Peramalan permintaan atau forecasting adalah salah satu pilar utama dalam Manajemen Operasi. Kemampuan memprediksi permintaan masa depan secara akurat memungkinkan perusahaan untuk mengoptimalkan persediaan, mengatur jadwal tenaga kerja, dan meningkatkan efisiensi biaya produksi.
Dalam artikel ini, kita akan membahas 20 variasi soal yang mencakup metode kualitatif maupun kuantitatif, mulai dari Naive Method, Moving Average, Exponential Smoothing, hingga Analisis Regresi.
Baca Juga : Memahami Kedalaman Niat: Kumpulan Contoh Soal Tentang Niat dan Pembahasannya
Memahami Konsep Dasar Forecasting
Sebelum masuk ke contoh soal, penting untuk diingat bahwa tidak ada ramalan yang 100% akurat. Tujuan utama forecasting adalah meminimalkan tingkat kesalahan (error). Satuan yang sering digunakan untuk mengukur akurasi adalah Mean Absolute Deviation (MAD), Mean Squared Error (MSE), dan Mean Absolute Percentage Error (MAPE).
Soal 1: Metode Naive (Pendekatan Sederhana)
Sebuah toko roti menjual 150 loyang kue pada hari Senin. Berapakah ramalan permintaan untuk hari Selasa menggunakan metode Naive?
Pembahasan:
Metode Naive mengasumsikan bahwa permintaan periode mendatang sama dengan permintaan periode terakhir.
Ramalan Selasa = Penjualan Senin = 150 loyang.
Soal 2: Moving Average (Rata-rata Bergerak 3 Bulanan)
Data penjualan laptop selama 3 bulan terakhir adalah: Januari (120 unit), Februari (150 unit), dan Maret (180 unit). Hitunglah ramalan untuk bulan April.
Pembahasan:
$$F_{t} = \frac{\sum \text{Permintaan } n \text{ periode sebelumnya}}{n}$$
$$F_{\text{April}} = \frac{120 + 150 + 180}{3} = \frac{450}{3} = 150 \text{ unit.}$$
Soal 3: Weighted Moving Average (Rata-rata Bergerak Tertimbang)
Gunakan data soal nomor 2, namun berikan bobot 0,5 untuk bulan terakhir (Maret), 0,3 untuk Februari, dan 0,2 untuk Januari.
Pembahasan:
$$F_{\text{April}} = (180 \times 0,5) + (150 \times 0,3) + (120 \times 0,2)$$
$$F_{\text{April}} = 90 + 45 + 24 = 159 \text{ unit.}$$
Soal 4: Exponential Smoothing (Penghalusan Eksponensial)
Ramalan permintaan bulan lalu adalah 1.000 unit, sedangkan permintaan aktualnya 1.050 unit. Jika konstanta penghalusan ($\alpha$) adalah 0,2, hitunglah ramalan untuk periode berikutnya.
Pembahasan:
$$F_{t} = F_{t-1} + \alpha(A_{t-1} – F_{t-1})$$
$$F_{\text{baru}} = 1.000 + 0,2(1.050 – 1.000)$$
$$F_{\text{baru}} = 1.000 + 0,2(50) = 1.010 \text{ unit.}$$
Soal 5: Menghitung Mean Absolute Deviation (MAD)
Permintaan aktual selama 2 bulan adalah 100 dan 120, sedangkan ramalannya adalah 110 dan 110. Hitunglah MAD.
Pembahasan:
MAD adalah rata-rata dari selisih mutlak antara aktual dan ramalan.
Error 1: $|100 – 110| = 10$
Error 2: $|120 – 110| = 10$
$$\text{MAD} = \frac{10 + 10}{2} = 10.$$
Soal 6: Exponential Smoothing dengan Tren (FIT)
Jika ramalan awal $100$, tren awal $10$, $\alpha = 0,2$, dan $\beta = 0,1$. Jika aktual permintaan $115$, hitung ramalan bulan depan termasuk tren ($FIT_t$).
Pembahasan:
- Hitung $F_t$: $100 + 0,2(115 – 100) = 103$.
- Hitung $T_t$: $10 + 0,1(103 – 100) = 10,3$.
- $FIT_t = 103 + 10,3 = 113,3$.
Soal 7: Menghitung Mean Squared Error (MSE)
Gunakan data dari soal nomor 5 (Error 10 dan 10). Berapakah MSE-nya?
Pembahasan:
$$\text{MSE} = \frac{\sum (\text{Error})^2}{n}$$
$$\text{MSE} = \frac{10^2 + 10^2}{2} = \frac{100 + 100}{2} = 100.$$
Soal 8: Seasonal Index (Indeks Musiman)
Rata-rata penjualan total setahun adalah 1.200 unit (100 per bulan). Jika penjualan bulan Desember biasanya 150 unit, berapakah indeks musiman Desember?
