MANAJEMEN OPERASI LANJUTAN

“PERAMALAN”
 ELFA CHILYATUL MAZIAH (141120161)
 NAJUA WIDAYANI (141120175)
 NOVITA RATNA PRATIWI (141120177)
 SHAFIRA YULIANA GUNADI (141120190)
seni dan ilmu memprediksi peristiwa-
peristiwa masa depan. Peramalan
memerlukan pengambilan data historis dan
memproyeksikannya ke masa depan dengan
beberapa bentuk model matematis
 3 kategori yang bermanfaat bagi manajer operasi
 Peramalan jangka pendek
 Peramalan jangka menengah
 Peramalan jangka panjang
 1. Perkenalan
produk sukses melalui 4 tahap 2.Pertumbuhan
3.Dewasa
4.Penurunan
1. Ramalan Ekonomi
2.Ramalan Teknologi
3.Ramalan Permintaan
 Ramalan produk berpengaruh terhadap 3 fungsi
1. Sumber Daya Manusia
2. Kapasitas
3. Manajemen Rantai - Supply
1. Peramalan kuantitatif
Ada 4 metode peramalan kuantitatif, yaitu :
1. Rata-rata bergerak (moving averages)
2. Penghalusan eksponensial (exponential smoothing)
3. Proyeksi trend ( trend projection)
4. Regresi linear (linear regression)
2. Metode kualitatif

Ada 5 teknik peramalan kualitatif yang berbeda :

1. Pendapat dari Juri eksekutif.

2. Gabungan armada penjualan.
3. Metode Delphi. Ada 3 partisipan dalam proses ini : pengambil
keputusan, personel staf, dan responden.
4. Survey pasar konsumen.
5. Pendekatan naif.
8 tahap untuk sistem peramalan:
1. Menentukan penggunaan peramalan itu
2. Memilih hal-hal yang akan diramalkan
3. Menentukan horizon waktunya
4. Memilih model peramalannya
5. Mengumpulkan data yang dibutuhkan untuk membuat ramalan
6. Menentukan model peramalan yang tepat
7. Membuat ramalan
8. Menerapkan hasilnya
Dekomposisi Seri Waktu
Seri waktu biasanya memiliki empat komponen (pola permintaan):
1. Trend (T)
2. Musim (S)
3. Siklus (C)
4. Variasi acak (R)
Rata-Rata Bergerak
Rata-rata bergerak (moving averages) ini bermanfaat jika kita mengasumsikan bahwa
permintaan pasar tetap stabil sepanjang waktu. Secara sistematis, rata-rata bergerak
sederhana (yang menjadi estimasi dari permintaan periode berikutnya), ditunjukkan sebagai :

𝑃𝑒𝑟𝑚𝑖𝑛𝑡𝑎𝑎𝑛 𝑑𝑎𝑡𝑎 𝑛 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑠𝑒𝑏𝑒𝑙𝑢𝑚𝑛𝑦𝑎

