Makalah Peramalan KLP 4 Manajemen Operasional [PDF]

Citation preview

“ PERAMALAN (FORECASTING) ” MANAJEMEN OPERASIONAL



DI SUSUN OLEH :  ANDI INDAH KHAERUNNISA N (1992142041)  ANDI IIN NUR PUTRIYANTI (1992142042)  MAHARANI LIKSIARA AYU ANGGINI (1992142043)  WINDA NUTRIA UTAMI (1992142044)  ERNAWATI SENOLANGI (1992142045)  ULAYYA ARIQAH (1992142046)  ANDIKA (1992142047)



FAKULTAS EKONOMI JURUSAN AKUNTANSI S1 UNIVERSITAS NEGERI MAKASSAR TAHUN AJARAN 2020-2021



1



KATA PENGANTAR Assalamu’alaikum warahmatullahi wabarokatuh ...        Puji syukur penyusun panjatkan ke hadirat Allah Subhanahu wata΄ala, karena berkat rahmat-Nya Kami bisa menyelesaikan tugas Makalah mata kuliah Pendidikan Pancasila yang berjudul  Peramalan.Makalah ini diajukan guna memenuhi tugas mata kuliah Manajemen Operasional.       Kami mengucapkan terima kasih kepada semua pihak yang telah membantu sehingga makalah ini dapat diselesaikan tepat pada waktunya.Makalah ini masih jauh dari sempurna, oleh karena itu Kami mengharapkan kritik dan saran yang bersifat membangun demi kesempurnaan makalah ini. Semoga makalah ini memberikan informasi bagi pembaca, mahasiswa dan bermanfaat untuk pengembangan wawasan dan peningkatan ilmu pengetahuan bagi kita semua.             Wassalamu’alaikum warahmatullahi wabarokatuh ...



Makassar, 14 september 2020



Penulis



1



Daftar Isi Sampul Makalah.........................................................................................................



1



Kata Pengantar...........................................................................................................



2



Daftar Isi.....................................................................................................................



3



BAB I PENDAHULUAN A. Latar Belakang................................................................................................



4



B. Rumusan Masalah..........................................................................................



4



C. Tujuan............................................................................................................



4



BAB II PEMBAHASAN A. Pengertian peramalan................................................................................... ........................................................................................................................



5



B. Pentingnya Strategi peramalan..................................................................... ........................................................................................................................



6



C. Tujuh langkah dalam sistem peramalan........................................................ ........................................................................................................................



8



D. Pendekatan peramalan .................................................................................



9



E. Peramalan runtun waktu...............................................................................



10



F. Metode peramalan asosiatif analisis regresi dan korelasi.............................



16



G. Pengawasan dan pengendalian peramalan...................................................



18



H. Peramalan dalam sektor jasa………………………………………………………………..



19



BAB III PENUTUP A. Kesimpulan.....................................................................................................



20



B. Saran..............................................................................................................



20



1



BAB I PENDAHULUAN A. Latar Belakang Peramalan (forecasting) adalah kegiatan mengestimasi apa yang akan tejadi pada masa yang akan datang. Peramalan diperlukan karena adanya perbedaan kesenjagan waktu (Timelag) antara kesadaran akan dibutuhkannya suatu kebijakan baru dengan waktu pelaksanaan kebijakan tersebut. Apabila perbedaan waktu tersebut panjang maka peran peramalan begitu penting dan sangat dibutuhkan, terutama dalam penentuan kapan terjadinya suatu sehingga dapat dipersiapkan tindakan yang perlu dilakukan. Menurut Arman Hakim Nasution (2006), Peramalan adalah proses untuk memperkiraan beberapa kebutuhan di masa datang yang meliputi kebutuhan dalam ukuran kuantitas, kualitas, waktu, dan lokasi yang dibutuhkan dalam rangka memenuhi permintaan barang dan jasa. Peramalan tidak terlalu dibutuhkan dalam kondisi permintaan pasar yang stabil, karena perubahan permintaan relatif kecil. Tetapi peramalan akan sangat dibutuhkan bila kondisi permintaan pasar bersifat kompleks dan dinamis. Dalam kondisi pasar bebas, permintaan pasar lebih banyak bersifat kompleks, dan dinamis karena permintaan tersebut akan tergantung dari keadaan sosial, ekonomi, politik, aspek teknologi, produk pesaing dan produk substitusi. Oleh karena itu  peramalan yang akurat merupakan informasi yang sangat dibutuhkan dalam pengambilan keputusan manajemen B. Rumusan Masalah 1. Apa yang dimaksud peramalan (forecasting) 2. Pentingnya strategi peramalan 3. Bagaimana langkah dalam sistem peramalan 4. Apa saja jenis dari peramalan 5. Metode yang digunakan sistem peramalan C. Tujuan pembahasan 1. Memahami 3 horizon waktu dan dimana model-modelnya diterapkan yang masing –masing. 2. Menjelaskan kapan untuk menggunakan masing – masing dari 4 model kualitatif 3. Menerapkan metode awam, pergerakan rata rata, penghalusan eksponensial (exponential smoothing) dan kecenderungan 4. Menghitung 3 ukuran keakuratan peramalan 5. Mengembangkan indeks musiman 6. Melaksanakan analisis regresi dan koneksi 7. Menggunakan pelacakan sinyal (signal tracking)



