Program Studi Manajemen • FEB UNDIP • Pertemuan 8 (Minggu 9)

Manajemen Sains

Pertemuan 8 — Teknik Peramalan dalam Manajemen

Bagaimana memperkirakan permintaan masa depan secara sistematis — dari moving average hingga trend projection — dan cara mengukur seberapa akurat ramalan kita.

RPS Minggu 9 • Sub-CPMK 6 • Durasi 2 × 50 Menit

Selamat datang di Pertemuan 8 Manajemen Sains. Hari ini kita memulai Blok III mata kuliah ini yang mencakup tiga topik besar: teknik peramalan, manajemen inventaris, dan manajemen proyek PERT & CPM — dan kita mulai dari fondasi yang paling mendesak, yaitu meramal. Hampir setiap keputusan manajerial — berapa stok yang harus dipesan, berapa kapasitas produksi yang dibutuhkan, berapa tenaga kerja yang harus direkrut — bergantung pada perkiraan tentang masa depan. Tanpa peramalan yang sistematis, manajer hanya berjalan menggunakan insting, dan dalam skala bisnis yang besar atau dalam ketidakpastian tinggi, insting saja tidak cukup. Hari ini kita akan mempelajari cara meramal secara ilmiah: dari metode sederhana seperti moving average hingga trend projection, serta cara mengukur dan membandingkan akurasi setiap metode.

Tujuan Pembelajaran Hari Ini

Setelah pertemuan ini, Anda diharapkan mampu menjelaskan dan menerapkan teknik peramalan (Sub-CPMK 6):

Capaian 1 — Jenis Metode

Membedakan kualitatif vs kuantitatif dan memilih metode yang tepat sesuai konteks data.

Capaian 2 — Hitung SMA/WMA/ES

Menghitung Simple Moving Average, Weighted Moving Average, dan Exponential Smoothing dari data aktual.

Capaian 3 — Trend Projection

Membangun persamaan regresi linier least squares dan memproyeksikan permintaan masa depan.

Capaian 4 — Akurasi

Menghitung MAE (Mean Absolute Error), MAPE (Mean Absolute Percentage Error), MSE (Mean Squared Error) dan merekomendasikan metode terbaik.

Tanpa Ramalan, Bisnis Berjalan Buta

Dua perusahaan besar Indonesia sangat bergantung pada peramalan agar tidak merugi.

Indofood — Indomie

Indomie diproduksi di pabrik dengan lead time (jeda produksi) panjang. Jika ramalan permintaan terlalu rendah → stok habis, kehilangan penjualan. Jika terlalu tinggi → stok menumpuk, biaya simpan melonjak. Peramalan tepat = keseimbangan optimal.

PLN — RUPTL 2024–2033

PLN harus membangun pembangkit 10–15 tahun sebelum listrik dibutuhkan. RUPTL (Rencana Usaha Penyediaan Tenaga Listrik) memproyeksikan permintaan listrik Jawa-Bali untuk 2033 — harus dibuat sekarang agar kapasitas tersedia tepat waktu.

Peramalan bukan soal meramalkan masa depan dengan sempurna — melainkan mengurangi ketidakpastian cukup agar keputusan yang lebih baik bisa diambil.

Sebelum masuk ke teknik, saya ingin meyakinkan Anda bahwa peramalan bukan hanya soal akademik — ini sangat nyata dan sangat mahal jika salah. Ambil contoh Indofood yang memproduksi Indomie: pabrik mereka membutuhkan waktu berhari-hari hingga berminggu-minggu untuk merespons perubahan permintaan, sehingga jika ramalan terlalu rendah, rak-rak toko kosong dan konsumen beli merek lain; jika terlalu tinggi, gudang penuh mi yang mendekati kedaluwarsa. Di sisi lain, PLN harus merencanakan pembangkit listrik jauh-jauh hari, dan RUPTL yang mereka terbitkan mencantumkan proyeksi permintaan listrik Jawa-Bali sampai tahun 2033. Jadi pertanyaannya bukan apakah kita perlu meramal, karena setiap perusahaan pasti meramal, sadar atau tidak; pertanyaannya adalah apakah kita meramal secara sistematis dan terukur, atau sekadar menebak.

Bagian 1 dari 4

Apa & Mengapa Peramalan

Definisi, jenis metode, dan empat komponen deret waktu — fondasi sebelum berhitung.

Definisi Jenis Komponen

Peramalan (Forecasting): Apa & Untuk Apa?

Peramalan adalah proses estimasi sistematis nilai variabel di masa depan berdasarkan data historis, pola, dan asumsi eksplisit. Error peramalan (forecast error) — selisih antara aktual dan ramalan — selalu ada; tujuan bukan nol-error melainkan minimasi.

Tujuan Peramalan

Mengurangi ketidakpastian → keputusan lebih baik: berapa stok dipesan, kapasitas apa yang dibangun, tenaga kerja berapa yang direkrut, anggaran berapa yang disiapkan.

