MANAJEMEN OPERASIDosen : Dr. Anton A Setyawan, MSi

FORECASTING METHODS

OLEH :

IVAN ARDO FATAS

NIM. P100130022

MAGISTER MANAJEMEN

UNIVERSITAS MUHAMMADIYAH SURAKARTA

2013

A. PENGERTIANSetiap hari para manajer membuat keputusan tanpa mengetahui apa yang akan terjadi di masa depan. Mereka memesan persediaan tanpa mengetahui bagaimana penjualan, membeli peralatan baru tanpa kejelasan mengenai permintaan produk, dan membuat investasi tanpa mengetahui bagaimana keuntungannya. Para manajer selalu berusaha membuat prediksi apa yang akan terjadi di masa depan dalam lingkup ketidakpastian. Membuat prediksi yang baik adalah tujuan utama dari peramalan.Peramalan adalah proses untuk memperkirakan beberapa kebutuhan dimasa datang yang meliputi kebutuhan dalam ukuran kuantitas, kualitas, waktu dan lokasi yang dibutuhkan dalam rangka memenuhi permintaan barang ataupun jasa. Selain itu peramalan juga didefinisikan sebagai 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 subjektif. Atau bias juga dengan menggunakan kombinasi model matematis yang disesuaikan dengan pertimbangan yang baik dari seorang manajer.Peramalan (forecasting) merupakan alat bantu yang penting dalam perencanaan yang efektif dan efisien khususnya dalam bidang ekonomi. Peramalan mempunyai peranan langsung pada peristiwa eksternal yang pada umumnya berada di luar kendali manajemen, seperti: ekonomi, pelanggan, pesaing, pemerintah dan lain sebagainya.Peramalan permintaan memegang peranan penting dalam perencanaan dan pengambilan keputusan khususnya dibidang produksi. Aktivitas manajemen operasi menggunakan peramalan permintaan dalam perencanaan yang menyangkut skedul produksi, perencanaan pemenuhan kebutuhan bahan, perencanaan kebutuhan tenaga kerja, perencanaan kapasitas produksi, perencanaan layout fasilitas, penentuan lokasi, pemenuhan metode proses, penentuan jumlah mesin, desain aliran bahan dan lain sebagainya. Peranan ini disebabkan adanya tenggang waktu antara suatu peristiwa dengan kebutuhan mendatang.Walaupun terdapat banyak bidang lain yang memerlukan peramalan permintaan, namun aktivitas manajemen operasi di atas merupakan bentuk khas dari keperluan peramalan permintaan baik jangka pendek, menengah mauppun jangka panjang. Pada gilirannya, perusahaan perlu memiliki pengetahuan dan ketrampilan yang meliputi:1) Identifikasi dan definisi masalah peramalan.2) Aplikasi metode peramalan.3) Pemilihan metode peramalan yang tepat untuk situasi tertentu.4) Dukungan manajemen untuk menggunakan metode peramalan tertentuPeramalan tidak terlalu dibutuhkan dalam kondisi permintaan pasar yang stabil, karena perubahan permintaannya relatif kecil. Tetapi peramalan akan sangat dibutuhkan bila kondisi permintaan pasar bersifat kompleks dan dinamis. Hanya sedikit bisnis yang dapat menghindari proses peramalan dan hanya menunggu apa yang terjadi untuk kemudian mengambil kesempatan. Perencanaan yang efektif baik untuk jangka panjang maupun bergantung pada peramalan permintaan untuk produk perusahaan tersebut.B. MERAMAL HORIZON WAKTUPeramalan biasanya diklasifikasikan berdasarkan horizon waktu masa depan yang dicakupnya. Horizon waktu terbagi atas beberapa kategori: Peramalan jangka pendek. Peramalan ini mencakup jangka waktu hingga 1 tahun tetapi umumnya kurang dari 3 bulan. Peramalan ini digunakan untuk merencanakan pembelian, penjadwalan kerja, jumlah tenaga kerja, penugasan kerja, dan tingkat produksi. Peramalan jangka menengah. Peramalan jangka menengah, atau intermediate, umumnya mencakup hitungan bulanan hingga 3 tahun. Peramalan ini berguna untuk merencanakan penjualan, perencanaan clan anggaran produksi, anggaran kas, clan menganallsis bermacam-macam rencana operasi. Peramalan jangka panjang. Umumnya untuk perencanaan masa 3 tahun atau lebih. Peramalan jangka panjang digunakan untuk merencanakan produk baru, pembelanjaan modal, lokasi atau pengembangan fasilitas, Berta penelitian clan pengembangan (litbang).Peramalan jangka menengah clan jangka panjang dapat dibedakan dari peramalan jangka pendek dengan melihat tiga hal:

Pertama, peramalan jangka menengah clan jangka panjang berkaitan dengan permasalahan yang lebih menyeluruh clan mendukung keputusan manajemen yang berkaitan dengan perencanaan produk, pabrik, clan proses. Menetapkan keputusan akan fasilitas, seperti misalnya keputusan seorang manajer umum untuk membuka pabrik manufaktur baru di Brasil, dapat memerlukan waktu 5-8 tahun sejak permulaan hingga benar-benar selesal secara tuntas. Kedua, peramalan jangka pendek biasanya menerapkan metodologi yang berbeda dibandingkan peramalan jangka panjang. Teknik matematika, seperti rata-rata bergerak, penghalusan eksponensial, clan ekstrapolasi tren (yang kesemuanya akan dibahas sebentar lagi) umumnya clikenal untuk peramalan jangka pendek. Lebih sedikit metode kuantitatif yang berguna untuk meramalkan suatu permasalahan, misalnya apakah suatu produk baru seperti perekam disk optik perlu dimasukkan dalam lint produk perusahaan. Akhirnya, sebagaimana yang mungkin Anda perkirakan, peramalan jangka pendek cenderung lebih tepat dibandingkan peramalan jangka panjang. Faktor-faktor yang mempengaruhi perubahan permintaan berubah setiap hari. Dengan demikian, sejalan dengan semakin panjangnya horizon waktu, ketepatan peramalan seseorang cenderung semakin berkurang. Peramalan penjualan harus diperbarul secara berkala untuk menjaga nilai clan integritasnya. Peramalan harus selalu dikaji ulang dan direvisi pada setiap akhir periode penjualan.Pengaruh Siklus Hidup ProdukFaktor lain yang harus dipertimbangkan saat membuat peramalan penjualan, terutama peramalan penjualan jangka panjang, adalah siklus hidup produk. penjualan produk dan bahkan jasa, ticlak terjadi pada tingkat yang konstan sepanjang hidupnya. Hampir semua produk yang berhasil melalui empat tahapan:1. Perkenalan

2. Pertumbuhan3. Kematangan4. Penurunan.

Produk dalam dua tahapan pertama siklus produk (seperti virtual reality clan TV dengan fitur beresolusi tinggi) membutuhkan peramalan yang lebih panjang daripada produk yang beradapada tahapan matang dan penurunan (seperti disket 31/2 inci dan mobil penumpang). Peramalanyang menggambarkan siklus hidup, berguna dalam memproyeksikan tingkat penempatan pekerjayang berbeda-beda, penentuan tingkat persediaan dan kapasitas pabrik sepanjang produk melewati tahapan awal hingga akhir.

C. JENIS PERAMALAN Organisasi pada umumnya menggunakan tiga tipe peramalan yang utama dalam perencanaan operasi di masa depan:

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

Peramalan permintaan (demand forecast) adalah proyeksi permintaan untuk produk atau layanan suatu perusahaan. Peramalan ini disebut juga peramalan penjualan, yang mengendalikan produksi, kapasitas, Berta sistem penjadwalan dan menjadi input bagi perencanaan keuangan, pemasaran, dan sumber daya manusia.

Peramalan ekonomi dan teknologi adalah teknik khusus yang mungkin bukan termasuk bagian dari tugas manajer operasi. Karena itu penekanan pada buku ini adalah pada peramalan permintaan.