𝑅𝑎𝑡𝑎 − 𝑟𝑎𝑡𝑎 𝑏𝑒𝑟𝑔𝑒𝑟𝑎𝑘 =
𝑛

Dimana n adalah jumlah periode dalam rata-rata bergerak misalnya, empat, lima, atau enam
bulan secara berurutan, untuk rata-rata bergerak empat, lima, atau enam periode.
Rata-Rata Bergerak Tertimbang
Pilihan timbangan adalah bersifat arbirter karena tidak ada rumus untuk
menentukannya. Jika bulan atau periode terakhir ditimbang terlalu berat, ramalan
bias mencerminkan perubahan dalam permintaan yang tidak biasa atau pola
penjualan yang terlalu cepat. Rata-rata bergerak tertimbang ditunjukkan secara
matematis dengan :
(𝑇𝑖𝑚𝑏𝑎𝑛𝑔𝑎𝑛 𝑢𝑛𝑡𝑢𝑘 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑛)(𝑃𝑒𝑟𝑚𝑖𝑛𝑡𝑎𝑎𝑛 𝑑𝑎𝑙𝑎𝑚 𝑝𝑒𝑟𝑖𝑜𝑑𝑒)
𝑅𝑎𝑡𝑎 − 𝑟𝑎𝑡𝑎 𝑏𝑒𝑟𝑔𝑒𝑟𝑎𝑘 =
𝑇𝑖𝑚𝑏𝑎𝑛𝑔𝑎𝑛
 metode peramalan yang mudah
digunakan dan efisisen bila dilakukan
dengan computer.
R𝑎𝑚𝑎𝑙𝑎𝑛 𝑏𝑎𝑟𝑢 = 𝑅𝑎𝑚𝑎𝑙𝑎𝑛 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑙𝑎𝑙𝑢 +
𝛼 𝑃𝑒𝑟𝑚𝑖𝑛𝑡𝑎𝑎𝑛 𝑎𝑘𝑡𝑢𝑎𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑙𝑎𝑙𝑢 − 𝑟𝑎𝑚𝑎𝑙𝑎𝑛 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑙𝑎𝑙𝑢

Dimana 𝛼 adalah timbangannya, atau konstanta penghalusan, yang nilainya antara 0 sampai 1.
 Kesalahan peramalan = Permintaan – Ramalan

deviasi absolut rata-rata hitung (mean absolute deviation, MAD). MAD dihitung
dengan mengambil jumlah nilai absolut dari kesalahan peramaln individu dan
membaginya dengan jumlah periode data (n) :
(𝐾𝑒𝑠𝑎𝑙𝑎ℎ𝑎𝑛 𝑝𝑒𝑟𝑎𝑚𝑎𝑙𝑎𝑛)
𝑀𝐴𝐷 =
𝑛
 cara lain mengukur kesalahan ramalan secara menyeluruh. MSE
adalah rata-rata perbedaan kuadrat antara nilai yang diramalkan
dan nilai yang diamati. Rumusnya adalah :
𝐾𝑒𝑠𝑎𝑙𝑎ℎ𝑎𝑛 𝑝𝑒𝑟𝑎𝑚𝑎𝑙𝑎𝑛2
𝑀𝑆𝐸 =
𝑛
Penghalusan Eksponensial dengan Trend
Penghalusan Eksponensial sederhana sering disebut sebagai penghalusan tingkat pertama, dan
penghalusan yang di sesuaikan trend disebut penghalusan tingkat ke dua, atau berganda. Untuk
menghaluskan koreksi trend, bisa di hitung ramalan penghalusan eksponensial sederhana dan
kemudian disesuaikan untuk kelambatan positif atau negative.

Proyeksi Trend
Teknik ini mencocokkan garis trend kerangkaian titik data historis dan kemudian
memproyeksikan garis itu ke dalam ramalan jangka menengah hingga jangka panjang. Jika kita
memutuskan untuk mengembangkan garis trend linear dengan metode statistic yang tepat, maka
kita dapat memakai metode kuadrat terkecil.
Menggunakan Analisis Regresi Linear untuk Meramal
Regresi biasanya digunakan sebagai alat dalam kasus ekonomi dan hukum : regresi
adalah teknin pilihan dalam kasus diskriminasi ras, usia, dan jenis kelamin.
𝑦 = 𝑎 + 𝑏𝑥
Dimana 𝑦 = nilai variable tidak bebas
𝑎 = pemotongan sumbu y
𝑏 = kelandaian garis regresi
x = variable bebas
Kesalahan Standar Estimasi
Estimasi titik sesungguhnya adalah rata-rata hitung, atau nilai yang diharapkan dari
distribusi nilai penjualan yang mungkin. Untuk mengukur keakuratan estimasi regresi kita
perlu menghitung kesalahan standar estimasi 𝑆𝑦𝑥 . Kesalahan standar ini disebut deviasi
standar regresi dengan persamaan
𝛿(𝑦−𝑦𝑐)2
𝑆𝑦,𝑥 =
𝑛−2