1



BAB II PEMBAHASAN



A. Pengertian Peramalan Peramalan (forecasting) adalah suatu seni dan ilmu pengetahuan dalam memprediksi peristiwa pada masa mendatang. Peramalan akan melibatkan mengambil data historis ( seperti penjualan tahun lalu) dam memproyeksi mereka ke masa yang akan datang dengan model matematika. Mungkin akan menjadi prediksi yang bersifat subjektif atau intuitif ( misalnya,”ini adalah produk baru yang hebat dan akan terjual 20% lebih banyak dari pada yang telah ada”). Mungkin akan didasarkan pada data yang didorong oleh permintaan , misalnya rencana konsumen untuk membeli dan memproyeksi mereka ke masa yang akan datang atau peramalan akan melibatkan kobinasi dari keduanya, yang mana, model matematika disesuaikan dengan pertimbangan yang baik dari manajer. Peramalan dapat dipengaruhi oleh posisi produk dalam siklus hidupnya-apakah penjualan berada pada tahap perkenalan, pertumbuhan, kedewasaan, atau penurunan. Produk lainnya dapat dipegaruhi oleh permintaan atas produk yang terkait sebgai contoh, sistem navigasi dapat menelusuri dengan penjualan mobil baru. Karena terdapat limit sebagaimana yang diharapkan dari permalan, kita mengembangkan ukuran tingkat kesalahan. Memepersiapkan dan memonitor permalan dapat menegeluarkan biaya yang mahal dan menghabiskan waktu. 1. Peramalan horizon waktu Peramalan dapat diklasifikasikan dengan horizon waktu pada masa mendatang yang melingkupinya. Horizon waktu dibagi dalam 3 kategori sebagai berikut. 1) Peramalan jangka pendek: Peramalan inti memiliki rentang waktu sampai dengan satu tahu, tetapi umumnya kurang dari 3 bulan. Digunakan unruk perencanaan pembelian, penjadwalan pekerjaan, level angkatan kerja, penugasan pekerjaan, dan level produksi. 1



2) Peramalan jangka menengah: Kisaran menengah, atau intermediate, peramalan umumnya rentang waktu 3 bulan hingga 3 tahun. berguna dalam perencaan penjualan, perencanaan produksi dan penganggaran,dan penganggaran uang kas, dan analisis variasi dan rencana operasional. 3) Peramalan kisaran panjang: Umumnya 3 tahun atau lebih dalam rentang waktunya, peramalan jangka panjang digunakan dalam perencanaan untuk produk baru, pengeluaran modal, lokasi tempat fasilitas atau perluasan, dan penelitian serta pengembangan. 2. Tipe peramalan Organisasi menggunakan 3 tipe peramalan utama dalam merencanakan operasional untuk masa mendatang. 1) Peramalan ekonomi (economic forecasts) mernangani siklus bisnis dengan memprediksi tingkat inflasi, uang yang beredar, mulai pembangunan perumahan, dan indikator perencanaan lainnya. 2) Peramalan



teknologi



(technological



forecasts)



berkaitan



dengan



tingkat



perkembangan teknologi, dimana dapat menghasilkan terciptanya produk yang menarik, yang memerlukan pabrik dan perlengkapan yang baru. 3) Peramalan permintaan (demand forecasts) adalah proyeksi atas permintaan untuk produk dari jasa perusahaan. Peramalan mendorong keputusan sehingga para manejer memerlukan informasi dengan segera dan akurat mengenai permintaan yang sesungguhnya. Peramalan ekonomi dan teknologi merupakan teknik khusus yang akan berada diluar peranan menejer operasional.