Bukan Sihir

Ramalan selalu mengandung error. Tujuan bukan nol-error, melainkan meminimalkan error secara sistematis dan mengetahui batas ketidakpastiannya.

Fungsi Manajerial	Variabel yang Diramalkan
Produksi / Operasi	Permintaan produk, kebutuhan bahan baku
Keuangan	Arus kas, pendapatan, biaya
SDM	Kebutuhan tenaga kerja, absensi
Pemasaran	Pangsa pasar, respons promosi

Dua Keluarga Besar Metode Peramalan

Kualitatif

Berdasarkan pendapat ahli, riset pasar, survei. Dipakai saat tidak ada data historis atau kondisi sangat baru.

Delphi Method: panel ahli menjawab anonim, iteratif.
Market Research: survei konsumen tentang niat beli.
Expert Judgment: manajer senior / konsultan memberi estimasi.

Kuantitatif

Berdasarkan data historis dan rumus matematika/statistik. Lebih objektif, terukur, dan dapat diulang.

Deret waktu: SMA, WMA, ES, Trend Projection, Seasonal Index.
Kausal: regresi berganda (permintaan ~ harga, iklan, dll.).

Aturan praktis: kalau punya data ≥12 periode historis → mulai dengan kuantitatif. Kalau produk/pasar baru tanpa histori → mulai kualitatif, lalu beralih ke kuantitatif setelah data terkumpul.

Sebelum memilih teknik spesifik, kita harus memahami dua keluarga besar metode peramalan. Metode kualitatif mengandalkan pengetahuan manusia — panel ahli via Delphi Method, riset pasar lewat survei konsumen, atau penilaian tim manajemen senior. Ini berguna saat data historis tidak ada, misalnya untuk produk yang belum pernah ada di pasar. Metode kuantitatif, yang menjadi fokus utama hari ini, menggunakan data historis dan rumus yang konsisten — hasilnya lebih objektif dan dapat diverifikasi. Aturan praktis yang saya sarankan: bila Anda punya data historis setidaknya dua belas periode, mulailah dengan metode kuantitatif; bila produk atau situasinya benar-benar baru tanpa histori apapun, gunakan kualitatif dulu untuk mendapat angka pertama, lalu setelah data mulai terkumpul, beralih ke kuantitatif untuk akurasi yang lebih terukur.

Empat Komponen Deret Waktu (Time Series)

Data historis biasanya merupakan campuran dari empat pola berbeda. Identifikasi komponen yang dominan sebelum memilih metode.

1 — Trend (T)

Kecenderungan naik atau turun jangka panjang. Contoh: penjualan smartphone Indonesia tumbuh bertahun-tahun; emisi karbon naik dekade demi dekade.

2 — Musiman / Seasonal (S)

Pola berulang dalam satu periode kalender (kuartal/bulan/minggu). Contoh: penjualan baju Lebaran melonjak tiap Ramadan; listrik Bali naik tiap musim liburan.

3 — Siklikal / Cyclical (C)

Fluktuasi multi-tahun terkait siklus ekonomi makro. Contoh: penjualan properti naik-turun mengikuti siklus ekonomi 5–10 tahun.

4 — Irregular / Residual (I)

Komponen acak, tidak berpola, tidak dapat diprediksi. Noise. Contoh: penurunan penjualan restoran saat ada protes dadakan di sekitar lokasi.

SMA/WMA/ES untuk data tanpa trend dominan. Trend Projection untuk data ber-trend linier. Seasonal Index untuk data musiman.

Sebelum kita bisa memilih metode yang tepat, kita perlu memahami bahwa data deret waktu yang kita lihat sehari-hari sebenarnya adalah campuran dari beberapa komponen yang bercampur aduk menjadi satu angka. Komponen pertama adalah trend, yaitu arah jangka panjang — apakah secara keseluruhan angka cenderung naik, turun, atau datar selama bertahun-tahun. Komponen kedua adalah musiman, yaitu pola yang berulang pada siklus kalender — penjualan kembang api selalu melonjak menjelang tahun baru. Komponen ketiga adalah siklikal, yang mirip musiman tapi lebih panjang periodenya dan terkait siklus ekonomi makro, seperti industri properti Indonesia yang biasanya melewati siklus boom dan bust dalam rentang lima hingga sepuluh tahun. Komponen keempat adalah irregular atau residual, yaitu gangguan acak yang tidak bisa diprediksi. Memahami komponen mana yang dominan dalam data Anda adalah langkah pertama memilih metode yang paling cocok.

Bagian 2 dari 4

Metode Kuantitatif Deret Waktu

Simple Moving Average • Weighted Moving Average • Exponential Smoothing • Trend Projection • Seasonal Index — hitung dari nol.

