Chapter 4

FORECASTING DEMAND

( PERAMALAN )

Apakah Peramalan Itu?

Peramalan (forecasting) adalah suatu seni dan ilmu pengetahuan dalam memprediksi

peristiwa pada masa mendatang. Peramalan akan melibatkan mengambil data historis (seperti

penjualan tahun lalu) dan memproyeksikan 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 sebanyak 20% lebih banyak daripada yang telah

ada”). Mungkin akan didasarkan pada data yang didorong oleh permintaan, misalnya rencana

konsumen untuk membeli dan memproyeksikan mereka ke masa yang akan datang. Atau

peramalan akan melibatkan kombinasi 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

dipengaruhi oleh permintaan atas produk yang terkait, sebagai contoh sistem navigasi dapat

menelusuri dengan penjualan mobil baru.

Beberapa bisnis, namun, dapat mengusahakan untuk menghindari proses peramalan hanya

dengan menunggu untuk melihat apa yang terjadi dan kemudian mengambil peluang mereka.

Perencanaan yang efektif baik dalam jangka pendek dan jangka panjang bergantung pada

peramalan permintaan atas produk perusahaan.

Peramalan Horizon Waktu

Peramalan biasanya diklasifikasikan dengan horizon waktu pada masa mendatang yang

melingkupinya. Horizon waktu dibagi dalam tiga kategori sebagai berikut :

1. Peramalan jangka pendek : Peramalan ini memiliki rentang waktu sampai dengan 1 tahun,

tetapi umumnya kurang dari 3 bulan. Digunakan untuk perencanaan pembelian, penjadwalan

pekerjaan, level angkatan kerja, penugasan pekerjaan, dan level produksi.

2. Peramalan jangka menengah : Kisaran menengah, atau intermediate, peramalan umunya

rentang waktu dari 3 bulan hingga 3 tahun. Berguna dalam perencanaan penjualan,

perencanaan produksi dan penganggaran, penganggarann uang kas, dan analisis variasi

rencana operasional.

3. Peramalan jangka 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.

Peramalan dalam jangka menengah dan panjang ditentukan dari peramalan jangka pendek

dengan 3 fitur berikut :

1. Pertama, peramalan jangka menengah dan panjang yang berhubungan dengan permasalahan

yang lebih komprehensif yang mendukung keputusan manajemen mengenai perencanaan

produk, pabrik, dan proses.

2. Kedua, peramalan dalam jangka pendek biasanya menjalankan metodologi yang berbeda

daripada peramalan jangka panjang.

3. Terakhir, seperti yang Anda harapkan, peramalan dalam jangka pendek cenderung lebih akurat

daripada peramalan dalam jangka yang lebih panjang. Faktor-faktor yang mempengaruhi

permintaan dapat berubah setiap harinya. Bahkan, sebagaimana horizon waktu yang semakin

panjang, mungkin keakuratan dari peramalan akan berkurang.

Tipe Peramalan

Organisasi menggunakan tiga tipe peramalan utama dalam merencanakan operasional

untuk masa mendatang :

1. Peramalan ekonomi (economic forecasts) menangani siklus bisnis dengan memprediksikan

tingkat inflasi, uang yang beredar, mulai pembangunan perumahan, dan indicator perencanaan

lainnya.

2. Peramalan teknologi (technological forecasts) berkaitan dengan tingkat perkembangan

teknologi, dimana dapat menghasilkan terciptanya produk baru yang lebih menarik, yang

memerlukan pabrik dan perlengkapan yang baru.

3. Peramalan permintaan (demand forecasts) adalah proyeksi atas permintaan untuk produk atau

jasa dari perusahaan. Peramalan mendorong keputusan sehingga para manajer memerlukan

informasi dengan segera dan akurat mengenai permintaan yang sesungguhnya.

Peramalan ekonomi dan teknologi merupakan teknik khusus yang akan berada diluar

peranan manajer operasional.

Pentingnya Strategi Terhadap Peramalan

Peramalan yang baik adalah sangat penting dalam seluruh aspek bisnis : Peramalan hanya

merupakan estimasi atas permintaan hingga permintaan actual menjadi diketahui. Peramalan

permintaan oleh karenanya akan mendorong keputusan dalam banyak area.

Dampak dari peramalan permintaan produk pada tiga aktivitas :

1. Manajemen Rantai Pasokan

Hubungan yang baik dengan pemasok dan menjamin keunggulan dalam inovasi produk, biaya,

dan kecepatan pada pangsa pasar bergantung pada peramalan yang akurat.