B. Pentingnya Strategi Terhadap Peramalan Peramalan yang baik adalah sangat penting dalam seluruh



aspek bisnis.



Peramalan hanya merupakan estimasi atas permintaan hingga permintaan aktual menjadi diketahui.Peramalan permintaan oleh karenanya akan mendorong keputusan banyak area. Mari kita melihat dampak dari peramalan permintaan produk dalam 3 aktivitas: 1



1. Manajemen rantai pasokan Hubugan yang baik dengan pemasok dan menjamin keunggulan dalam inovasi produk biaya, dan kecepatan pada pangsa pasar bergantung pada peramalan yang akurat. Disini diperlihatkan 3 contoh berikut: 



Apple telah membangun sistem global yang efektif dimana dia mengedalikan hamper setiap hal dalam pasokan dari desain produk hingga gerai pengecer. Dengan data akurat dan data komunikasi cepat yang dibagikan keatas dan kebawah rantai pasokan.







Toyota pengembangkan peramalan mobil secara canggih denagan input dari berbagai sumber, termasuk para diler, akan tetapi peramalan untuk aksesoris misalnya sistem navigasi, roda spoiler dan hal umum lainnya sangat sulit.







Walmart bekerja sama dengan para pemasok, misalnya sara lee dan procter & gamble untuk memastikan barang yang tepat tersedia pada waktu yang tepat dalam tempat yang tepat dan pada harga yang sesuai.



2. Sumber daya manusia Perekrutan, pelatihan dan penempatan para pekerja semuanya bergnatung pada permintaan yang diantisipasi. Jika depertemen sumber daya manusia harus merekrut pekerja ttambahan tanpa pemberitahuan, jumlahh pelatihan akan menurun dan kualitas pekerja akan menurun pula. 3. Kapasitas Ketika



kapasitas



tida



memadai,menghasilkan



kekurangan



yang



dapat



mengarahkan pada kehilangan para konsumen dan panngsa pasar. Pada sisi lainnya, ketika kelebihan dalam kapasitas terjadi biaya dapat melambung tinggi.



C. Tujuh Langkah Dalam Sistem Peramalan



1



Peramalan mengikuti tujuh langkah dasar: kita menggunakan ‘Disney World,yaitu profil perussahaan global, sebagai contoh untuk masing-masing langkah berikut. 1. Menentukan penggunaan dari peramalan: disney menggunakan peramalan jumlah kehadiran di wahana untuk mendorong pengambilan keputusan mengenai susunan kepegawaian, waktu pembukaan, ketersediaan arena bermain,dan pasokan makanan. 2. Memilih barang yang akan diramalkan: Untuk Disney World, terdapt enam wahana utama, peramalan kehadiran setiap hari padda masing-masiing taman adalah angka utama yang dapat menentukan tenaga kerja, pemeliharaan, dan penjadwalan. 3. Menentukan horizon waktu dari peramalan: Dalam jangka pendek,menengah, atau jangka panjang? Disneyy mengembangkan peramalan harian, mingguan, bulanan, tahunan, dan 5 tahun. 4. Memilih model peramalan: Disney menggunakan varietas model statistik yang akan kita bahas,meliputi pergerakan rata-rata, ekonometrik, dan analisis regresi,juga melaksanakan pertimbangan,atau nonkualitatif, model-model. 5. Mengumpulkan data yang diperlukan untuk membuat peramalan: Tim permalan disney mempekerjakan 35 analis dan 70 personel lapangan untuk melakukan survei 1 juta orang/bisnis setiap tahun. Disney juga menggunakan perusahaan yang bernama global insights untuk peramalan dalam industri perjalanan wisata dan mengumpulkan data dalam nilai tukar mata uang, kedatangan keamerika serikat,maskapai penerbangan khusus, kecenderungan saham wall street, dan jadwal liburan sekolah. 6. Membuat peramalan. 7. Memvalidasi dan mengimplementasikan hasilnya: Pada Disney, peramalan akan ditinjau ulang harian pada level tertinggi untuk memastikan bahwa model, asumsi, dan data adalah valid. Ukuran kesalahan diterapkan; kemudian peramalan digunakan untuk menjadwlkan para personel turun kelapangan dalam interval waktu setiap 15 menit. Disamping sistem yang perusahaan seperti Disney gunakan, tiap perusahaan menghadapi beberapa kenytaan sebagai berikut.