F(t+1) = (Y_t + Y_t−1 + … + Y_t−n+1) / n

SMA WMA ES Trend Projection Seasonal Index

Simple Moving Average (SMA) — Rata-Rata Bergerak Sederhana

Ramalan untuk periode berikutnya = rata-rata n periode terkini. Jendela (window) selebar n bergeser maju tiap periode.

F(t+1) = (Y_t + Y_t−1 + … + Y_t−n+1) / n

F(t+1) = ramalan periode berikutnya • Y_t = aktual periode terkini • n = lebar jendela (ditentukan analis)

Bulan	Aktual	SMA-3 (Ramalan)
1	100	—
2	120	—
3	110	—
4	—	(100+120+110)/3 = 110,0

Kelemahan SMA: (1) bobot sama semua periode — data 3 bulan lalu dianggap sama pentingnya dengan bulan terakhir. (2) Lambat merespons perubahan mendadak. (3) Kehilangan data n−1 periode di awal.

Hitung dari Nol — HDN-1A: SMA Penjualan Toko Ritel

Data penjualan bulanan (unit) toko ritel 6 bulan pertama: 200, 220, 210, 240, 230, 260. Hitung SMA-3 untuk bulan ke-4 s.d. ke-7.

Bulan	Aktual (Y)	SMA-3 (F)	Error = Y−F	\|Error\|
1	200	—	—	—
2	220	—	—	—
3	210	—	—	—
4	240	(200+220+210)/3 = 210,0	+30,0	30,0
5	230	(220+210+240)/3 = 223,3	+6,7	6,7
6	260	(210+240+230)/3 = 226,7	+33,3	33,3
7 (proyeksi)	—	(240+230+260)/3 = 243,3	—	—

F(7) = 243,3 unit MAE bulan 4–6 = (30,0 + 6,7 + 33,3)/3 = 23,3 unit • MAPE = (12,5% + 2,9% + 12,8%)/3 = 9,4%. SMA-3 reaktif namun tertinggal saat trend naik (lag).

Weighted Moving Average (WMA) — Rata-Rata Berbobot

Perbaikan SMA: data terkini diberi bobot (w) lebih besar. Syarat: Σw = 1.

F(t+1) = w₁Y_t + w₂Y_t−1 + w₃Y_t−2 + …

Contoh bobot (n=3): w₁=0,5 (terkini) • w₂=0,3 • w₃=0,2 • Σ=1,0 ✓

Metode	Bobot Terkini	Bobot Terlama
SMA-3	33,3%	33,3%
WMA (0,5;0,3;0,2)	50%	20%

HDN-WMA (data sama, bobot 0,5/0,3/0,2):
F(4) = 0,5×210 + 0,3×220 + 0,2×200 = 105+66+40 = 211,0
F(5) = 0,5×240 + 0,3×210 + 0,2×220 = 120+63+44 = 227,0
F(6) = 0,5×230 + 0,3×240 + 0,2×210 = 115+72+42 = 229,0
F(7) = 0,5×260 + 0,3×230 + 0,2×240 = 130+69+48 = 247,0

WMA F(7) = 247,0 unit (vs SMA-3: 243,3). Bobot 50% untuk bulan terbaru membuat ramalan lebih tinggi karena data terbaru (260) mendapat pengaruh lebih besar. Kelemahan: bobot dipilih subjektif, tidak ada formula otomatis.

Exponential Smoothing (ES) — Pelicinan Eksponensial

Ramalan berikutnya = ramalan sebelumnya + koreksi sebesar α × error sebelumnya. Hanya satu parameter: α (alpha, konstanta kelicinan — smoothing constant).

F(t+1) = F_t + α × (Y_t − F_t) = α × Y_t + (1−α) × F_t

0 < α < 1 • Y_t = aktual periode t • F_t = ramalan untuk periode t

α	Interpretasi
α dekat 0 (mis. 0,1)	Ramalan sangat halus, lambat merespons perubahan. Bagus untuk data stabil.
α dekat 1 (mis. 0,9)	Ramalan sangat responsif, mengikuti data terkini. Bagus untuk data volatil.
α = 0,3	Titik tengah lazim, sering dipakai sebagai default awal.

Keunggulan ES: (1) hanya butuh satu parameter α; (2) memberi bobot eksponensial makin kecil pada data masa lalu — tanpa harus menyimpan seluruh data historis.

Exponential Smoothing adalah salah satu metode peramalan paling elegan dalam Manajemen Sains, karena dengan satu parameter saja — alpha — kita bisa mengontrol seberapa reaktif ramalan kita terhadap perubahan data terbaru. Bacanya: ramalan berikutnya sama dengan ramalan kita sebelumnya, ditambah koreksi sebesar alpha dikali error yang baru saja kita buat. Jika alpha besar, koreksi kita besar dan ramalan sangat mengikuti data terbaru; jika alpha kecil, koreksi kecil dan ramalan lebih stabil. Yang indah dari metode ini adalah ia secara implisit memberi bobot eksponensial: data bulan lalu dapat bobot alpha, dua bulan lalu dapat bobot alpha kali (1−alpha), dan seterusnya, mengecil secara eksponensial semakin jauh ke belakang. Ini jauh lebih elegan dari WMA yang membutuhkan penentuan bobot manual.