Contoh :

Apple telah membangun sistem global yang efektif dimana dia mengendalikan hampir setiap

hal dari rantai pasokan, dari desain produk hingga gerai pengecer. Dengan data akurat dan

komunikasi cepat yang dibagikan keatas dan kebawah rantai pasokan, inovasi dikembangkan,

biaya persediaan diturunkan, dan kecepatan pada pangsa pasar ditingkatkan. Ketika produk

dijual, apple menelusuri permintaan selama sejam untuk tiap-tiap gerai dan menyesuaikan

peramalan produk setiap hari. Pada apple, peramalan untuk rantai pasokannya merupakan

senjata yang strategis.

2. Sumber Daya Manusia

Perekrutan, pelatihan, dan penempatan pekerja semuanya bergantung pada permintaan yang

diantisipasi. Jika departemen sumber daya manusia harus merekrut pekerja tambahan tanpa

pengetahuan, jumlah pelatihan akan menurun dan kualitas para pekerja akan menurun pula.

3. Kapasitas

Ketika kapasitas tidak memadai, menghasilkan kekurangan yang dapat mengarahkan pada

kehilangan para konsumen dan pangsa pasar. Pada sisi lainnya, ketika kelebihan dalam

kapasitas terjadi, biaya dapat melambung tinggi.

Tujuh Langkah dalam Sistem Peramalan

Peramalan mengikuti tujuh langkah dasar. Kita menggunakan Disney World, yang menjadi

fokus pada bab ini, yaitu Profil Perusahaan Global, sebagai contoh untuk masing-masing langkah

berikut :

1. Menentukan penggunan dari peramalan

2. Memilih barang yang akan diramalkan

3. Menentukan horizon waktu dari peramalan

4. Memilih model peramalan

5. Mengumpulkan data yang diperlukan untuk membuat peramalan

6. Membuat peramalan

7. Memvalidasi dan mengimplementasikan hasilnya

Tujuh langkah ini menyajikan cara yang sistematis untuk memulai, merancang, dan

mengimplementasikan sistem peramalan. Ketika sistem digunakan untuk menghasilkan peramalan

secara teratur atas waktu, data harus dikumpulkan rutin. Kemudian, perhitungan actual biasanya

dibuat dengan computer.

Disamping sistem perusahaan seperti Disney gunakan, tiap perusahaan menghadapi

beberapa kenyataan sebagai berikut :

- Faktor diluar yang tidak dapat kita prediksikan atau kendalikan sering kali mempengaruhi

peramalan.

- Sebagian besar teknik peramalan mengasumsikan bahwa terdapat beberapa stabilitas yang

mendasar didalam sistem. Konsekuensinya, beberapa perusahaan mengotomisasi prediksi

mereka dengan menggunakanperangkat lunak peramalan yang terkomputerisasi, kemudian

memonitor hanya produk barang yang memiliki permintaan tidak menentu.

- Baik produk keluarga maupun peramalan yang menyeluruh lebih akurat daripada peramalan

produk individual

Pendekatan Peramalan

Terdapat dua pendekatan umum untuk peramalan, hanya terdapat du acara untuk mengatasi

seluruh permodelan keputussan. Salah satu adalah analisis kuantitatif; yang satunya lagi adalah

pendekatan kualitatif. Peramalan kuantitatif (quantitative forecasts) menggunakan bermacam-

macam model matematika yang bergantung pada data historis dan/atau variabel asosiatif untuk

meramalkan permintaan. Subjektif atau peramalan kualitatif (qualitative forecasts)

menggabungkan faktor-faktor, misalnya intuisi dari si pengemabil keputusan, emosi, pengalaman

pribadi, dan sistem nilai dalam mencapai peramalan. Beberapa perusahaan menggunakan salah

satu pendekatan dan beberapa menggunakan lainnya. Dalam praktiknya, kombinasi dari keduanya

biasanya yang paling efektif.

Ikhtisar Metode Kualitatif

Dalam bagian ini, kami mempertimbangkan empat teknik peramalan kualitatif yang

berbeda :

1. Opini dari dewan eksekutif (jury of executive opinion) : Berdasarkan pada metode ini, opini

dari sekelompok para ahli yang mumpuni atau manajer, sering kali dikombinasikan dengan

model statistik, dikumpulkan untuk memperoleh sekumpulan estimasi permintaan.

