Program Studi Bisnis Digital • FEB

Manajemen Operasi

Pertemuan 3 — Peramalan Permintaan

Rata-rata bergerak (moving average), exponential smoothing, pola tren, dan cara mengukur ketepatan ramalan lewat MAD, MSE, MAPE. Peramalan permintaan = memperkirakan jumlah barang/jasa yang akan diminta pasar di masa depan.

RPS minggu 3 • 2x50 menit

Tujuan Pembelajaran Hari Ini

Setelah pertemuan ini, Anda mampu menyusun dan mengevaluasi ramalan permintaan dengan metode time-series (Sub-CPMK 3).

CAPAIAN 1 · RATA-RATA

SMA & WMA

Menghitung ramalan dengan Simple Moving Average dan Weighted Moving Average dari data historis.

CAPAIAN 2 · PEMULUSAN

Menerapkan exponential smoothing dan memilih konstanta pemulusan α (alpha) yang tepat.

CAPAIAN 3 · TREN

POLA

Mengenali pola tren, musiman, siklus, acak dalam data permintaan dan menyesuaikan metode peramalan.

CAPAIAN 4 · AKURASI

MAD/MSE/MAPE

Menghitung MAD, MSE, MAPE untuk mengukur dan membandingkan ketepatan beberapa metode ramalan.

Mengapa Peramalan adalah "Titik Nol" Manajemen Operasi?

Hampir semua keputusan operasi bergantung pada ramalan permintaan — kapasitas, persediaan, jadwal produksi, bahkan perekrutan karyawan. Tiga kasus nyata:

RITEL · INDOMARET

STOK LEBARAN

Ramalan permintaan sirup & kue kering terlalu rendah menjelang Lebaran → rak kosong, omzet hilang.

E-COMMERCE · TOKOPEDIA

GUDANG PENUH

Ramalan terlalu tinggi pada kampanye 12.12 → gudang overstock, biaya simpan membengkak.

UMKM · BAKERY

ROTI BASI

Toko roti tanpa metode ramalan → produksi asal tebak, roti sisa basi & terbuang tiap hari.

Ketiga kasus ini punya akar masalah sama: tidak ada metode ramalan sistematis. Hari ini Anda belajar menggantinya dengan angka yang bisa dipertanggungjawabkan.

Bagian 1 dari 3

Dasar Peramalan & Pola Permintaan

Sebelum menghitung, kita kenali dulu jenis peramalan menurut horizon waktu, dan empat pola dasar yang bisa muncul dalam data permintaan.

Horizon Waktu 4 Pola Data

Jenis Peramalan Menurut Horizon Waktu

Pilihan metode peramalan selalu bergantung pada rentang waktu yang diramal. Tiga horizon utama:

TIGA HORIZON PERAMALAN

PENDEK

jadwal produksi & belanja bahan

Fokus pertemuan hari ini — metode kuantitatif time-series.

MENENGAH

perencanaan agregat (P8)

Input untuk strategi chase vs level di Pertemuan 8.

PANJANG

lokasi & kapasitas pabrik

Biasanya kualitatif — pendapat ahli, riset pasar.

Empat Pola Dasar dalam Data Permintaan

Sebelum memilih metode, kenali dulu bentuk pola data historis Anda. Empat pola yang paling sering muncul:

EMPAT POLA — GRAFIK PERMINTAAN vs WAKTU

Contoh Indonesia: tren = pertumbuhan pengguna dompet digital tahunan; musiman = lonjakan penjualan sirup tiap Ramadan; siklus = naik-turun penjualan properti mengikuti siklus ekonomi; acak = lonjakan mendadak akibat viral media sosial.

Rata-rata Bergerak Sederhana (Simple Moving Average)

SMA meramal periode berikutnya sebagai rata-rata dari n periode terakhir — metode paling sederhana untuk data tanpa tren kuat.

Ft₊₁ = (Aₜ + Aₜ₋₁ + … + Aₜ₋ₙ₋₁) ÷ n

MAKNA SIMBOL

Ft₊₁ & At

Ft₊₁ = ramalan periode depan. At = permintaan aktual periode t. n = jumlah periode yang dirata-ratakan.