Hitung dari Nol — HDN-1B: ES α=0,3, Mulai Bulan ke-2

Data sama (bulan 1–6: 200, 220, 210, 240, 230, 260). Inisialisasi F(1) = Y(1) = 200. α = 0,3.

Bln	Y	Ramalan ES (F)	Error	\|Error\|
1	200	200,0 (inisialisasi)	0	0
2	220	200+0,3×(200−200) = 200,0	+20	20
3	210	200+0,3×(220−200) = 206,0	+4	4
4	240	206+0,3×(210−206) = 207,2	+32,8	32,8
5	230	207,2+0,3×(240−207,2) = 217,0	+13,0	13,0
6	260	217,0+0,3×(230−217,0) = 220,9	+39,1	39,1
7 (proyeksi)	—	220,9+0,3×(260−220,9) = 232,6	—	—

Metode	MAE (bln 4–6)	MAPE (bln 4–6)
SMA-3	23,3	9,4%
ES α=0,3	28,3	11,4%

Pada data ini, SMA-3 sedikit lebih akurat (MAPE 9,4% vs 11,4%). Namun ES dengan α lebih tinggi (mis. 0,5) bisa lebih baik untuk data ber-tren naik. Evaluasi dengan MAPE sebelum memilih.

Trend Projection — Regresi Linier Least Squares

Saat data punya trend linier jangka panjang, cocokkan garis lurus Ŷ = a + bt ke data historis menggunakan metode least squares (kuadrat terkecil).

Ŷ = a + bt
b = (ΣtY − n·t̄·Ȳ) / (Σt² − n·t̄²)
a = Ȳ − b·t̄

t = indeks waktu (1,2,3,…,n) • Y = nilai aktual • t̄ = rata-rata t • Ȳ = rata-rata Y • n = jumlah periode

t	Y	t²	tY
1	Y₁	1	1·Y₁
…	…	…	…
n	Y_n	n²	n·Y_n
Σ	ΣY	Σt²	ΣtY

Least squares mencari garis yang meminimalkan jumlah kuadrat selisih vertikal antara titik data dan garis — hasilnya adalah garis “terbaik” secara matematis.

Ketika data memiliki trend naik atau turun yang konsisten selama bertahun-tahun, metode SMA dan ES akan selalu tertinggal karena mereka tidak secara eksplisit memodelkan arah trend. Solusinya adalah Trend Projection: kita cocokkan garis lurus ke data historis menggunakan metode least squares, lalu memproyeksikan garis itu ke periode masa depan. Persamaan garisnya adalah Ŷ sama dengan a ditambah b kali t, di mana a adalah intercept dan b adalah slope (kenaikan rata-rata per periode). Metode least squares mencari nilai a dan b yang meminimalkan jumlah kuadrat selisih antara setiap titik data aktual dan garis kita. Rumus b dan a yang ada di slide ini adalah hasil derivasi matematis dari kondisi minimasi tersebut — Anda tidak perlu menurunkan ulang rumusnya, tetapi Anda harus bisa mengisinya ke dalam tabel Sigma dan menghitung hasilnya.

Hitung dari Nol — HDN-2: Trend Projection Permintaan Distributor

Data permintaan tahunan (ribu unit): t=1→42 • t=2→47 • t=3→51 • t=4→55 • t=5→62. Hitung persamaan trend & proyeksikan t=6 dan t=7.

t	Y	t²	tY
1	42	1	42
2	47	4	94
3	51	9	153
4	55	16	220
5	62	25	310
Σ	257	55	819
t̄ = 15/5 = 3,0		Ȳ = 257/5 = 51,4

Hitung b & a

b = (819 − 5×3×51,4) / (55 − 5×9)
= (819 − 771) / (55 − 45)
= 48 / 10 = 4,8

a = 51,4 − 4,8×3 = 51,4 − 14,4 = 37,0

Persamaan & Proyeksi

Ŷ = 37,0 + 4,8t

t=6: 37,0 + 4,8×6 = 65,8 ribu unit
t=7: 37,0 + 4,8×7 = 70,6 ribu unit

MAPE (t=1–5) = 1,2% — sangat baik (<10%)