2. Metode Delphi (Delphi method) : terdapat tiga jenis partisipan yang berbeda dalam metode

Delphi : si pengambil keputusan, staf personalia, dan para responden.

3. Gabungan karyawan bagian penjualan (sales force composite) : Dalam pendekatan ini, masing-

masing karyawan bagian penjualan mengestimasi penjualan apa yang ada didalam kawasan

mereka. Peramalan ini kemudian ditinjau ulang untuk memastikan bahwa mereka realistis.

Kemudian, mereka dikombinasikan pada tingkat distrik dan nasional untuk mencapai

keseluruhan peramalan.

4. Survei pasar (market survey). Metode ini mengumpulkan input dari para konsumen atau

konsumen yang potensial mengenai rencana pembelian pada masa mendatang. Hal ini dapat

membantu bukan hanya dalam mempersiapkan peramalan, tetapi juga dalam meningkatkan

desain produk dan perencanaan untuk produk baru.

Ikhtisar Metode Kuantitatif

Dalam bagian ini, terdapat lima teknik untuk metode kuantitatif , dimana semua digunakan

untuk data historis. Teknik ini dibagi menjadi dua kategori :

1. Pendekatan awam

2. Pergerakan rata-rata

3. Penghalusan eksponensial

4. Proyeksi kecenderungan

Time-series models

5. Regresi garis } Associative models

Time-series models adalah teknik peramalan yang digunakan untuk peramalan dengan

mengunakan jenis data lampau.

Associative models, seperti regresi garis, menggabungkan variabel atau faktor yang

mungkin mempengaruhi kuantitas menjadi peramalan.

Peramalan Time-series

Runtun waktu didasarkan pada urutan poin data yang ditempatkan secara merata

(mingguan, bulanan, kuartalan, dan lainnya). Data peramalan runtun waktu mengimplikasikan

bahwa nilai masa mendatang diprediksikan hanya dari nilai masa yang lalu dan variable lainnya,

tidak perduli seberapa bernilainya secara potensial, akan diabaikan.

Penguraian dari Runtun Waktu

Runtun waktu memiliki empat komponen sebagai berikut :

1. Kecenderungan 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 sendirinya setelah satu periode hari,

minggu, bulan, atau kuartalan. Terdapat enam pola musiman secara umum.

3. Siklus adalah pola data dalam data yang terjadi setiap beberapa tahun. Mereka biasanya diikat

kedalam siklus bisnis dan sangat penting dalam analisis bisnis sangat sulit karena mereka

dipengaruhi oleh peristiwa politik atau oleh kerusuhan internasional.

4. Variasi secara acak adalah “blip” didalam data yang disebabkan oleh adanya peluang dan

situasi yang tidak seperti biasanya. Mereka mengikuti pola yang tidak dapat dilihat, sehingga

mereka tidak dapat diprediksikan.

Pendekatan Awam

Cara paling sederhana unutk mengamsusikan bahwa permintaan untuk periode selanjutnya

akan setara dengan permintaan dalam periode yang paling baru. Pendekatan awam (naïve

approach) adalah model peramalan yang paling efektif dalam biaya dan tujuan yang efisien.

Setidaknya model ini menyediakan poin permulaan dimana merupakan model yang paling canggih

yang kemudian dapat dibandingkan.

Pergerakan Rata-rata

Peramalan pergerakan rata-rata (moving averages) menggunakan sejumlah nilai data

aktual historis untuk menghasilkan peramalan. Pergerakan rata-rata bermafaat jika kita dapat

mengasumsikan bahwa permintaan pasar akan tetap kokoh secara wajar selama bertahun-tahun.

Secara sistematis, pergerakan rata-rata yang sederhana (yang berfungsi sebai estimasi permintaan

periode berikutnya) diuraikan sebagai berikut :

∑ permintaan dalam periode n sebelumnya

n

dimana n adalah jumlah periode dalam pergerakan rata-rata sebagai contoh 4,5, atau 6 bulan,

masing-masing untuk 4-,5-, atau 6- periode pergerakan rata-rata.

Pergerakan rata-rata bobot dapat diuraikan secara sistematis sebagai berikut :

∑ ((bobot untuk periode n) Permintaan dalam periode n))

∑ bobot

Pergerakan rata – rata =

Pergerakan =

rata – rata bobot

Baik pergerakan rata-rata yang sederhana dan bobot, keduanya adalah efektif dalam

melancarkan fluktuasi mendadak dalam pola permintaan untuk menyediakan estimasi yang stabil.