SIFAT n

n KECIL vs BESAR

n kecil (mis. 3) → lebih responsif terhadap perubahan terbaru. n besar → lebih halus, tapi lambat bereaksi.

SMA memberi bobot sama ke semua periode dalam jendela n — kelemahannya, ia tidak membedakan data minggu lalu dengan data bulan lalu.

Metode paling dasar dalam peramalan time-series adalah rata-rata bergerak sederhana, yang dalam bahasa Inggris disebut simple moving average atau disingkat SMA. Logikanya sangat sederhana: ramalan periode depan sama dengan rata-rata permintaan aktual dari n periode terakhir. Simbol Ft plus satu adalah ramalan untuk periode depan, At adalah permintaan aktual pada periode t, dan n adalah berapa banyak periode terakhir yang kita rata-ratakan. Pilihan n ini penting: kalau n kecil seperti tiga periode, ramalan lebih responsif terhadap perubahan terbaru tapi mudah terpengaruh noise; kalau n besar, ramalan lebih halus dan stabil tapi lambat menangkap perubahan nyata. Kelemahan utamanya, SMA memberi bobot yang sama persis ke semua periode dalam jendela itu, seolah data bulan lalu sama pentingnya dengan data tiga bulan lalu — masalah inilah yang akan kita perbaiki dengan weighted moving average.

Hitung dari Nol: Ramalan SMA 3-Bulan

Data permintaan roti UMKM "Kenanga" (unit/bulan). Kita ramalkan April–Juli dengan rata-rata 3 bulan terakhir.

DATA AKTUAL — JAN–JUN

Bulan	Permintaan (unit)
Januari	120
Februari	132
Maret	126
April	138
Mei	130
Juni	144

RAMALAN SMA(3)

Langkah	Perhitungan	Nilai
F-April	(120+132+126) ÷ 3	126
F-Mei	(132+126+138) ÷ 3	132
F-Juni	(126+138+130) ÷ 3	131,33
F-Juli	(138+130+144) ÷ 3	137,33

Ramalan Juli ≈ 137,33 unit — jendela 3 bulan bergeser maju tiap kali kita punya data baru, sehingga disebut "bergerak" (moving).

Rata-rata Bergerak Tertimbang (Weighted Moving Average)

WMA memperbaiki kelemahan SMA dengan memberi bobot lebih besar ke data terbaru — lebih realistis karena kondisi pasar terkini lebih relevan.

Ft₊₁ = ∑(wₜ × Aₜ) ÷ ∑wₜ

ATURAN BOBOT

wₜ ↑

Bobot w harus dijumlahkan = 1 (atau dinormalisasi). Periode paling baru diberi bobot paling besar.

CONTOH BOBOT 3 PERIODE

3–2–1

Bulan terbaru bobot 3, dua bulan lalu bobot 2, tiga bulan lalu bobot 1. Total bobot = 6.

WMA lebih responsif terhadap perubahan terbaru dibanding SMA — cocok saat pasar bergerak cepat, misalnya tren belanja daring menjelang kampanye diskon.

Kelemahan SMA yang menyamaratakan semua periode kita perbaiki dengan weighted moving average, atau rata-rata bergerak tertimbang. Rumusnya mirip, hanya saja setiap permintaan aktual dikalikan bobot w sebelum dijumlahkan, lalu dibagi total bobotnya. Aturannya, periode yang paling baru harus diberi bobot paling besar, karena kondisi pasar terkini biasanya lebih relevan untuk memprediksi masa depan dibanding data tiga bulan lalu. Contoh yang umum dipakai adalah bobot tiga, dua, satu untuk tiga periode terakhir — bulan terbaru dapat bobot tiga, dua bulan lalu dapat bobot dua, tiga bulan lalu dapat bobot satu, dengan total bobot enam. Metode ini lebih responsif dibanding SMA, sehingga lebih cocok dipakai saat pasar bergerak cepat, misalnya menjelang kampanye diskon besar di platform e-commerce.

Hitung dari Nol: Ramalan WMA dengan Bobot 3–2–1

Data yang sama dengan slide sebelumnya. Bobot: bulan terbaru ×3, dua bulan lalu ×2, tiga bulan lalu ×1 (total bobot 6).

