1. Jelaskan definisi peramalan?

Peramalan adalah proses untuk memperkirakan beberapa kebutuhan

dimasa datang yang meliputi kebutuhan dalam ukuran kuantitas, kualitas,

waktu dan lokasi yang dibutuhkan dalam rangka memenuhi permintaan

barang dan jasa.

2. Sebutkan dan jelaskan empat karekteristik elemen peramalan ?

Ketelitian

Sasaran pertama dalam peramalan permintaan ialah mendapatkan hasil

peramalan dengan tingkat akurasi yang tinggi. Ada dua ukuran yang

digunakan dalam mengevaluasi akurasi peramalan yaitu penyimpangan

(bias) dan konsistensi (consistency). Penyimpangan terjadi apabila hasil

peramalan memperlihatkan secara terus menerus angka yang tinggi atau

rendah. Konsistensi berkaitan dengan ukuran atau besarnya error.

Biaya

Biaya yang dibutuhkan untuk mengembangkan model peramalan serta

menggunakannya sering cukup besar. Makin banyak item yang akan

diramalkan dan makin tinggi tingkat ketelitian yang diinginkan makin besar

pula biaya yang dibutuhkan. Tingkat akurasi peramalan dapat diperbaiki

apabila peramalan degan menggunakan model yang sederhana diganti

dengan model yang lebih komprehensif tetapi biaya peramalan juga akan

meningkat tajam. Oleh karena itu perlu dilakukan trade-off antara tingkat

akurasi yang dibutuhkan dengan besarnya biaya yang harus dikeluarkan.

Peramalan dengan menggunakan metode yang sangat komprehensif tidak

selalu menjadi pilihan apabila faktor jumlah biaya yang harus

dikeluarkan menjadi tidak sebanding.

Respon

Sistem peramalan haruslah stabil dalam arti hasil peramalan tidak

memperlihatkan fluktuasi yang bersifat liar karena faktor random yang

berlebihan. Pada pihak lain, apabila tingkat permintaan yang sebenarnya

berubah maka peramalan juga harus menunjukkan hasil peramalan yang

berubah. Untuk mengkompromikan kedua situasi yang paling konflik

ini maka sistem peramalan perlu mencakup dua fitur yaitu a)

monitoring terhadap terjadinya perubahan nyata permintaan dan b)

kemampuan sistem untuk melakukan respon sesaat secara cepat terhadap

perubahan tersebut. Hasil peramalan akan sangat buruk apabila dalam

situasi nyata terjadi peningkatan permintaan tetapi peramalan tidak

mampu mendeteksi situasi tersebut sehingga hasil peramalan tidak

menunjukkan kenaikan permintaan.

Kesederhanaan

Metode peramalan yang lebih sederhana selalu lebih diinginkan

dibandingkan dengan metode yang rumit karena akan lebih mudah

dirancang, digunakan, dan dipahami. Apabila kesulitan terjadi dengan

penggunaan metode yang sederhana maka akan lebih mudah menelusuri

masalah yang terkait serta melakukan perbaikannya. Namun demikian,

pilihan yang terbaik ialah harus sesuai dengan sasaran penggunaannya.

3. Jelaskan metode kualitatif peramalan?

Metode kualitatif pada umumnya digunakan apabila data kuanitif tentang

permintaan masa lalu tidak tersedia atau akurasinya tidak memadai.

Misalnya peramalan tentang permintaan produk baru juga akan

dikembangkan, jelas data masa lalu tidak tersedia. Walaupun data masa

lalu tersedia, kalau kondisi lingkungan masa yang akan datang sama sekali

sudah berbeda dengan kondisi masa lalu maka keberadaan data masa lalu

itu tidak akan menolong peramalan permintaan masa yang akan datang

4. Jelaskan metode kuantitafi peramalan ?

Peramalan berdasarkan metode kuantitatif (intrinsic forecasting)

mempunyai asumsi bahwa data permintaan masa lalu dari produk atau

item yang diramalkan mempunyai pola yang diperkirakan masih -lanjut ke

masa yang akan datang. Pola permintaan tersebut mungkin kurang jelas

terlihat karena faktor random yang menghasilkan fluktuasi. Peramalan

mencakup analisis data masa lalu untuk menemukan pola permintaan dan

berdasarkan pola ini diproyeksikan besarnya permintaan pada masa yang

akan datang.

5. Sebuah industri manufaktur memiliki data permintaan produk 7 tahun

terakhir sebagai berikut :

Kuarta

l

Tahun

1 2 3 4 5 6 7

I 189 198 187 197 174 181 182II 192 201 177 183 186 194 199III 196 189 202 195 197 187 198IV 182 185 199 201 195 202 189

Total 759 773 765 776 752 764 768

Terapkan metode regresi linier untuk memperkirakan permintaan satu

tahun kedepan (tahun ke 8)

Tahun Yi Xi Xi2 XiYi

1 759 1 1 7592 773 2 4 15463 765 3 9 22954 776 4 16 31045 752 5 25 37606 764 6 36 45847 768 7 49 5376

Total 6364 28 140 21421

Persamaan (2.2): 6364 = 7 a + 28 b

Persamaan (5.3): 21421 = 28 a + 140 b

Dari kedua persamaan tersebut nilai konstanta a = 743 dan b = 41.5. Dengan

demikian,

model matematik permintaan terhadap produk tersebut ialah

Y = 743 + 41.5X

Berdasarkan model peramalan ini, jumlah permintaan produk tersebut pada tahun

berikutnya yaitu tahun ke 8 diramalkan sebagai berikut:

Y8 = 743+ (41.5) (8)

= 1073 unit

Perlu diperhatikan bahwa model matematik ini hanya dapat digunakan untuk

meramalkan jumlah permintaan dalam satu periode ke depan. Jika periode

peramalan dinyatakan dalam satuan tahun maka peramalan permintaan hanya

dapat digunakan untuk memperkirakan 1 tahun ke depan.

Perkiraan faktor musiman terhadap hasil peramalan tersebut dilakukan dengan

menghitung indeks musiman sebagai berikut.

Tabel 2.3 Perhitungan Faktor Musiman Terhadap Jumlah Penjualan

Kuartal Tahun Total Rata -

rata1 2 3 4 5 6 7I 189 198 187 197 174 181 182 1308 186.8571II 192 201 177 183 186 194 199 1332 190.2857III 196 189 202 195 197 187 198 1364 194.8571IV 182 185 199 201 195 202 189 1353 193.2857

Total 759 773 765 776 752 764 768 5357 191.3214

Indeks Kuartal I : (186.8)/(191.3) = =0.97

Indeks Kuartal II : (190.2)/(191.3)

=

= 0.99

Indeks Kuartal III: (194.8)/(191.3) = 1.01

Indeks Kuartal IV: (193.2)/(191.3) = 1.00

Dengan menggunakan indeks kuartal sebagai faktor musiman maka diperkirakan

bahwa jumlah permintaan per musim selama tahun ke 6 adalah sebagai berikut:

Kuartal I : [(0.97)/4](1073) = 260 unit

Kuartal II : [(0.99)/4](1073) = 265 unit

Kuartal III : [(1.01)/4](1073) = 270 unit

Kuartal IV: [(1.00)/4](1073) = 268 unit

Total 1063 unit

Kuarta

l

Tahun

1 2 3 4 5 6 7 8

I 189 198 187 197 174 181 182 260II 192 201 177 183 186 194 199 265III 196 189 202 195 197 187 198 270IV 182 185 199 201 195 202 189 268

Total 759 773 765 776 752 764 768 1063