Pergerakan rata-rata, namun, menyajikan tiga permasalahan :

1. Meningkatkan ukuran n (jumlah periode rata-rata) yang melancarkan fluktasi dengan lebih

baik, tetapi membuat metode menjadi sedikit sensitif pada perubahan dalam data.

2. Pergerakan rata-rata tidak dapat mengambil kecenderungan dengan sangat bagus.

3. Pergerakan rata-rata memerlukan catatan data masa sebelumnya yang ekstensif

Penghalusan Eksponensial

Penghalusan eksponensial adalah metode peramalan pergerakan rata-rata bobot lainnya.

Ini melibatkan sangat sedikit catatan yang mempertahankan data masa sebelumnya dan mudah

untuk digunakan secara wajar.

Peramalan baru =

Dimana α adalah bobot, atau penghalusan konstan, dipilih oleh peramal, yang memiliki nilai

lebih tinggi daripada atau setara dengan 0 dan kurang dari atau setara dengan 1.

Ft = Ft-1 + α (At-1 – Ft-1)

Dimana Ft = peramalan baru

Ft-1 peramalan periode sebelumnya

α penghalusan atau bobot konstan (0 ≤ = α = < = 1)

At-1 permintaan aktual periode sebelumnya

Memilih penghalusan konstan. Dalam mengambil nilai untuk penghalusan konstan, tujuannya

adalah untuk memperoleh peramalan yang sangat akurat.

Mengukur Kesalahan Peramalan

Kesalah peramalan (atau deviasi) didefinisikan sebagai berikut :

Kesalahan Peramalan = Permintaan Aktual – Nilai Peramalan

= At - Ft

Peramalan periode sebelumnya + α (permintaan actual

periode sebelumnya – Permintaan periode sebelumnya)

Tiga ukuran yang paling terkenal adalah

1. Deviasi rata-rata yang absolut

Ukuran pertama atas keseluruhan dalam kesalahan peramalan untuk model adalah deviasi rata-

rata yang absolut (mean absolute diviation - MAD). Nilai ini dihitung dengan mengambil

jumlah nilai absolut kesalahan peramalan individual (deviasi) dan membaginya dengan jumlah

periode data (n) :

∑ |Aktual – Permintaan|

n

2. Kesalahan rata-rata yang dikuadratkan (mean squared error - MSE)

MSE adalah cara kedua untuk mengukur keseluruhan dalam kesalahan peramalan. MSE adalah

rata-rata perbedaan yang dikuadratkan diantara nilai yang diramalkan dengan yang diamati.

∑ |Kesalahan Peramalan|2

n

Suatu kelemahan dalam menggunakan MSE adalah bahwa dia cenderung untuk menonjolkan

deviasi yang besar sehubungan dengan istilah digandakan. Oleh karena itu, menggunakan MSE

sebagai ukuran atas kesalahan peramalan yang umumnya mengindikasikan bahwa kita lebih

menyukai memiliki beberapa deviasi yang lebih kecil daripada hanya 1 deviasi, tetapi besar.

3. Kesalahan presentase rata-rata yang absolut (mean absolute percent error - MAPE)

Dihitung sebagai perbedaan rata-rata yang absolut antara nilai yang diramalkan dengan

aktualnya, dicerminkan sebagai presentase nilai actual. Hal ini, jika kita memiliki nilai yang

diramalkan dan actual untuk periode n, MAPE dihitung dengan :

∑ 100𝑛𝑖=1 |Aktuali – Peramalani| / Aktuali

n

Penghalusan Eksponensial dan Penyusaian Kecenderungan

Dengan penghalusan eksponensial yang menyesuaikan dengan kecenderungan, estimasi

untuk, baik rata-rata maupun kecenderungan dihaluskan. Prosedur ini mensyaratkan dua

penghalusan konstan α untuk rata-rata dan β untuk kecenderungan. Kemudian, kita menghitung

rata-rata dan kecenderungan tiap periode :

Ft = α (Permintaan actual tiap periode sebelumnya) + (1-α) (Peramalan periode

sebelumnya + Estimasi kecenderungan periode sebelumnya)

MAD =

MAD =

MAPE =

Atau

Ft = α (At-1) + (1-α) (Ft-1 + Tt-1)

Tt = β (Peramalan periode ini – Peramalan periode sebelumnya)

+ (1-β) (Estimasi kecenderungan periode sebelumnya)

Atau

Tt = β (Ft-Ft-1) + (1-β) Tt-1

Dimana

Ft = rata-rata peramalan yang dihaluskan secara eksponensial terhadap serangkaian data

dalam periode t.