1







Faktor diluar yang tidak dapat kita prediksikan atau kendalikan sering kali memengaruhi peramalan.







Sebagian besar teknik peramalan mengasumsikan bahwa terdapat beberapa stabilitas yang mendasar didalam sistem. Konsekuensinya, beberapa perusahaan mengotomatisasi prediksi mereka dengan menggunakan perangkat lunak peramalan yang terkomputerisasi, kemudian memonitor hanya produk barang yangg memiliki permintaan tiddak menentu.







Baik produk keluarga maupun peramalan yang menyeluruh lebih akurat daripada peramalan produk individual. Disney, sebagai contoh, mengumpulkan peramalan kehadiraan harian di wahana. Pendekatan ini membantu menyeimbangkan prediksi yang berlebihan dan kekurangan untuk tiap-tiap 6 atraksi pertunjukan.



D. Pendekatan Peramalan Terdapat 2 pendekatan umum untuk peramalan, hanya terdapat 2 cara untuk mengatasi seluruh permodelan keputusan. Salah satu adalah analisis kuantitatif; yang satunya lagi adalah pendekatan kualitatif. Namun,dalam bagian ini hanya satu pendekatan yang akan diperinci secara detail, yaitu peramalan kualitatif. Peramalan kuanitatif menggunaakan bermacam-macam model matemtika yang bergantung pada data historis dan/atau variabel asosiatif untuk meramalkan permintaan. Subjektif atau peramalan kualitatif menggabungkan faktor-faktor misalnya Intuisi dari si pengambil keputusan, emosi, ppengalaman pribadi, dan sistemm nilai dalam mencapai peramalan.



Ikhtisar Metode Kualitatif Dalam bagian ini, kami mempertimbangkan4 tknik peramalan kualitatif yang berbeda: 1. Opini dari dewan eksekutif : berdasarkan paddametode ini, opini dari sekelompok dari paraahli yng mumpuni atau manajer , seringkali dikombinasikan dengan model statistik, dikumpulkan untuk memperoleh sekumpulan estimasi permintaan. 2. Metode delphi : terdappat 3 jenis partisipan yang berbeda dalam metode delphin: si pengambil keputusan, staf personalia, dan para responden.



1



3. Gabungan karyawan bagian penjualan : dalamm penndekatan ini,masing-masing karyawan bagian penjualan mengistemasi penjualan apa yang ada di dalam kawasan mereka. Peramalan ini kemudian ditinjau ulang untuk memastikan bahwa mereka adalah realistis. Kemudian, mereka dikombinasikan pada tingkat distrik dan nasionaluntuk mencapai keseluruhan peramalan. 4. Survei pasar: metode ini mengumpulkan input dari para konsumen atau konsumen yang potensial mengenai rencana pembelian pada masa mendatang.



E. Peramalan Runtun Waktu Runtun waktu didasarkan pada urutan poin data yang ditempatkan secara merata (mingguan, bulanan, kuartalan, dan lainnya). Contohnya meliputi penjualan mingguan dari Nike Air Jordans, laporan pendapatan kuartalan dari saham microsoft, pengiriman harian dari bir coors, dan indeks harga konsumen tahunan. Data peramalan runtun waktu menngimplikasikan bahwa nilai masa mendatang diprediksikan hanya dari nilai masa yang lalu dan variabel lannya, tidak peduli seberapa bernilainya secara potensial, akan diabaikan.