Kita hitung trend projection dari nol menggunakan data lima tahun. Langkah pertama selalu sama: buat tabel Sigma dengan kolom t, Y, t kuadrat, dan tY, lalu isi baris per baris dan hitung totalnya. Dari tabel tadi, Sigma t adalah 15, Sigma Y adalah 257, Sigma t kuadrat adalah 55, dan Sigma tY adalah 819. t-bar adalah 3 dan Y-bar adalah 51,4. Masukkan ke rumus b: pembilangnya adalah 819 dikurangi 5 dikali 3 dikali 51,4, hasilnya 819 dikurangi 771 sama dengan 48; penyebutnya adalah 55 dikurangi 5 dikali 9 sama dengan 10; maka b adalah 4,8. Kemudian a adalah Y-bar dikurangi b kali t-bar, yaitu 51,4 dikurangi 14,4 sama dengan 37,0. Persamaan trendnya adalah Ŷ sama dengan 37 ditambah 4,8t, artinya permintaan tumbuh rata-rata 4.800 unit per tahun. MAPE sebesar 1,2 persen menunjukkan fit yang sangat baik.

HDN-3: Seasonal Index Method — dari Data Mentah ke Ramalan Musiman

Saat data punya pola musiman (mis. wisatawan hotel melonjak tiap Juli), Seasonal Index memisahkan pola musiman dari trend. Lima langkah dari data mentah:

S_i = Avg_i / Avg_total • Ramalan Musiman = Ŷ_trend × S_i

Kuartal	Th1	Th2	Th3	Avg_i
Q1 (Jan–Mar)	740	810	850	800
Q2 (Apr–Jun)	840	900	960	900
Q3 (Jul–Sep)	1.200	1.320	1.380	1.300
Q4 (Okt–Des)	950	1.000	1.050	1.000

Hitung Indeks Musiman

Avg_total = (800+900+1.300+1.000)/4 = 1.000

S_Q1 = 800/1.000 = 0,80
S_Q2 = 900/1.000 = 0,90
S_Q3 = 1.300/1.000 = 1,30 (puncak!)
S_Q4 = 1.000/1.000 = 1,00
Σ S = 4,00 → rata-rata = 1,00 ✓

Ramalan Q1 T4 (Ŷ_trend=1.050): 1.050×0,80 = 840 ribu
Ramalan Q3 T4: 1.050×1,30 = 1.365 ribu (puncak liburan)

Seasonal Index Method lahir untuk menjawab pertanyaan yang sangat praktis: jika permintaan saya naik setiap Lebaran atau setiap Juli karena musim liburan sekolah, bagaimana cara memasukkan pola ini ke dalam ramalan secara kuantitatif? Kita hitung dari data mentah tiga tahun wisatawan hotel; langkah pertama adalah mengelompokkan per kuartal dan menghitung rata-ratanya masing-masing. Kemudian hitung rata-rata keseluruhan dari keempat Avg_i tersebut (dalam contoh ini 1.000), lalu bagi masing-masing Avg_i dengan 1.000 untuk mendapat indeks musiman. Hasilnya: Q3 punya indeks 1,30 yang berarti Juli–September rata-rata 30 persen di atas rata-rata tahunan — informasi berharga yang sama sekali tidak tertangkap oleh SMA atau ES sederhana. Indeks musiman rata-rata harus sama dengan 1,0 (atau Sigma harus sama dengan jumlah kuartal); jika tidak, normalkan sebelum dipakai.

Bagian 3 dari 4

Ukuran Akurasi & Pemilihan Metode

MAE • MSE • RMSE • MAPE — empat ukuran inti; MASE & MDA sebagai pengayaan.

MAPE = (1/n) × Σ |Y_t − F_t| / Y_t × 100%

MAE MSE RMSE MAPE ★

Empat Ukuran Akurasi Inti Peramalan

e_t = Y_t − F_t (error periode t). n = jumlah periode dievaluasi. Fokus operasional: empat metrik yang dipakai di HDN dan soal ujian.

Singkatan	Nama Lengkap	Rumus	Satuan
MAE	Mean Absolute Error	(1/n) Σ\|e_t\|	Unit data
MSE	Mean Squared Error	(1/n) Σe_t²	Unit²
RMSE	Root Mean Squared Error	√MSE	Unit data
MAPE ★	Mean Absolute Percentage Error	(1/n) Σ(\|e_t\|/Y_t)×100	%

MAPE	Kualitas
< 10%	Sangat baik
10–20%	Baik
20–50%	Wajar
> 50%	Buruk

Rekomendasi: untuk pemilihan metode & komunikasi manajemen → gunakan MAPE. Untuk hukum outlier berat → MSE/RMSE. Cek tanda rata-rata e_t: positif = meramal terlalu rendah secara sistematis; negatif = terlalu tinggi.

Pengayaan (tidak diujikan dari-nol): MASE (Mean Absolute Scaled Error) = MAE / MAE_naif; MASE < 1 lebih baik dari ramalan naif. Contoh: MAE kita = 12, MAE naif = 20 → MASE = 0,60. MDA (Mean Directional Accuracy) = % prediksi arah naik/turun yang benar — berguna untuk pasar keuangan seperti saham BBCA atau TLKM di BEI.