Tt = kecenderungan yang dihaluskan secara eksponensial dalam periode t

At = permintaan actual dalam periode t

α = penghalusan konstan untuk rata-rata (0 < = α < = 1)

β = penghalusan konstan untuk kecenderungan (0 < = β < = 1)

Nilai dari penghalusan konstan yang mengikuti kencenderungan, β, menyerupai α konstan

karena β yang lebih besar responsive terhadap perubahan baru dalam kencederungan. Nilai β yang

rendah memberikan bobot yang sedikit dengan kecenderungan yang paling baru dan cenderung

rata untuk meratakan kecenderungan yang telah ada. Nilai β dapat ditemukan dengan pendekatan

coba dan ralat (coba-coba) atau dengan menggunakan perangkat lunk peramalan komersial yang

canggih, dengan MAD yang digunakan sebagai ukuran perbadingan.

Penghalusan eksponensial yang sederhana sering kali disebut sebagai penghalusan urutan

pertama (first-order smoothing). Model penghalusan eksponensial yang lebih canggih lainnya juga

dipergunkan, meliputi yang disesuaikan dengan musiman dan penghalusan tiga kali (triple

smoothing).

Proyeksi Kecenderungan

Metode peramalan runtun waktu sebelumnya (time-series forecasting method) yang akan

kita bahas adalah proyeksi kecenderungan (trend projection). Teknik ini menyesuaikan

kecenderungan dengan rangkaian poin data historis dan kemudian, memproyeksikan kemiringan

garis kedalam peramalan masa mendatang atau dalam jangka menengah hingga jangka panjang.

Variasi Musiman dalam Data

Variasi musiman dalam data adalah pergerakan secara teratur dalam rangkaian data yang

terkait dengan kejadian yang berulang, misalnya cuaca atau hari libur.

Hal yang sama, memahami variasi musiman sangat penting untuk perencanaan kapasitas

dalam organisasi yang menangani lonjakan muatan barang. Dalam apa yang disebut dengan model

musiman perkalian, factor musiman dikalikan dengan estimasi rata-rata permintaan untuk

memproduksi peramalan musiman.

Variasi Siklus pada Data

Siklus (cycles) seperti variasi musiman pada data, tetapi 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 ke resesi selama bertahun-tahun.faktor-faktor ini

meliputi atas ekspansi secara nasional maupun negara dalam waktu euphoria dan penyusutan

perhatian.

Metode Peramalan Asosiatif : Analisis Regresi dan Korelasi

Tidak seperti peramalan runtun waktu, model peramalan asosiatif biasanya

mempertimbangkan beberapa variable yang terkait dengan kuantitas yang akan diprediksikan.

Ketika variable yang terkait ini telah diketahui, model statistika akan dibuat dan digunakan untuk

meramalkan barang menarik. Pendekatan ini lebih kuat daripada metode runtun waktu yang hanya

menggunakan nilai historis untuk peramalan variable.

Metode peramalan asosiatif kuantitatif yang sangat banyak digunakan adalah analilis

regresri linear (linear-regression analysis).

Penggunaan Analisis Regresi untuk Peramalan

Kita dapat menggunakan model matematika yang sama yang kita terapkan dalam metode

kuadrat kecil atas proyeksi kecenderungan untuk membuat analisis regresi linear. Variabel yang

dependen yang akan kita ramalkan tetap adalah ŷ. Akan tetapi, sekarang variabel independen, x,

tidak lagi waktu. Kita menggunakan persamaan :

ŷ = a + bx

Dimana :

ŷ = nilai dari variabel dependen

a = perpotongan sumbu y

b = kemiringan garis regresi

x = variabel independen

Standar Kesalahan dari Estimasi

Untuk mengukur keakuratan dari estimasi regresi, kita harus menghitung standar kesalahan

dari estimasi, Sy,x. Perhitungan ini dinamakan dengan standar deviasi dari regresi. Ini mengukur

kesalahan dari variabel yang dependen, y, terhadap regresi, bukan terhadap rata-rata. Persamaan

merupakan gambaran yang mirip dengan yang ditemukan pada sebagian besar buku statistik untuk

menghitung standar deviasi dari rata-rata aritmatika :