RAMALAN WMA(3–2–1)

Langkah	Perhitungan	Nilai
F-April	(3×126+2×132+120) ÷ 6	127
F-Mei	(3×138+2×126+132) ÷ 6	133
F-Juni	(3×130+2×138+126) ÷ 6	132
F-Juli	(3×144+2×130+138) ÷ 6	138,33

BANDINGKAN DENGAN SMA

WMA > SMA

F-Juli WMA = 138,33 vs SMA = 137,33. WMA sedikit lebih tinggi karena Juni (144, bulan terbaru) dibobot ×3 — lebih peka terhadap lonjakan terbaru.

Sekarang mari kita hitung ulang ramalan yang sama, tapi dengan bobot tiga-dua-satu supaya Anda melihat langsung perbedaannya dari SMA. Untuk ramalan April, bulan terbaru dalam jendela adalah Maret dengan bobot tiga, lalu Februari bobot dua, dan Januari bobot satu; hasilnya seratus dua puluh tujuh, sedikit lebih tinggi dari hasil SMA seratus dua puluh enam. Pola ini berulang sampai ramalan Juli, yang memberi bobot tiga pada Juni sebagai bulan terbaru, menghasilkan seratus tiga puluh delapan koma tiga tiga — lebih tinggi dari SMA seratus tiga puluh tujuh koma tiga tiga. Perbedaan kecil ini bukan kebetulan: karena Juni punya permintaan seratus empat puluh empat, angka tertinggi dalam data, dan WMA memberi bobot terbesar padanya, ramalan WMA jadi lebih peka menangkap lonjakan terbaru dibanding SMA yang menyamaratakan semua bulan.

Coba Sendiri: Bandingkan SMA dan WMA Langsung

Ubah deret data permintaan dan bobot periode untuk melihat bagaimana SMA dan WMA menghasilkan ramalan yang berbeda pada data yang sama.

Bagian 2 dari 3

Exponential Smoothing & Tren

Metode yang lebih hemat data daripada rata-rata bergerak — hanya butuh ramalan terakhir dan satu konstanta pemulusan α (alpha).

Konstanta α Pemulusan Ganda + Tren

Exponential Smoothing: Ramalan dari Satu Angka Sebelumnya

Exponential smoothing memperbarui ramalan dengan mengoreksi ramalan lama memakai sebagian kesalahan (error) periode terakhir.

Ft₊₁ = Ft + α (At − Ft)

MAKNA α (ALPHA)

0 < α < 1

α besar (mis. 0,7) = ramalan sangat responsif, cocok pasar bergejolak. α kecil (mis. 0,1) = ramalan halus & stabil, cocok data relatif tenang.

KEUNTUNGAN UTAMA

HEMAT DATA

Hanya butuh Ft (ramalan terakhir) dan At (aktual terakhir) — tidak perlu simpan seluruh riwayat seperti SMA/WMA.

Istilah "eksponensial" muncul karena bobot data lama meluruh secara eksponensial — data terbaru selalu paling berpengaruh, tanpa harus menentukan jendela n secara manual.

Rumus exponential smoothing terlihat sederhana tapi sangat elegan: ramalan periode depan sama dengan ramalan periode ini, ditambah alpha dikali selisih antara permintaan aktual dan ramalan periode ini. Selisih itu disebut error atau kesalahan ramalan, dan alpha menentukan seberapa besar porsi kesalahan itu kita pakai untuk mengoreksi ramalan berikutnya. Kalau alpha besar, misalnya nol koma tujuh, ramalan sangat responsif dan cocok untuk pasar yang bergejolak cepat; kalau alpha kecil, misalnya nol koma satu, ramalan lebih halus dan stabil, cocok untuk data yang relatif tenang. Keuntungan besar metode ini dibanding moving average adalah kita tidak perlu menyimpan seluruh riwayat data, cukup ramalan terakhir dan aktual terakhir saja — sangat hemat memori, apalagi zaman dulu sebelum komputer semudah sekarang.

Hitung dari Nol: Exponential Smoothing dengan α = 0,3

Ramalan awal F-Januari = aktual Januari = 120. Kita perbarui ramalan bulan demi bulan dengan rumus Ft₊₁ = Ft + α(At−Ft).