Memilih Metode Peramalan Terbaik

Tidak ada metode universal terbaik. Terapkan semua kandidat pada data historis (in-sample), ukur MAPE masing-masing, lalu pilih yang terendah.

Metode	Parameter	MAE	MAPE	Peringkat
SMA-3	n=3	18,2	8,5%	3
SMA-6	n=6	21,4	10,1%	4
ES	α=0,2	16,8	7,9%	2
ES	α=0,4	15,3	7,2%	1 ✓
Trend Projection	—	14,9	6,9%	1 (tie) ✓

Pemenang: ES α=0,4 atau Trend Projection (MAPE ~7%). Jika data punya trend naik yang jelas, pilih Trend Projection. Jika stasioner, pilih ES α=0,4.

Prinsip parsimonious: jika dua metode MAPE-nya sangat dekat, pilih yang lebih sederhana (lebih mudah dijelaskan ke manajemen & lebih sedikit asumsi).

Bagaimana cara memilih metode terbaik secara praktis? Prosesnya terstruktur: pertama, terapkan semua metode kandidat ke data historis yang sama; kedua, hitung MAPE masing-masing; ketiga, pilih metode dengan MAPE terendah. Tabel di slide ini contohnya: dari empat metode yang diuji, ES alpha=0,4 dan Trend Projection keduanya menghasilkan MAPE sekitar 7 persen. Karena MAPE keduanya hampir sama, kita terapkan prinsip parsimonious: jika data punya trend naik yang jelas, pilih Trend Projection karena secara konseptual lebih tepat; jika tidak ada trend jelas, pilih ES yang lebih fleksibel. Satu catatan penting: MAPE in-sample bisa terlalu optimis karena kita mengevaluasi metode pada data yang sama yang dipakai untuk membangun model; dalam praktek profesional, lebih baik menyisihkan 20–30 persen data terakhir sebagai holdout set untuk evaluasi yang lebih jujur.

Studi Kasus: PLN Meramal Permintaan Listrik Jawa-Bali

RUPTL PLN 2024–2033 memproyeksikan pertumbuhan kebutuhan listrik sistem Jawa-Bali berbasis metode kuantitatif dan skenario makro.

Konteks

PLN harus membangun pembangkit 10–15 tahun sebelum beroperasi. Kesalahan ramalan 10% ke bawah = pemadaman bergilir; 10% ke atas = aset nganggur, rugi miliaran rupiah dari investasi yang tidak terpakai.

Metode yang Digunakan

Regresi berganda (permintaan listrik ~ PDB, jumlah pelanggan, harga). Trend projection untuk baseline. Data: BPS, BKPM, dan historis PLN. Tiga skenario: optimis, moderat, pesimis.

Skenario	Pertumbuhan Rata-rata/Tahun
Optimis	~5,4%
Moderat (base)	~4,1%
Pesimis	~2,8%

Pelajaran: peramalan besar menggunakan beberapa skenario, bukan satu angka tunggal — karena ketidakpastian masa depan terlalu besar untuk dipaksa jadi satu titik.

Studi kasus pertama membawa kita ke RUPTL PLN, dokumen perencanaan kapasitas listrik yang diterbitkan setiap dua tahun dan menjadi acuan pembangunan pembangkit nasional. PLN tidak memakai satu metode tunggal; mereka menggunakan regresi berganda di mana permintaan listrik dimodelkan sebagai fungsi dari pertumbuhan ekonomi, jumlah pelanggan, dan harga listrik — ini metode kausal yang lebih canggih dari yang kita pelajari hari ini, tetapi prinsipnya sama. Yang sangat menarik adalah PLN tidak menghasilkan satu angka proyeksi, melainkan tiga skenario berbeda berdasarkan asumsi makroekonomi yang berbeda. Ini adalah praktik terbaik dalam peramalan profesional: manajer harus tahu bahwa masa depan tidak pasti, dan alih-alih berpura-pura satu ramalan pasti benar, lebih jujur dan lebih berguna untuk menunjukkan rentang kemungkinan serta rencana respons untuk setiap skenario.

Studi Kasus: Proyeksi Wisatawan Bali Pasca-COVID

COVID-19 menghancurkan data historis pariwisata Bali — membuat metode murni kuantitatif sementara tidak dapat diandalkan. Ini adalah kasus hibrida.

Masalah

Data wisatawan mancanegara ke Bali 2020–2021 sangat abnormal (hampir nol) akibat penutupan bandara. Jika dimasukkan ke SMA atau ES, ramalan akan sangat terdistorsi ke bawah bahkan untuk 2024 dan seterusnya.

Solusi Hibrida

Keluarkan atau beri bobot sangat rendah pada tahun anomali (2020–2021).
Gunakan Expert Judgment dari manajer pariwisata untuk revisi awal.
Lanjutkan dengan Trend Projection dari data 2022–2024 yang sudah lebih normal.