D. KEPENTINGAN STRATEGIS PERAMALAN Peramalan yang balk sangat penting dalam semua aspek bisnis: Peramalan merupakan satu-satunya prediksi atas permintaan hingga permintaan yang sebenarnya diketahui. Peramalan permintaan mengendalikan keputusan di banyak bidang.Berikut ini akan dibahas dampak peramalan produk pada tiga aktivitas: 1. Sumber daya manusia2. Kapasitas3. Manajemen rantai-pasokan (supply-chain management). Sumber Daya ManusiaMempekerjakan, melatih, dan memberhentikan pekerja, semuanya bergantung pada permintaan. jika departemen sumber daya manusia harus mempekerjakan pekerja tambahan tanpa adanya persiapan, akibatnya kualitas pelatihan menurun dan kualitas pekerja juga menurun. Sebuah perusahaan kimia besar di Louisiana hampir kehilangan konsumen terbesarnya saat melakukan ekspansi cepat yang memberlakukan shift tanpa henti 24 jam, yang mengakibatkan rendahnya pengendalian kualitas pada shift kedua dan ketiga.

KapasitasSaat kapasitas tidak mencukupi, kekurangan yang diakibatkannya bisa berarti tidak terjaminnyapengiriman, kehilangan konsumen, dan kehilangan pangsa pasar. Inilah yang terjadi pada Nabisco saat la melakukan kesalahan dengan menghitung terlalu rendah permintaan untuk biskuit barn bernama Snackwell Devil's Food yang rendah kalori, yang ternyata permintaannya sangat besar. Bahkan dengan bekerja lembur, Nabisco tidak bisa memenuhi permintaan, dan kehilangan konsumen. Tetapi jika kapasitas dibangun berlebihan, biayanya bisa melonjak tajam.

Manajemen Rantai PasokanHubungan yang balk dengan pemasok, dan harga barang dan komponen yang bersaing, bergantung pada peramalan yang akurat. Sebagai contoh, manufaktur pembuat mobil yang menginginkan TRW Corp. menjamin ketersediaan kantung udara (airbag) yang cukup, harus menyediakan ramalan yang akurat untuk membenarkan ekspansi pabrik TRW. Dalam pasar global, di mana komponen mahal untuk jet Boeing 777 dibuat di lusinan negara, koordinasi yang dikendalikan oleh peramalan sangat penting. Penjadwalan transportasi ke Seattle untuk perakitan akhir pada biaya serendah mungkin berarti tidak ada kejutan tiba-tiba di akhir waktu yang akan menurunkan margin keuntungan yang sudah rendah.

E. TUJUH LANGKAH SISTEM PERAMALAN Peramalan terdiri dari tujuh langkah dasar. Disini Tupperware Corporation, yang dijadikan fokus Profil Perusahaan Global dan akan digunakan sebagai contoh setiap langkah.1) Menetapkan tujuan peramalan. Tupperware menggunakan peramalan permintaan untuk mengendalikan produksi pada 13 pabriknya.

2) Memilih unsur apa yang akan dismal. Tupperware yang memiliki lebih dari 400 produk, dengan unit simpan produknya (stock-keeping unitSKU) masing-masing. Tupperware melakukan peramalan permintaan sesuai dengan pengelompokan produk ini.

3) Menentukan horizon waktu peramalan. Apakah ini merupakan peramalan jangka pendek, menengah, atau jangka panjang? Tupperware menyusun prediksi penjualan bulanan, kuartalan, dan tahunan.

4) Memilih tipe model peramalan. Tupperware menggunakan beragam model statistik yang akan didiskusikan, termasuk rata-rata bergerak, penghalusan eksponensial, dan analisis regresi. Selain itu juga model yang menggunakan penilaian subjektif atau nonkuantitatif.

5) Mengumpulkan data yang diperlukan untuk melakukan peramalan. Kantor pusat Tupperware mempunyai database yang besar untuk mengawasi penjualan setiap produk.

6) Membuat peramalan.