PEMBARUAN RAMALAN — α = 0,3

Langkah	Perhitungan	Nilai
F-Februari	120 + 0,3×(120−120)	120
F-Maret	120 + 0,3×(132−120)	123,6
F-April	123,6 + 0,3×(126−123,6)	124,32
F-Mei	124,32 + 0,3×(138−124,32)	128,42

Ramalan bergerak perlahan mendekati aktual (120→128,42) — semakin besar α, semakin cepat ramalan mengejar perubahan aktual.

Perhatikan bagaimana ramalan diperbarui satu per satu, dan langkah pertamanya selalu istimewa: karena kita belum punya ramalan sebelum Januari, kita tetapkan ramalan Januari sama dengan aktualnya, seratus dua puluh. Untuk ramalan Februari, errornya nol karena ramalan sama dengan aktual, jadi ramalan tetap seratus dua puluh. Untuk ramalan Maret, aktual Februari seratus tiga puluh dua dikurangi ramalan seratus dua puluh menghasilkan error dua belas, dikali alpha nol koma tiga menjadi tiga koma enam, ditambahkan ke seratus dua puluh menjadi seratus dua puluh tiga koma enam. Proses ini terus berulang, dan perhatikan bagaimana angka ramalan bergerak perlahan mengejar aktual dari seratus dua puluh menuju seratus dua puluh delapan koma empat dua di bulan Mei — inilah sifat khas exponential smoothing, ia selalu "mengejar" data terbaru dengan kecepatan yang ditentukan oleh alpha.

Exponential Smoothing dengan Tren (Metode Holt)

Exponential smoothing dasar selalu tertinggal saat data punya tren naik/turun terus-menerus. Solusinya: pemulusan ganda (Holt's method) — melacak level DAN tren sekaligus.

FITt = Ft + Tt | Ft = αAt + (1−α)(Ft−1+Tt−1) | Tt = β(Ft−Ft−1) + (1−β)Tt−1

LANGKAH 1 · PERBARUI LEVEL

Sama seperti exponential smoothing biasa, tapi ditambah estimasi tren periode lalu (Ft−1+Tt−1) sebagai basis, bukan Ft−1 saja.

LANGKAH 2 · PERBARUI TREN

Konstanta β (beta) memuluskan perubahan level (Ft−Ft−1) menjadi estimasi tren baru — mirip logika α, tapi untuk arah kemiringan data.

FITt (Forecast Including Trend) = level ditambah tren — inilah ramalan akhir yang dipakai, bukan Ft saja.

Kalau data permintaan Anda punya tren naik terus-menerus, misalnya pertumbuhan pengguna aplikasi fintech setiap bulan, exponential smoothing biasa akan selalu meramal terlalu rendah karena ia hanya mengejar level rata-rata, bukan arah kemiringannya. Metode Holt mengatasi ini dengan melacak dua komponen sekaligus, bukan satu. Langkah pertama, perbarui estimasi level, mirip exponential smoothing biasa tapi basisnya ditambah estimasi tren periode lalu, supaya ramalan level sudah "mengantisipasi" arah pergerakan. Langkah kedua, perbarui estimasi tren itu sendiri memakai konstanta beta, yang memuluskan perubahan level menjadi estimasi kemiringan baru — logikanya persis seperti alpha, hanya diterapkan pada arah tren, bukan levelnya. Ramalan akhir yang benar-benar dipakai disebut FIT, singkatan forecast including trend, yaitu level ditambah tren, bukan level saja.

Latihan Mandiri: Ramalkan Sendiri Data Ini

Toko sepatu daring "Langkah Baru" mencatat penjualan bulanan (unit): Jan=80, Feb=95, Mar=88, Apr=102, Mei=97.

TUGAS KELAS — KERJAKAN 10 MENIT

Hitung ramalan Juni dengan SMA 3-bulan (pakai Mar, Apr, Mei).
Hitung ramalan Juni dengan WMA bobot 3–2–1.
Bandingkan: metode mana yang memberi angka lebih tinggi? Mengapa?

PETUNJUK

CEK ULANG

Gunakan rumus slide 7 & 9. Tulis jawaban di kertas, kita bahas bersama sebelum lanjut ke Bagian 3.

