Seni dan ilmu untuk memperkirakan kejadian di masa depan.

Hal ini dapat dilakukan dengan melibatkan pengambilan data masa lalu dan menempatkannya ke masa yang akan datang dengan suatu bentuk model matematis. Bisa juga merupakan prediksi intuisi yang bersifat subyektif. Atau bisa juga dengan menggunakan kombinasi model matematis yang disesuaikan dengan pertimbangan yang baik dari seorang manajer.

Peramalan jangka pendekjangka waktu hingga 1 tahun, tapi umumnya kurang dari 3 bulan.u/ merencanakan pembelian, tenaker

Peramalan jangka menengahhitungan bulanan hingga 3 tahun.u/ merencanakan penjualan, anggaran kas

Peramalan jangka panjangumumnya untuk perencanaan masa 3th/lbh.u/ merencanakan produk baru, pengembangan fasilitas.

Perkenalan Pertumbuhan Kematangan Penurunan

Peramalan ekonomi (economic forecast)menjelaskan siklus bisnis dengan memprediksikan tingkat inflasi, ketersediaan uang, dana yang dibutuhkan untuk membangun perumahan dan indikator perencanaan lainnya

Peramalan teknologi (tenological forecast)memperhatikan tingkat kemajuan teknologi yang dapat meluncurkan produk baru yang menarik, yang membutuhkan pabrik dan peralatan baru.

Peramalan permintaan (demand forecast)proyeksi permintaan untuk produk atau layanan suatu perusahaan.

Sumber Daya Manusia Kapasitas Manajemen Rantai Pasokan

1. Menetapkan tujuan permalan2. Memilih unsur apa yang akan diramal3. Menentukan horizon waktu peramalan4. Memilih tipe model peramalan5. Mengumpulakan data yang diperlukan

untuk melakukan peramalan6. Membuat peramalan7. Memvalidasi dan menerapkan hasil

peramalan

Peramalan jarang ada yang sempurna Hampir semua teknik peramalan

mengasumsikan bahwa sistem akan tetap stabil

Baik peramalan kelompok produk maupun peramalan secara keseluruhan lebih akurat daripada peramalan kelompok individu

Tinjauan Metode Kualitatif1. Keputusan dari pendapat juri eksekutif2. Metode Delphi3. Gabungan dari tenaga penjualan4. Survei pasar konsumen

Tinjauan Metode Kuantitatif1. Pendekatan Naif2. Rata-rata bergerak time-

series3. Penghalusan Eksponensial4. Proyeksi Tren5. Regresi Linear asosiatif

Trenpergerakan data sedikit demi sedikitex.perubahan pendapatan

Musimpola data yang berulang pada kurun waktu tertentu seperti hari, minggu, bulan

Sikluspola dalam data yang terjadi setiap beberapa tahun

Variasi Acakmerupakan satu titik khusus dalam data, yang disebabkan oleh peluang dan situasi yang tidak bisa

Cara yang paling sederhana untuk meramal adalah dengan berasumsi bahwa permintaan di periode mendatang akan sama dengan permintaan pada periode terakhir.

Menggunakan sejumlah data aktual masa lalu untuk menghasilkan peramalan.

Secara matematis;

rata-rata bergerak = ∑ permintaan n periode sebelumnya

n

Bulan Penjualan Aktual

Rata-rata Bergerak 3 Bulanan

Januari 10

Februari 12

Maret 13

April 16 (10 + 12 + 13)/ 3 = 11 2/3

Mei 19

Juni 23

Juli 26

Agustus 30

September 28

Oktober 18

November 16

Desember 14

Rata-rata bergerak dengan pembobotan=∑ (bobot pada periode n) (permintaan pada periode n)

∑bobot

Contoh di atas, dengan bobot=

Bobot yang Diberikan Periode

3 Bulan lalu

2 Dua bulan lalu

1 Tiga bulan lalu

6 Jumlah total bobot

Bulan Penjualan

Aktual

Rata-rata Bergerak 3 Bulanan MAD

Januari 10

Februari 12 11+(0,3(10-11))= 10,7 (11) 1

Maret 13 11+(0,3(12-11))= 11,3 (11) 2

April 16 [(10)+(2x12)+(3x13)]/ 6 = 12 1/6

Mei 19

Juni 23

Juli 26

Agustus 30

September

28

Oktober 18

November 16

Desember 14

1. Bertambahnya jumlah n meredam fluktuasi, tetapi membuat metode ini kurang sensitif

2. Rata-rata bergerak tidak dapat menggambarkan tren dengan baik

3. Rata-rata bergerak membutuhkan data masa lalu yang ekstensif.

Peramalan Baru= Peramalan periode lalu +

α (permintaan aktual periode lalu - peramalan periode lalu)

Atau

Ft = F t-1 + α (At-1 – Ft-1)

Dimana, Ft = peramalan baru Ft-1 = peramalan sebelumnya α = konstanta penghalus (pembobot) (0 ≤ α ≤

1)

Pada bulan Januari, sebuah dealer mobil memprediksi permintaan Ford Mustang di bulan Februari sebanyak 142 mobil. Permintaan aktual bulan Februari adalah 153 mobil. Dengan menggunakan konstanta penghalusan yang dipilih oleh pihak manajemen, α= 0,20, kita dapat meramalkan permintaan di bulan Maret dengan menggunakan model penghalusan eksponensial. Dengan memasukan data sampel ke dalam rumus, kita mendapatkan;

Peramalan baru (untuk permintaan bulan Maret) = 142 + 0,2 (153-142)= 142 + 2,2= 144,2

Kesalahan Peramalan = Permintaan aktual – Nilai Peramalan

Mean Absolut Deviation

MAD = ∑∣aktual-peramalan∣ n

Mean Squared ErrorMSE = ∑(kesalahan peramalan)

n

Teknik ini mencocokkan garis tren pada serangkaian data masa lalu dan memproyeksikan garis pada masa datang untuk peramalan jangka menengah atau jangka panjang.

ŷ= a + bxDimana;ŷ= nilai terhitung dari variabel yang akan diprediksi

a= persilangan sumbu yb= kemiringan garis regresix= variabel bebas

b = ∑ xy – nx y ∑ x2 – nx2

a = y – bx∑ = tanda penjumlahan totalx = nilai variabel bebasy = nilai variabel terikatx = rata-rata nilai xy = rata-rata nilai yn = jumlah data atau pengamatan

Tahun Permintaan Daya Listrik

Tahun Permintaan Daya Listrik

1997 74 2001 105

1998 79 2002 142

1999 80 2003 122

2000 90

Tahun

Periode Waktu (x)

Permintaan Daya Listrik (y)

x2 xy

1997 1 74

1998 2 79

1999 3 80

2000 4 90

2001 5 105

2002 6 142

2003 7 122

28 692