Penguraian Dari Runtun Waktu Menganalisis runtun waktu berarti menguraikan data tahun-tahun yang lalu kedalam komponen dan kemudian memproyeksikan mereka kedepan. Runtun waktu memiliki 4 komponen sebagai berikut. 1. Kecenderengan adalah pergerakan data secara bertahap keatas atau kebawah selama bertahun-tahun. Perubahan dalam pendapatan, distribusi umur, atau pandangan budaya yang mempertanggungjawabkan pergerakan dalam kecenderungan. 2. Musiman adalah pola data yang mengulang dengan sedirinya setelah satu periode hari, minggu, bulan, atau kuartalan.terdapat 6 pola musiman secara umum



LAMANYA PERIODE



LAMANYA MUSIM



JUMLAH DALAM MUSIM



1



POLA



Minggu Bulan Bulan Tahun Tahun Tahun



Hari Minggu Hari Kuartalan Bulan Minggu



7 4 - 4½ 28- 31 4 12 52



3. Siklus adalah pola dalam data yang terjadi setiap beberapa tahun. Mereka biasanya diikuti dalam siklus bisnis dan sangat penting dalam analisis bisnis dalam jangka pendek dan perencanaan. 4. Variasi secara acak adalah “ blip”



didalam data yang disebabkan oleh adanya



peluang dan situasi yang tidak seperti bisanya. Mereka mengikuti pola yang tidak dapat diikuti sehingga mereka tidak dapat diprediksikan.



Pendekatan awam Cara paling sederhana dalam mengasumsikan bahwa permintaan



dalam periode



selanjutnya akan setara dengan permintaan dalam periode yang paling baru. Dengan kata lain jika penjualan sebuah produk—katakanlah, ponsel Nokia ---adalah 68 unit pada januari, kita dapat meramalkan bahwa penjualan pada februari juga akan sebesar 68 unit. Apakah



hal



ini



masuk



akal?



Jika



ditemukan



bahwa



untuk



beberapa



lini



produk,pendekatan awam (naive approach) ini adalah model peramalan yang paling efektif dalam biaya dan tujuan yang efisien.



Pergerakan Rata- Rata Peramalan pergerakan rata-rata ( moving-average) menggunakan sejumlah nilai data aktual historis untuk menghasilkn peramalan. Pergerakan rata-rata bermanfaat jika kita dapat mengasumsikan bahwa permintaan pasar akan tetap kokoh secara wajar selama bertahun-tahun. Secara matematis pergerakan rata-rata yang sederhana (yang berfungsi sebagai estimasi permintaan periode berikutnya) dicerminkan dengan hal berikut.



1



pergerakan rata−rata=



Ʃ permintaandalam periode n sebelumnya n



dimana n adalah jumlah periode dalam pergerakan rata-rata—sebagai contoh 4, 5, 6 bulan,masing-masing untuk 4, 5, 6- periode pergerakann rata.



Penghalusan Eksponensial Peghalusan eksponensial adalah metode peramalan pergerakan rata-rat bobot lainnya. Formula penghalusan eksponensial dasar dapat diperlihatkan sebagai berikut. Peramalan baru = peramalan periode sebelumnya + α (permintan



aktual



periode sebelumnya – peramalan periode sebelumnya) Dimana α adalah bobot, atau penghalusan konstan ( smoothing constant), dipilih oleh peramal yang memiliki nilai lebih tinggi daripada atau setara dengan 0 dan kurang dari atau setara dengan 1. Persamaan tersebut dapat juga ditulis ditulis secara matematis sebagai berikut. F=F t−1+ α ( A t−1−F t−1 ) Dimana



F



= peramalan yang baru



F t−1 = peramalan periode sebelumnya α



= pennghalusan (atau bobot) konstan (0 ≤=α ≤=1 ¿



At −1 = permintaan aktual periode sebelumnya



Mengukur Kesalaan Peramalan Keseluruhan keakuratan beberapa model peramalan –pergerakan rata-rata,penghalusan eksponensial, atau yang lainnya—dapat ditentukan dengan membandingkan nilai yang diramalkan dengan nilai yang aktual atau yang diamati. Jika F₁ menunjukkan peramalan dalam periode t₁ dan A₁menandakan permintaan aktual dalam periode t₁ kesalahan peramalan (atau deviasi ) didefinisikan sebagai berikut. Kesalahan peramalan = permintaan aktual – nilai peramalan 1