Bagian 3 dari 3

Mengukur Akurasi Peramalan

Meramal tanpa mengukur kesalahan sama saja menembak dalam gelap. Kita pelajari tiga ukuran akurasi standar: MAD, MSE, MAPE.

MAD MSE MAPE

Tiga Ukuran Akurasi: MAD, MSE, MAPE

Ketiganya berangkat dari error (kesalahan) = Aktual − Ramalan, hanya diolah dengan cara berbeda.

MAD

Σ|error| ÷ n

Mean Absolute Deviation

Rata-rata nilai mutlak kesalahan. Satuannya sama dengan data (unit).

MSE

Σerror² ÷ n

Mean Squared Error

Rata-rata error dikuadratkan — menghukum kesalahan besar jauh lebih berat.

MAPE

Σ(|error|/At) ×100%

Mean Absolute Percentage Error

Kesalahan dalam persentase — bisa dibandingkan antar-produk beda skala.

Metode dengan MAD/MSE/MAPE terkecil = paling akurat untuk data historis tersebut. MAPE paling sering dipakai karena mudah diinterpretasi ("rata-rata meleset 7%").

Ketiga ukuran ini semuanya berangkat dari konsep yang sama, yaitu error atau kesalahan, yang dihitung sebagai permintaan aktual dikurangi ramalan, hanya saja diolah dengan cara berbeda. MAD, singkatan mean absolute deviation, merata-ratakan nilai mutlak kesalahan sehingga satuannya sama persis dengan data asli, misalnya unit atau rupiah. MSE, singkatan mean squared error, merata-ratakan kesalahan yang dikuadratkan lebih dulu, sehingga kesalahan besar dihukum jauh lebih berat dibanding kesalahan kecil — cocok kalau Anda sangat tidak ingin ada ramalan yang meleset jauh. MAPE, singkatan mean absolute percentage error, menyatakan kesalahan dalam bentuk persentase terhadap aktual, sehingga bisa dibandingkan antar-produk dengan skala sangat berbeda, misalnya membandingkan akurasi ramalan sepatu dengan akurasi ramalan mobil. Aturan umumnya sederhana: metode dengan angka MAD, MSE, atau MAPE paling kecil adalah metode paling akurat untuk data historis itu.

Hitung dari Nol: MAD, MSE, MAPE dari Ramalan SMA

Bandingkan ramalan SMA (slide 8) dengan aktual sesungguhnya. Data Juli aktual baru masuk: 150 unit.

AKTUAL vs RAMALAN SMA

Bulan	Aktual	Ramalan
April	138	126
Mei	130	132
Juni	144	131,33
Juli	150	137,33

HITUNG UKURAN AKURASI

Langkah	Perhitungan	Nilai
\|error\| tiap bulan	12; 2; 12,67; 12,67	—
MAD	(12+2+12,67+12,67) ÷ 4	9,83
MSE	(144+4+160,45+160,45) ÷ 4	117,23
MAPE	rata-rata(\|error\|/At)×100%	6,87%

Ramalan SMA meleset rata-rata ≈6,87% dari aktual — cukup akurat untuk keputusan operasional harian.

Sekarang kita uji seberapa akurat ramalan SMA yang sudah kita hitung, dengan menambahkan satu data aktual baru, yaitu Juli sebesar seratus lima puluh unit. Pertama, kita hitung nilai mutlak kesalahan tiap bulan: dua belas di April, dua di Mei, dua belas koma enam tujuh di Juni, dan dua belas koma enam tujuh lagi di Juli. Untuk MAD, kita jumlahkan keempat nilai mutlak itu lalu bagi empat, hasilnya sembilan koma delapan tiga unit. Untuk MSE, kita kuadratkan dulu tiap error sebelum dijumlahkan dan dibagi empat, hasilnya seratus tujuh belas koma dua tiga — jauh lebih besar dari MAD karena kuadrat menghukum error besar. Terakhir MAPE, kita bagi tiap error mutlak dengan aktualnya, rata-ratakan, lalu kali seratus persen, hasilnya enam koma delapan tujuh persen — artinya rata-rata ramalan kita meleset kurang dari tujuh persen dari kenyataan, tingkat akurasi yang cukup baik untuk keputusan operasional sehari-hari.