7) Memvalidasi dan menerapkan basil peramalan. Pada Tupperware, peramalan dikaji di departemen penjualan, pemasaran, keuangan, dan produksi untuk memastikan bahwa model, asumsi, dan data yang digunakan sudah valid. Perhitungan kesalahan dilakukan; kemudian peramalan digunakan untuk menjadwalkan bahan, peralatan, dan pekerja pada setiap pabrik. Tujuh langkah ini menyajikan jalan yang sistematis untuk memulai, mendesain, dan menerapkan sistem peramalan. Apabila sistem tersebut digunakan untuk menghasilkan ramalan berkala, maka data harus dikumpulkan secara rutin. Kemudian perhitungan aktual dibuat dengan bantuan komputer.

Terlepas dari sistem yang digunakan oleh perusahaan seperti Tupperware, setiap perusahaan menghadapi beberapa kenyataan:

Peramalan jarang ada yang sempurna. Hal ini berarti faktor luar yang tidak dapat kita duga atau kendalikan sering mempengaruhi peramalan. Perusahaan harus memberikan kelonggaran untuk kenyataan ini. Hampir semua teknik peramalan mengasumsikan bahwa sistem akan tetap stabil. Oleh karena itu, beberapa perusahaan membuat ramalan secara otomatis menggunakan komputer dengan software peramalan, dan hanya mengawasi produk yang mempunyai permintaan tidak menentu.

Baik peramalan kelompok produk maupun peramalan secara keseluruhan lebih akurat daripada peramalan produk individu. Sebagai contoh, Tupperware, melakukan peramalan melalui pengelompokkan ukuran produk dan daerah pemasaran. pendekatan ini menolong menyeimbangkan prediksi yang mungkin kurang atau berlebih untuk setiap produk dan daerah pemasaran.

F. METODE PERAMALAN PERMINTAANBanyak jenis metode peramalan yang tersedia untuk manajemen. Namun yang lebih penting bagi para praktisi adalah bagaimana memahami karakteristik suatu metode peramalan agar cocok bagi situasi pengambilan keputusan tertentu. Secara umum metode peramalan dapat dibagi dalam dua ketegori utama, yaitu metode kuantitatif dan metode kualitatif. Metode kuantitatif dapat dibagi ke dalam deret berkala atau kurun waktu (time series) dan metode kausal, sedangkan metode kualitatif dapat dibagi menjadi metode eksploratoris dan normative.Metode kuantitatif sangat beragam dan setiap teknik memiliki sifat, ketepatan dan biaya tertentu yang harus dipertimbangkan dalam memilih metode tertentu. Untuk menggunakan metode kuantitatif terdapat tiga kondisi yang harus dipenuhi, yaitu: 1. Tersedia informasi tentang masa lalu2. Informasi tersebut dapat dikuantitatifkan dalam bentuk numeric3. Diasumsikan bahwa beberapa pola masa lalu akan terus berlanjut METODE RUNTUN WAKTUMetode runtun waktu atau sering disebut metode deret waktu atau deret berkala menggambarkan berbagai gerakan yang terjadi pada sederetan data pada waktu tertentu. Langkah penting dalam memiliki metode runtunwaktu adalah dengan mempertimbangkan jenis pola data. Pola data dapat dibedakan menjadi empat jenis siklus dan trend (makriadis & wheelright, 1983), yaitu: Pola horizontal, terjadi bilamana nilai data berfluktuasi di sekitar nilai rata-rata yang konstan. Pola musiman, terjadi bilamana suatu deret dipengaruhi oleh factor musiman. Pola siklus, terjadi bilamana datanya dipengaruhi oleh fluktuasi ekonomi jangka panjang seperti siklus bisnis. Pola trend, terjadi bilamana terdapat kenaikan atau penurunan sekuler jangka panjang dalam data. METODE GERAKAN TRENDAnggapan yang mengatakan bahwa garis trend seharusnya merupakan garis linear tidak selalu demikian. Terdapat empat cara yang biasa digunakan untuk mengukur gerakan trend, yaitu: Metode bebas (freehand method) Metode setengah-setengah (semi average method) Metode rata-rata bergerak (moving average method) Metode kuadrat terkecil (least quares method) METODE VARIASI MUSIMTerdapat empat cara yang umumnya digunakan untuk mengukur variasi musim, yaitu: Metode rata-rata sederhana Metode perbandingan dengan trend Metode relative berantara Metode perbandingan dengan rata-rata bergerak Mereka dibagi ke dalam dua kategori:1.Pendekatan naif2.Rata-rata bergerak model time-series3.Penghalusan eksponensial4.Proyeksi tren5.Regresi linear model asosiatif Model Time-Series Model time-series membuat prediksi dengan asumsi bahwa masa depan merupakan fungsi masa lalu. Dengan kata lain, mereka melihat apa yang terjadi selama kurun waktu tertentu, dan menggunakan data masa lalu tersebut untuk melakukan peramalan. jika kita memperkirakan penjualan mingguan mesin pemotong rumput, kita menggunakan data penjualan minggu lalu untuk membuat ramalan.