2019: ~6,3 juta wisman (puncak pra-COVID) 2020: ~1,1 juta (anjlok — anomali struktural) 2022: ~2,3 juta (pemulihan) Proyeksi 2025: ~5,2 juta

Pelajaran: anomali struktural (pandemi, krisis, merger besar) merusak data historis. Selalu visualisasikan data Anda dulu sebelum memilih metode.

Studi kasus kedua sengaja saya pilih karena menunjukkan keterbatasan nyata metode kuantitatif: bagaimana kalau data historisnya rusak akibat kejadian luar biasa? Wisatawan mancanegara ke Bali anjlok dari enam juta lebih di 2019 menjadi hanya satu juta di 2020 akibat COVID — jika kita masukkan angka itu ke SMA atau Trend Projection, hasil ramalannya untuk 2025 akan jauh lebih rendah dari realitas karena tergerus oleh dua tahun anomali. Solusinya adalah pendekatan hibrida: pertama, identifikasi dan keluarkan periode anomali dari data; kedua, gunakan expert judgment dari manajer industri pariwisata; ketiga, setelah data normal kembali di 2022–2023, terapkan Trend Projection dari titik yang bersih. Pelajaran universalnya: selalu plot data Anda secara visual sebelum memilih metode, karena anomali yang tidak terdeteksi akan menghasilkan ramalan yang menyesatkan bahkan dari metode yang paling canggih.

Peramalan dengan Excel: Alat Praktis

Setelah memahami konsep dan bisa menghitung manual, Excel mempercepat komputasi drastis.

Fungsi Utama

AVERAGE(range) → SMA (window manual)
FORECAST.LINEAR(x, y_known, x_known) → Trend Projection
LINEST(y_known, x_known) → koefisien a dan b
SLOPE() dan INTERCEPT() → b dan a terpisah

Fitur Tambahan

Forecast Sheet (Data → Forecast Sheet): otomatis membangun ES + visualisasi dengan interval kepercayaan (confidence band).
Solver: optimalkan nilai α untuk meminimalkan MSE/MAPE.
Moving Average di menu Data Analysis ToolPak.

Excel adalah alat bantu, bukan pengganti pemahaman. Pastikan Anda bisa menginterpretasikan hasil — cek kelogisan: apakah ramalan masuk akal secara bisnis?

Setelah Anda menguasai perhitungan manual, mari kita lihat bagaimana Excel bisa mempercepat pekerjaan ini secara drastis di dunia kerja. Fungsi AVERAGE dipakai untuk SMA dengan memilih window secara manual; FORECAST.LINEAR langsung menghitung proyeksi trend menggunakan least squares tanpa Anda perlu menghitung Sigma t kuadrat dan Sigma tY secara manual. Yang sangat berguna adalah fitur Forecast Sheet di tab Data — cukup blok data deret waktu Anda, klik Forecast Sheet, dan Excel otomatis membangun model Exponential Smoothing sekaligus menampilkan grafik dengan pita interval kepercayaan. Jika Anda ingin mengoptimalkan nilai alpha, gunakan Solver untuk meminimalkan MSE atau MAPE secara otomatis. Tetapi ingat satu prinsip: alat ini hanya bekerja sebaik pemahaman Anda tentang asumsinya — manajer yang tidak paham konsep akan menelan output Excel mentah-mentah dan membuat keputusan buruk tanpa menyadarinya.

Ramalan Selalu Salah — Kelola Ketidakpastiannya

Tidak ada ramalan yang sempurna. Komunikasikan interval kepercayaan (confidence/prediction interval), bukan hanya titik tunggal.

Ramalan Titik (kurang informatif)

Hanya memberikan satu angka:
"Permintaan bulan depan = 3.240 unit."

Tidak ada informasi soal ketidakpastian — manajer tidak tahu seberapa besar kemungkinan meleset.

Ramalan Interval (lebih informatif)

"Permintaan bulan depan diestimasi 3.240 ± 350 unit (interval 95%)"
→ Rentang 2.890–3.590 unit.
Manajer bisa rencana stok minimum 2.900 dan buffer untuk 3.600.

Rule of thumb MAPE: jika MAPE historis = 8%, siapkan buffer stok ~8–10% di atas ramalan titik. Ketidakpastian semakin besar seiring bertambahnya horizon (jarak waktu ramalan ke depan).

Saya ingin menutup bagian teknis ini dengan sesuatu yang sangat penting tapi sering diabaikan: semua ramalan yang kita hasilkan hari ini adalah ramalan titik — satu angka — dan itu belum lengkap sebagai informasi untuk pengambilan keputusan. Dalam praktik terbaik, ramalan selalu disertai interval: bukan "permintaan bulan depan 3.240 unit" tetapi "3.240 unit plus minus 350 unit dengan kepercayaan 95%." Interval ini memberitahu manajer rentang kemungkinan dan membantu merancang buffer yang rasional. Ketidakpastian juga semakin besar seiring bertambahnya horizon ramalan: ramalan tiga bulan ke depan jauh lebih pasti dari ramalan dua tahun ke depan. Satu aturan praktis berbasis MAPE: jika MAPE historis Anda sekitar 8 persen, siapkan buffer inventori sekitar 10 persen di atas ramalan titik sebagai jaring pengaman.