Pembahasan:
$$\text{Indeks Musiman} = \frac{\text{Permintaan Aktual Periode}}{\text{Rata-rata Permintaan}}$$
$$\text{Indeks Desember} = \frac{150}{100} = 1,5.$$
Soal 9: Proyeksi Regresi Linear Sederhana
Jika persamaan garis tren adalah $Y = 100 + 5X$, hitunglah prediksi penjualan untuk periode ke-10 ($X=10$).
Pembahasan:
$$Y = 100 + 5(10) = 150 \text{ unit.}$$
Soal 10: Menghitung Tracking Signal
Jika jumlah kumulatif kesalahan peramalan (RSFE) adalah 30 dan MAD adalah 6, berapakah tracking signal-nya?
Pembahasan:
$$\text{Tracking Signal} = \frac{\text{RSFE}}{\text{MAD}} = \frac{30}{6} = 5.$$
(Nilai ini menunjukkan apakah ramalan cenderung terlalu tinggi atau terlalu rendah).
Soal 11: Menghitung Mean Absolute Percentage Error (MAPE)
Aktual 200, Ramalan 220. Hitung persentase kesalahan absolutnya.
Pembahasan:
$$\text{Error Absolut} = |200 – 220| = 20$$
$$\text{Persentase} = \left(\frac{20}{200}\right) \times 100\% = 10\%.$$
Soal 12: Dampak Perubahan Alpha ($\alpha$) pada Exponential Smoothing
Jika data permintaan sangat berfluktuasi (tidak stabil), apakah kita sebaiknya menggunakan $\alpha$ yang besar (misal 0,8) atau kecil (misal 0,1)?
Pembahasan:
Gunakan $\alpha$ kecil (0,1) untuk menghaluskan fluktuasi. $\alpha$ besar membuat ramalan sangat responsif terhadap perubahan terbaru, yang berbahaya jika perubahan tersebut hanya “noise” atau gangguan acak.
Soal 13: Menentukan Nilai Koefisien Korelasi ($r$)
Jika kenaikan biaya iklan selalu diikuti dengan kenaikan penjualan secara linear sempurna, berapakah nilai $r$?
Pembahasan:
Nilai $r = +1$. Ini menunjukkan korelasi positif sempurna.
Soal 14: Seasonal Forecasting (Ramalan dengan Indeks Musiman)
Total ramalan tahun depan adalah 2.400 unit. Indeks musiman kuartal I adalah 1,2. Berapakah ramalan untuk kuartal I?
Pembahasan:
Rata-rata per kuartal = $2.400 / 4 = 600$.
Ramalan K-I = $600 \times 1,2 = 720 \text{ unit.}$
Soal 15: Komponen Time Series
Sebutkan 4 komponen dalam data deret waktu (time series).
Pembahasan:
- Tren (Trend): Kecenderungan naik/turun jangka panjang.
- Musiman (Seasonality): Pola berulang dalam jangka pendek (harian, mingguan, bulanan).
- Siklus (Cycle): Pola naik turun yang memakan waktu bertahun-tahun.
- Variasi Acak (Random): Kejadian tak terduga (bencana alam, perang).
Soal 16: Linear Regression – Mencari Intercept ($a$)
Diberikan $\sum Y = 500$, $\sum X = 50$, $n = 5$, dan $b = 4$. Hitung nilai $a$.
Pembahasan:
$$\bar{Y} = 500/5 = 100; \bar{X} = 50/5 = 10$$
$$a = \bar{Y} – b\bar{X} = 100 – 4(10) = 60.$$
Soal 17: Perbedaan Kualitatif dan Kuantitatif
Kapan metode kualitatif lebih tepat digunakan daripada kuantitatif?
Pembahasan:
Metode kualitatif digunakan saat data historis tidak tersedia, seperti saat peluncuran produk baru atau perubahan teknologi yang drastis.
Soal 18: Delphi Method
Siapa yang terlibat dalam metode Delphi?
Pembahasan:
Panel ahli yang memberikan opini secara anonim dalam beberapa putaran kuesioner hingga mencapai konsensus.
Soal 19: Analisis Kapasitas berdasarkan Forecast
Jika ramalan permintaan adalah 800 jam kerja dan satu mesin memiliki kapasitas 200 jam/bulan, berapa mesin yang dibutuhkan?
Pembahasan:
$$800 / 200 = 4 \text{ mesin.}$$
Soal 20: Bias dalam Peramalan
Apa arti jika RSFE bernilai negatif besar?
Pembahasan:
Artinya ramalan secara konsisten lebih tinggi daripada permintaan aktual (overforecasting).
Kesimpulan
Menguasai forecasting memerlukan latihan rutin dalam menghitung data angka dan memahami logika di balik metode tersebut. Dalam ujian atau praktik lapangan, kuncinya adalah memilih metode yang memberikan tingkat kesalahan (MAD/MSE) paling rendah.
Penulis : Nabila
Post Comment