Dimana :

y = nilai y tiap-tiap poin data

yc = nilai variabel dependen yang hiutng, dari persamaan regresi

n = jumlah poin data

Koefesien Korelasi untuk Garis Regresi

Persamaan regresi adalah salah satu cara untuk menggambarkan sifat dari hubungan di

antara dua variabel. Garis regresi bukan berhubungan dengan “sebab dan akibat”. Mereka

menggambarkan hubungan diantara variabel-variabel. Persamaan regresi menunjukan bagaimana

salah satu variabel terkait dengan nilai dan perubahan dalam variabel lainnya.

Cara lainnya unruk mengevaluasi hubungan diantara dua variabel adalah dengan

menghitung koefisian terhadap korelasi. Ukuran ini mencerminkan derajat atau kekuatan

hubungan linear.

Untuk menghitung r, kita menggunakan banyak data yang sama yang diperlukan lebih awal untuk

menghitung a dan b untuk garis regresi. Persamaan yang lebih panjang untuk r adalah :

Analisis Regresi Multipel

Regresi multipel adalah perluasan praktis dari model regresi sederhana yang baru saja kita

pelajari. Ini memungkinkan kita untuk membangun model dengan beberapa variable independen

bukan hanya satu variabel. Sebagai contoh, jika Nodel Construction memasukkan rata-rata tingkat

bunga tahunan dalam modelnya untuk meramalkan penjualan renovasi,maka persamaan yang tepat

akan menjadi sebagai berikut :

ŷ = a + b1x1 + b2x2

dimana :

y = variabel dependen

a = a konstan, perpotongan y

x1 dan x2 = nilai dari dua variabel independen, area sistem penggajian dan tingkat bunga,

masing –masing

b1 dan b2 = koefisien untuk dua variabel independen

Pengawasan dan Pengendalian Peramalan

Salah satu cara untuk memonitor peramalan untuk memastikan bahwa mereka berjalan

dengan baik adalah dengan menggunakan sinyal penelusuran. Sinyal penelusuran adalah

pengukuran mengenai seberapa baiknya peramlaan dalam memprediksikan nilai aktualnya.

Sinyal penelusuran akan dihitung sebagai kumulatif kesalahan dibagi dengan rata-rata

deviasi yang absolut (MAD), yaitu :

Kesalahan Kumulatif

MAD

∑(Permintaan aktual dalam periode i – peramalan permintaan

dalam periode i)

MAD

dimana

∑(Aktual – Peramalan)

N

Sinyal penelusuran yang positif mengindikasikan bahwa permintaan lebih besar daripada

peramalan. Sinyal negatif berarti bahwa permintaan lebih sedikit daripada peramalan. Sinyal

Sinyal Penelusuran =

=

MAD =

penelurusan yang baik, salah satu kumulatif yang rendah memiliki sebanyak mungkin kesalahan

yang positif daripada kesalahan yang negatif.

Penghalusan Adaptif

Peramalan adaptif mengacu pada computer yang memonitor sinyal penelurusan dan

menyusaikan diri jika sinyal melewati limit yang telah ditetapkan. Misalny, ketika diterapkan pada

penghalusan eksponensial, koefisien α dan β yang pertama dipilih pada nilai basis yang

meminimalkan kesalahan peramalan dan kemudian disesuaikan menurut kapan pun computer

mencatat sinyal penelusuran yang menyimpang. Proses ini disebut penghalusan adaptif (adaptive

smoothing).

Peramalan Fokus

Peramalan fokus didasarkan pada dua 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

Peramalan dalam Sektor Jasa

Peramalan dalam sector jasa menyajikan beberapa tantangan yang tidak biasa. Teknik

utama dalam sector ritel adalah menelusuri permintaan dengan mempertahankan laporan catatan

dalam jangka pendek yang baik.

Toko Ritel Khusus. Tempat fasilitas ritel khusus, misalnya took bunga, mungkin memiliki pola

permintaan yang tidak biasa lainnya, dan pola tersebut akan berbeda tergantung pada hari libur.

Restoran Cepat Saji. Restoran cepat saji sangat berhati-hati bukan hanya mingguan, harian, dan

jam, tetapi bahkan 15 menit variasi dalam permintaan yang mempengaruhi penjualan. Oleh karena

itu, peramalan permintaan yang terperinci diperlukan.