = Forecast Permintaan Tahun 4/4

Forecast Per Triwulan Th 4 = Rata-2 permintaan per triwulan x indeks rata-2 musiman
17
 TAHUN PERHITUNGAN FORECAST PERMINTAAN
TAHUN 4
1
2
3

5. PT. Aneka Logam memiliki data penjualan yang terdistribusi pada setiap triwulanya sebagai
berikut :
TAHUN 2005 2006 2007 2008 2009

TRIWULAN 1 120 150 250 250 250

TRIWULAN 2 80 125 225 200 225
TRIWULAN 3 150 200 275 250 275
TRIWULAN 4 200 250 300 300 300
TOTAL 550 725 1.050 1.000 1.050

Pertanyaan :
Apabila diprakirakan total penjualan untuk tahun 2010 sebesar 1.500, maka tentukanlah
permintaan di setiap triwulanya untuk tahun tersebut.

Langkah Penyelesaian soal no. 5 :

Langkah 1. Menentukan jumlah rata-rata konsumen per musim

Rata-rata = ∑ permintaan /
n
TAHUN PERHITUNGAN JUMLAH RATA-RATA
PER MUSIM
2005
2006
2007
2008
2009

Langkah 2. Menentukan Indeks per musim per tahun

Indeks Per Triwulan = Permintaan Triwulan / Rata-rata Per Triwulan

TAHUN 2005 2006 2007 2008 2009

TRIWULAN
TRIWULAN
TRIWULAN
TRIWULAN
TOTAL

18
 Langkah 3. Menentukan Indeks Rata-rata Musiman

Indeks Rata-rata Musiman = ∑ Indeks per triwulan per tahun / ∑ musim

TAHUN PERHITUNGAN INDEKS RATA-RATA

MUSIMAN
TRIWULAN 1
TRIWULAN 2
TRIWULAN 3
TRIWULAN 4

Langkah 4. Menentukan Peramalan Permintaan Tahun Yang Akan Datang

Rata-rata permintaan per triwulan tahun 2010 = Forecast Permintaan Tahun 2010 / 4
Forecast Per Triwulan = Rata-2 permintaan per triwulan x indeks rata-2 musiman

TRIWULAN PERHITUNGAN FORECAST PERMINTAAN

TAHUN 2010
1
2
3
4

================ 00000000000 ==================

19