Coba Sendiri: Uji Akurasi Ramalan Exponential Smoothing

Ubah nilai α dan data aktual untuk melihat bagaimana ramalan exponential smoothing bergerak, lalu bandingkan MAD, MSE, dan MAPE-nya.

Kapan Pakai Metode Apa?

Tidak ada metode "terbaik" mutlak — pilihan bergantung pada pola data dan seberapa cepat pasar berubah.

DATA STABIL, TANPA TREN

SMA

Permintaan relatif datar, fluktuasi kecil & acak. Sederhana & cukup akurat.

PASAR BERGERAK CEPAT

WMA / ES α besar

Kampanye diskon, tren viral. Butuh ramalan yang cepat bereaksi ke data terbaru.

ADA TREN JELAS

HOLT (ES+Tren)

Pertumbuhan pengguna aplikasi, ekspansi bisnis. SMA/WMA/ES biasa akan selalu tertinggal.

Cara memastikan pilihan: hitung MAPE beberapa metode pada data historis yang sama, lalu pilih yang MAPE-nya paling kecil — bukan menebak dari "feeling".

Pertanyaan yang paling sering muncul dari mahasiswa adalah, metode mana yang paling bagus? Jawaban jujurnya, tidak ada metode terbaik yang mutlak, semua bergantung pada karakter data dan kecepatan perubahan pasar. Kalau permintaan relatif stabil tanpa tren dan fluktuasinya kecil serta acak, SMA sudah cukup dan lebih sederhana untuk dihitung manual. Kalau pasar bergerak cepat, misalnya menjelang kampanye diskon atau produk sedang viral, gunakan WMA atau exponential smoothing dengan alpha besar supaya ramalan cepat mengejar perubahan. Kalau data punya tren jelas seperti pertumbuhan pengguna aplikasi fintech yang terus naik, gunakan metode Holt dengan komponen tren, karena tiga metode lainnya akan selalu tertinggal di belakang tren yang sebenarnya. Cara paling objektif memastikan pilihan Anda benar bukan dengan menebak, melainkan menghitung MAPE dari beberapa metode pada data historis yang sama, lalu memilih yang MAPE-nya paling kecil.

Ringkasan & Jembatan ke Pertemuan Berikutnya

Hari ini Anda sudah menguasai tiga metode ramalan dan tiga ukuran akurasi — fondasi bagi hampir seluruh keputusan operasi berikutnya.

EMPAT TAKEAWAY UTAMA

SMA & WMA — rata-rata dari n periode terakhir, WMA lebih responsif.
Exponential smoothing — hemat data, dikendalikan konstanta α.
Metode Holt — tambahkan komponen tren agar tidak tertinggal.
MAD/MSE/MAPE — ukur error untuk memilih metode terbaik secara objektif.

MENUJU PERTEMUAN 4

DESAIN PRODUK & JASA

Setelah tahu berapa yang diminta (peramalan), Pertemuan 4 membahas apa yang dirancang untuk memenuhinya: siklus hidup produk & House of Quality.

Ingat baik-baik: ramalan hari ini juga menjadi input langsung untuk Perencanaan Produksi Agregat (Pertemuan 8) dan Manajemen Persediaan (Pertemuan 9).

Mari kita rangkum perjalanan hari ini sebelum berpindah topik. Anda sudah belajar dua metode rata-rata bergerak, simple dan weighted, lalu exponential smoothing yang lebih hemat data, dan metode Holt yang menambahkan komponen tren. Anda juga sudah belajar mengukur akurasi lewat MAD, MSE, dan MAPE, sehingga tidak lagi memilih metode berdasarkan tebakan semata. Pertemuan depan kita bergeser dari pertanyaan "berapa banyak yang akan diminta" menuju "produk seperti apa yang harus dirancang", membahas siklus hidup produk dan alat bernama House of Quality. Yang perlu Anda ingat baik-baik, materi peramalan hari ini bukan topik berdiri sendiri — ia akan muncul kembali sebagai input langsung saat kita membahas perencanaan produksi agregat di Pertemuan 8 dan manajemen persediaan di Pertemuan 9, jadi pastikan Anda benar-benar menguasainya sebelum lanjut.