Cheat Sheet — Metode & Ukuran Akurasi Peramalan

Metode	Rumus Kunci	Cocok Untuk
SMA-n	F(t+1) = (Y_t+…+Y_t−n+1)/n	Data stasioner, sederhana
WMA	F(t+1) = Σ(w_i × Y_t+1−i); Σw=1	Stasioner, data terbaru lebih penting
ES	F(t+1) = α·Y_t+(1−α)·F_t	Stasioner, adaptif, satu parameter
Trend Projection	Ŷ=a+bt; b=(ΣtY−n·t̄·Ȳ)/(Σt²−n·t̄²); a=Ȳ−b·t̄	Data ber-trend linier
Seasonal Index	S_i=Avg_i/Avg_total; Ŷ_final=Ŷ_trend×S_i	Data musiman

Metrik	Rumus	Pilih Bila
MAE	(1/n)Σ\|e_t\|	Ingin unit data asli, mudah diinterpretasikan
MAPE ★	(1/n)Σ\|e_t/Y_t\|×100	Ingin %, bandingkan antar dataset atau metode
MSE	(1/n)Σe_t²	Ingin hukum outlier berat

Alur kerja: Plot data → identifikasi komponen dominan → coba beberapa metode → hitung MAPE tiap metode → pilih MAPE terendah → komunikasikan sebagai interval.

Latihan & Diskusi Kelas

Latihan 1 — SMA & ES

Data penjualan bulanan (unit): Bln 1=80, 2=90, 3=85, 4=95, 5=100, 6=105.

(a) Hitung SMA-3 untuk bulan ke-4 hingga ke-7 (proyeksi).
(b) Hitung ES α=0,4 mulai bulan ke-2 (inisialisasi F1=80).
(c) Bandingkan MAE bulan ke-4 sampai ke-6 dari kedua metode.

Latihan 2 — Trend Projection

Data permintaan tahunan (ribu unit): t=1→30; t=2→34; t=3→39; t=4→43; t=5→48.

(a) Hitung Σt, ΣY, Σt², ΣtY.
(b) Tentukan b dan a.
(c) Proyeksikan t=6 dan t=7.
(d) Hitung MAPE untuk t=1 s.d. t=5.

Langkah wajib sebelum hitung: plot data dulu, identifikasi apakah ada trend. Hitung Σ dengan cermat, periksa satu per satu. Waktu: 15 menit. Kerjakan berpasangan.

Persiapan Pertemuan 9 — Manajemen Inventaris

Rangkuman Hari Ini

Peramalan = estimasi sistematis berbasis data historis.
Metode utama: SMA, WMA, ES, Trend Projection, Seasonal Index.
Ukuran akurasi: MAPE terbaik untuk membandingkan lintas dataset.
Alur kerja: plot → identifikasi → coba → evaluasi MAPE → pilih → interval.

Pertemuan Berikutnya — Inventaris

Topik: EOQ (Economic Order Quantity — jumlah pesanan optimal), ROP (Reorder Point — titik pemesanan ulang), Safety Stock, ABC Analysis.

Prasyarat: pahami bahwa ramalan permintaan adalah INPUT utama model inventaris — jika ramalannya buruk, keputusan inventarisnya pun buruk.

Baca: Anderson Ch. 11.

Tugas opsional: ambil data penjualan produk apa pun (minimal 6 bulan), hitung SMA-3 dan ES α=0,3, bandingkan MAPE-nya. Analisis 1 halaman.

Kita sudah menyelesaikan Pertemuan 8. Hari ini Anda belajar cara meramal secara sistematis: memilih metode yang tepat berdasarkan karakter data, menghitung SMA, WMA, ES, dan Trend Projection, serta mengukur dan membandingkan akurasi menggunakan MAPE. Di Pertemuan 9, kita akan masuk ke Model Manajemen Inventaris, dan saya ingin Anda melihat koneksinya: semua keputusan inventaris — berapa banyak yang harus dipesan, kapan memesan, berapa cadangan yang harus dijaga — semuanya bergantung pada ramalan permintaan yang akurat. Jika ramalannya buruk, model inventaris secanggih apapun tidak akan menghasilkan keputusan yang baik. Untuk persiapan, bacalah Anderson Bab 11 dan pahami konsep dasar biaya pemesanan versus biaya penyimpanan. Tugas opsional yang saya berikan minggu ini adalah mencoba menerapkan SMA dan ES pada data nyata yang bisa Anda temukan sendiri.