= A₁ - F₁ Beberapa ukuran yang digunakan untuk menghitung keseluruhan dalam kesalahan peramalan. Tiga ukuran yanng paling terkenal adalah Deviasi rata-rata yang absolut ( mean absolute deviation—MAD), kesalahan rata-rata yang dikuadratkan ( mean squared error—MSE), dan kesalahan presentase rata-rata yang absolut ( mean absolute percent error—MAPE ). Deviasi rata-rata yag absolut ukuran pertama atas keseluruhan dalam kesalahan peramalan untuk model adalah deviasi rata-rata yang absolut ( mean absolute deviation— MAD). Nilai ini dihitung dengan mengambil jumlah nilai absolut kesalahan peramalan individual (deviasi) dan membaginya dengan jumlah periode data (n): MAD= Ʃ∨ Aktual−Peramalanl ∨ ¿ ¿ n Kesalahan rata-rata yang dikuadratkan ( mean squared error—MSE) adalah cara kedua untuk mengukur keseluruhan dalam kesalahan peramalan. MSE adalah rata-rata perbedaan yang dikuadratkan diantara nilai yang diramalkan dengan yang diamati. MSE=Ʃ ∨kesalahan peramalan∨ ¿ ¿ n Presentase kesalahan rata-rata yang absolut permasalahan dengan baik MAD maupun MSE adalah bahwa nilai bergantung pada besarnya barang yag diramalkan. Jika peramalan barang diukur dalamm ribuan, nilai MAD dan MSE dapat menjaddi sangat besar. Untuk mengatasi permasalahan ini, kita dapat menggunakan kesalahan presentasi rata-rata yang absolut ( mean absolute percent error – MAPE). n



∑ 100



MSE= i−l



| Aktuall− Aktuali| Aktuali n



Penghalusan Eksponensial dengan Penyesuaian Kecenderungan Penghalusan eksponensial yang sederhana, teknik yang baru saja kita ilustrasikan, seperti teknik pergerakan rata-rata: dia gagal untuk merespon terhadap kecenderungan. Untuk 1



meningktkan peramalan kita, mari kit ilustrasikan model penghalusan eksponensiall yang lebih rumit, salah satu penyesuaian terhadapp kecenderungan. Gagasannya adalah untuk menghitung rata-rata data penghalusan eksponensial dan kemudian menyesuaikan dengan ketertinggalan positif atau negatif dalam kecenderungan. Peramalan meliputi kecenderungan ( FIT l) = rata-rata peramalan penghalusan eksponensial ( F l) + kecenderungan penghalusan eksponensial (T l).



Proyeksi Kecenderungan Metode peramalan runtun waktu sebelumnya (time series forecasting method ) yang akan kita bahas adalah proyeksi kecenderungan (trend projection). Teknik ini menyesuaikan garis



kecenderungan



dengan



rangkaian



poin



data



historis



dan



kemudian,



memproyeksikkan kemiringan garis kedalam peramalan masa mendatag atau dalam janga menengah hingga jangka panjang. Jika kita memutuskan untuk mengembangkan garis kecenderungan linear dengan metode statistik ysng persis tepat, kita dapat mmenerapkan metode kuadrat kecil (least-square method). Sebuah garis kuadrat kecil digambarkan dalam istilah dari intersepsi / potongan y-nya sendiri ( tingginya diimana memotong sumbu y) dan harapannya berubah (kemringan). Apabila kita dapat menghitung perpotongan y dan kemiringannya, kita dapat menggambarkan garis dengan persamaan berikut. ẏ=α +bx Dimana ẏ (dbaca “topl y”)



= nilai variabel yang telah dihitung untuk kemudian



diprediksikan ( disebut sebagai variabel dependen/terikat) α



= perpotongan sumbu ẏ b



= kemiringan dari garis regresi ( tingkat perubahan



dalam y untuk perubahan yang dimiliki dalam x) x



= variiabel independen (tidak terkat) (dimana dalam



kasus inni adalah waktu ).