Model Asosiatif Model asosiatif (atau hubungan sebab akibat), seperti regresi linear, menggabungkan variabel atau faktor yang mungkin mempengaruhi kuantitas yang sedang diramalkan. Sebagai contoh, model asosiatif dari penjualan mesin pemotong rumput mungkin memasukkan faktor seperti adanya perumahan baru, anggaran Man, dan harga pesaing.G. POLA DAN TEKNIK PERAMALAN Teknik peramalan kualitatif atau subyektif (qualitative forecast)Teknik peramalan yang menggabungkan faktor seperti intuisi, emosi, pengalaman pribadi, dan sistem nilai pengambil keputusan untuk meramal. Terdapat empat teknik yang berbeda, yaitu : Keputusan Dari Pendapat Juri Eksekutif (Jury of Executive Opinion). Teknik peramalan yang meminta pendapat segolongan kecil manajer tingkat tinggi dan menghasilkan estimasi permintaan kelompok. Dalam metode ini, pendapat sekumpulan kecil manajer atau pakar tingkat tinggi, sering dikombinasikan dengan model statistik, dikumpulkan untuk mendapatkan prediksi kelompok. Metode Delphi (Delphi Method). Teknik peramalan yang menggunakan proses kelompok dimana para pakar melakukan peramalan. Ada 3 jenis peserta dalam metode ini : pengambil keputusan, karyawan, dan responden. Pengambil keputusan biasanya terdiri dari 5 hingga 10 orang pakar yang akan melakukan peramalan. Karyawan membantu pengambil keputusan dengan menyiapkan, menyebarkan, mengumpulkan, serta meringkas sejumlah kuesioner dan hasil survei. Responden adalah sekelompok orang, biasanya ditempatkan di tempat yang berbeda, dimana penilaian dilakukan. Kelompok ini memberikan input pada pengambil keputusan sebelum peramalan dibuat. Gabungan Dari Tenaga Penjualan (Sales Force Composite). Teknik peramalan berdasarkan prediksi tenaga penjualan akan penjualan yang diharapkan. Dalam pendekatan ini, setiap tenaga penjualan memperkirakan berapa penjualan yang bisa ia lakukan dalam wilayahnya. Peramalan ini kemudian dikaji unutk memastikan apakah peramalan cukup realistis. Kemudian peramalan dikombinasikan pada tingkat wilayah dan nasional untuk mendapatkan peramalan secara keseluruhan. Survei Pasar Konsumen (Consumer Market Survey). Metode peramalan yang meminta input dari konsumen mengenai rencana pembelian mereka di masa depan. Hal ini membantu tidak hanya dalam menyiapkan peramalan tetapi juga memperbaiki desain produk dan perencanaan produk baru. Survei konsumen dan gabungan tenaga penjualan bisa jadi tidak benar, karena peramalan yang berasal dari input konsumen yang terlalu optimis. Teknik Peramalan Time SeriesTeknik peramalan yang menggunakan sekumpulan data masa lalu untuk melakukan peramalan. Model time-series membuat predikisi dengan asumsi bahwa masa depan merupakan fungsi masa lalu. Dengan kata lain, mereka melihat apa yang terjadi selama kurun waktu tertentu, dan menggunakan data masa lalu tersebut untu melakukan peramalan. Jika kita memperkirakan penjualan mingguan mesin pemotong rumput, kita menggunakan data penjualan minggu lalu untuk membuat ramalan. Time-series mempunyai empat komponen, yaitu : Tren, Musim, Siklus, Variasi Acak.H. METODE PERAMALAN YANG MENGGUNAKAN DATA MASA LALU :1. Pendekatan Naif, teknik peramalan yang mengasumsikan permintaan, di periode mendatang sama dengan permintaan terkini. Terbukti untuk beberapa jenis produk, pendekatan naif (naive approach) ini merupakan model peramalan objektif yang paling efektif dan efesien dari segi biaya. paling tidak, pendekatan naif memberikan titik awal untuk perbandingan dengan model lain yang lebih canggih.2. Rata-Rata Bergerak, metode peramalan yang menggunakan rata-rata dari sejumlah (n) data terkini untuk meramalkan periode mendatang. Rata-rata bergerak berguna jika kita dapat mengasumsikan bahwa permintaan pasar akan stabil sepanjang masa yang kita ramalkan.