Dimana
Y = nilai-y untuk setiap titik data
Yc = nilai yang dihitung dari variable terikat
n = jumlah titik data
Koefisien Korelasi untuk Garis Regresi
Persamaan regresi adalah cara untuk menunjukkan sifat hubungan antara 2 variabel. Persamaan itu
menunjukkan bagaimana 1 variabel berkaitan dengan nilai dan perubahan didalam variable lain. Cara lain untuk
mengevaluasi hubungan antara 2 variabel adalah menghitung koefisien korelasi. Ukuran ini menunjukkan derajat
hubungan linear. Biasanya dikenal dengan r, koefisien korelasi nilainya terletak antara +1 dan -1. Persamaan
untuk r adalah
𝑛 𝑥𝑦 − 𝑥 𝑦
𝑟=
(𝑛 𝑥2 − 𝑥 2 )(𝑛 𝑦 2 − ( 𝑦)2 ))

Meskipun koefisien korelasi adalah ukuran yang paling umum digunakan untuk menjelaskan hubungan anataa dua
variable, ada pula ukuran lain. Ukuran itu disebut koefisien determinasi. Inilah kuadrat koefisien korelasi, r2.
Nilai r2 akan selalu berupa angka positif dalam rentang 0<r2<1. Koefisien determinasi adalah persentase variasi
dalam variable tidak bebas (y) yang dijelaskan oleh persamaan regresi.
Analisis Regresi Berganda
Regresi bertingkat memungkinkan kita membentuk model dengan beberapa variable bebas.
Persamaan :
𝑦 = 𝑎 + 𝑏1 𝑥1 + 𝑏2 𝑥2
Dimana,
𝑦 = variable tidak bebas
𝑎 = perpotongan y
𝑏1 𝑑𝑎𝑛 𝑏2 = kelandaian garis regresi
𝑥1 𝑑𝑎𝑛 𝑥2 = nilai dua variable bebas
Isyarat arah dihitung sebagai jumlah kesalahan ramalan berjalan (running sum of the forecast error, RSFE) dibagi dengan
deviasi absolut mean (MAD).
𝑅𝑆𝐹𝐸
𝐼𝑠𝑦𝑎𝑟𝑎𝑡 𝑇𝑎𝑛𝑑𝑎 =
𝑀𝐴𝐷
(𝑃𝑒𝑟𝑚𝑖𝑛𝑡𝑎𝑎𝑛 𝑎𝑘𝑡𝑢𝑎𝑙 𝑑𝑎𝑙𝑎𝑚 𝑝𝑒𝑟𝑖𝑜𝑑𝑒−𝑝𝑒𝑟𝑚𝑖𝑛𝑡𝑎𝑎𝑛 𝑟𝑎𝑚𝑎𝑙𝑎𝑛 𝑑𝑎𝑙𝑎𝑚 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑖)
==
𝑀𝐴𝐷

Dimana, 𝑀𝐴𝐷 = (𝐾𝑒𝑠𝑎𝑙𝑎ℎ𝑎𝑛 𝑟𝑎𝑚𝑎𝑙𝑎𝑛)

𝑛

Isyarat arah positif menunjukkan bahwa permintaan lebih besar dari ramalan. Tanda negative berarti bahwa RSSE
rendah, mempunyai bias positif sebanyak bias negtifnya. Dengan kata lain, bias yang kecil tidak masalah, tetapi bias
positif dan negative seharusnya saling menyeimbangkan sehingga tanda penelusuran berada disekeliling bias nol.
Teknik utama disektor eceran adalah Di era computer ini perhitungan peramalan jarang
menelusuri permintaan dengan menjaga dilakukan dengan tangan. Banyak program akademis dan
catatan jangka pendek yang baik. program yang dikemas secara komersial telah tersedia
untuk menangani proyeksi seri waktu dan kausal.
THANK YOU 