1



Garis miring b ditemukan dengan : b=



Ʃxy −n xy ´ 3 Ʃ x −n ´x ³



Dimana: b = kemiringan dari garis regresi Ʃ = tanda jumlah x = nilai dari variabel independen y = nilai dari variabel dependen yang diketahui ´x = rata-rata dari nilai x ´y = rata-rata dari nilai y n = jumlah poin data atau observasi



Variasi Musiman Dalam Data Variasi musiman (seasonal variation) dalam data adalah pergerakan secara teratur dalam yang terkait dengan kejadian yang berulang. Memahami variasi musiman sangat penting untuk perencanaan keputusan dalam organisasi yang menangani lonjakan muatan barang. Kehadiran dari musiman membuat penyesuaian dalam peramalan garis kecenderungan sangat dibutuhkan. Musiman dicerminkan dalam istilah yang nilai aktualnya berbeda dari nnilai rata-rata dalam runtun waktu.



Variasi Siklus pada Data Siklus (cycles) seperti variasi musiman pada data, yang terjadi setiap beberapa tahun, bukan minggu, bulan, atau kuartal. Peramalan variasi siklus dalam runtun waktu sulit dilakukan. Hal ini disebabkan oleh siklus meliputi bermacam-macam faktor yang menyebabkan ekonomi bergerak dari resesi menuju perluasan menuju resesi selama bertahun-tahun. 1



F. Metode Peramalan Asosiatif: Analisis Regresi dan korelasi Tidak seperti peramalan runtun waktu, model peramalan asosiatif biasanya mempertimbangkan beberapa variabel yang terkait dengan kuantitas yang akan diprediksikkan. Ketika variabel yang terkait ini telah diketahhui, model statistika akan dibuat daan digunakan untuk meramalkan barang menarik. Pendekaan ini lebih kuat daripada metode runtun waktu yang hanya menggunakan nilai historis untuk peramalan variabel.



Penggunaan Analisis Regresi untuk Peramalan Kita dapat menggunakkan model matematika yang sama



yang kita terapkan dalam



metode kuadrat kecil atas proyeksi kecenderungan untuk membuat analsis regresi linear. Variabel yang dependen yang akan kita ramalkan tetap adalah ẏ. Akan tetapi,sekarang vriabel independen x tidak lagi waktu. Kita menggunakan persamaan: ẏ=α +bx dimana: ẏ = nlai dari variabel dependen α = perpotongan sumbu y b = kemiringan garis regresi x = variabel indepeden



Standar Kesalahan dari Estimasi Untuk



mengukur



keakuratan



dari



estimasi



regresi,



kita



harus



menghitung



standarkesalahan dari estimasi ( standard error of the estimate) S y , x . Penghitungan ini dinamakan dengan standar deviasi dari regresi. Ini mengukur kesalahan dari variabel yang dependen y, terhadappgaris regresi, bukan terhadap rata-rata.



1



Sy , x=



√



Ʃ ( y − y t )² n−2



Dimana: y = nilai y tiap-tiap poin data y t = nilai variabel dependen yang hitung, dari persamaan regresi n = jumlah poin data



Koefisien Korelasi untuk Garis Regresi Persamaan regresi adalah salah satu cara untuk menggambarkan sifat dan hubungan diantara 2 variabel. Garis regresi bukan hubungan “sebab dan akibat”. Cara lainnya untuk mengevaluasi hubungan diantara 2 variabel adalah dengan enghitung koefisien terhadap korelasi (coefficient correlation). Ukuran ini mencerminkan derajat atau kekuatan hubungan linear (tetapi catatan bahwa korelasi tidak selalu berarti hubungan sebab akibat). Biasanya didefinisikan sebagai r, koefisien korelasi dapat menjadi banyak angka diantara +1 dan -1. Untuk menghitung r, kita menggunakn banyak data yang sama yang diperlukan lebih awal untuk menghitung a dan b untuk garis regresi. r=



nƩxy − ƩxƩy √ [nƩx ²−( Ʃx )²][nƩ y 2−( Ʃy ) ²]



Analisis Regresi Multipel Regresi multipel ( multiple reggression) adalah perluasan praktis dari model regresi sederhana yang baru saja kita pelajari. Ini memungkinkan kita untuk membangun model dengan beberapa variabel independen bukan hanya satu variabel. y=a+b ₁ x ₁+b ₂ x ₂



1



Dimana: y = variabel dependen,penjualan α = α konstan, perpotongan y x₁ dan x₂ = nilai dari 2 variabel independen, area sistem penggajian dan tingkat bunga masing-masing b₁ dan b₂ = koefisien untuk 2 variabel independen



G. Pengawasan dan Pengendalian Peramalan Salah satu cara untuk memonitor peramalan untuk memastikan bahwa mereka berjalan dengan baik adalah dengan menggunakan sinyal penelusuran. Sinyal penelusuran ( tracking signal) adalah pengukuran mengenai seberapa baiknya peramalan dalam memprediksikan nilai aktualnya Sinyal penelusuran akan dihitung sebagai kumulatif kesalahan dibagi dengan ratarata deviasi yang absolut (MAD), yaitu: sinyal penelusuran=



kesalahan kumulatif MAD =



Ʃ ( permintaan aktualdlam periode i−¿ peramalan permintaan dalam periode i) MAD Dimana:



MAD= Ʃ∨ Aktual−Peramalan∨ ¿ ¿ n



Penghalusan Adaptif Peramalan adaptif mengacu pada komputer yang memonitor sinyal penelusuran dan menyesuaikan sendiri jika sinyal melewati limit yang telah ditetapkan. Misalnya, ketika diterapkan pada penghalusan eksponensial,koefisien α dan β yang pertama dipilih pada 1



nilai basis yang meminimalkan kesalahan peramalan dan kemudian disesuaikan menurut kapan pun komputer mencatat sinyal penelusuran yang menyimpang. Proses ini disebut penghalusan adaptif (adaptive smoothing).



Peramalan Fokus Daripada mengadaptasi dengan memilih penghalusan konstan, komputer akan memungkinkan kita untuk mencoba model peramalan yang bermacam-macam. Pendekatan seperti ini dinamakan peramalan fokus. Peramalan fokus ( focus forecasting) ddasarkan pada2 prinsip berikut. 1. Model peramalan yang canggih yang tidak selalu lebih baik daripada yang sederhana. 2. Tidak terdapat teknik tunggal yang akan digunakan untuk seluruh produk atau jasa.



H. Peramalan Dalam Sektor Jasa Peramalan dalam sektor jasa menyajikan beberapa tantangan yang tidak biasa. Teknik utama dalam sektor ritel adalah menelusuri permintaan dengan mempertahankan laporan catatan dalam jangka pendek yang baik. Misalnya, ahli potong rambut menawarkan katering kepada pria dan mengharapkan lonjakan akan mengalirpada jum’at dan sabtu. Tentu saja, sebagian besar ahl potong rambut akan tutup pada minggu dan senin serta banyak panggilan untuk meminta bantuan pada jum’at dan sabtu. Restoran di pusat kota, disisi lainnya, membutuhkan untuk menelusuri konvensi penting dan hri libur untuk peramalan dalam jangka pendek yang efektif.



BAB III PENUTUP



A. Kesimpulan Peramalan merupakan bagian yang sangat penting dari funsi manajer operasional. Peramalan permintaaan mendorong produksi perusahaan, kapasitas, dan sistem penjadwalan dan mempengaruhi fungsi perencanaan keuangan, pemasaran, dan personalia. 1



Terdapat beragam teknik peramalan jenis kuantitatif dan kualitatif. Pendekatan kualiatif menggunakan pertimbangan, pengalaman, intuisi, dan sumber faktor lainnya yang sulit untuk menghitungnya. Peramalan kuantitatif menggunakan data historis dan hubungan sebab akibat, atau asosiatif, hubungan dengan proyeksi permintaan pada masa mendatang. Tidak adametode peramalan yang sempurna untuk seluruh kondisi. Selain itu, bahkan ketika manajemen telah menemukan pendekatan yang lebih memuaskan, masih harus memonitor dan mengendalikan peramalan untuk memastikan tidak ada kesalahan yang terlewatkan. Peramalan sering kal menjadi sangat menantang, tetapi bermanfaat, sebagai bagian dari pengelolaan.



B. Saran Dengan adanya makalah ini, diharapkan agar para pembaca dapat lebih mudah memahami mengenai materi Peramalan. Selain itu, jika terdapat kekurangan dalam pembuatan makalah ini, penulis berharap pembaca dapat memberikan masukan agar lebih baik lagi.



1