Rata-rata beergerak = permintaan n periode sebelumnyadi mana n adalah jumlah periode dalam rata-rata bergeraksebagai contoh, 4, 5, atau 6 bulan, berarti rata-rata bergerak untuk 4, 5, atau 6 periode.

Saat ada tren atau pola yang terdeteksi, bobot dapat digunakan untuk menempatkan penekanan yang lebih pada mlai terkini. Praktik im membuat teknik peramalan lebih tanggap terhadap perubahan karena periode yang lebih dekat mendapatkan bobot yang lebih berat. Pemilihan bobot merupakan hal yang ticlak pasti karena ticlak ada rumus untuk menetapkan mereka. Oleh karena itu, pemutusan bobot yang mana yang digunakan, membutuhkan pengalaman. Sebagai contoh, jika bulan atau periode terakhir diberi bobot yang terlalu berat, peramalan dapat menggambarkan perubahan yang terlalu cepat yang tidak biasa pada permintaan atau pola penjualan.Baik rata-rata bergerak sederhana maupun rata-rata bergerak dengan pembobotan sangat efektif dalam meredam fluktuasi pada pola permintaan untuk menghasilkan prediksi yang stabil. Rata-rata bergerak mempunyai tiga masalah:

1) Bertambahnya jumlah n (jumlah periode yang dirata-rata) memang meredam fluktuasi dengan lebih baik, tetapi membuat metode ini kurang sensitif terhadap perubahan nyata pada data.2) Rata-rata bergerak tidak dapat menggambarkan tren dengan baik. Karena merupakan rata-rata, mereka akan selalu berada dalam tingkat yang sebelumnya dan tidak akan memprediksikan perubahan ke tingkat yang lebih tinggi atau lebih rendah, yang merupakan nilai aktual sesungguhnya.3) Rata-rata bergerak membutuhkan data masa lalu yang ekstensif.Walaupun demikian, rata-rata bergerak dengan pembobotan biasanya bereaksi lebih cepat saat terjadi perubahan permintaan. Bahkan saat periode menurun , rata-rata bergerak dengan pembobotan dapat lebih mendekati permintaan aktual.3. Penghalusan Eksponensial (Exponential Smoothing) adalah teknik peramalan rata-rata bergerak dengan pembobotan dimana data diberi bobot oleh sebuah fungsi eksponensial. Penghalusan eksponensial mungkin terdengar aneh, tetapi sebenarnya banyak digunakan dalam bisnis dan merupakan bagian penting dari sistem pengendalian persediaan berbasis komputer. Konsepnya tidak rumit. Prediksi terakhir permintaan sama dengan prediksi lama, disesuaikan dengan sebagian dari diferensiasi permintaan aktual periode lalu dengan prediksi lama.Memilih Konstanta Penghalusan. Pendekatan penghalusan eksponensial mudah digunakan, dan telah berhasil diterapkan pada hampir setiap jenis bisnis. Walaupun demikian, nilai yang tepat untuk konstanta penghalusan, (X, dapat membuat diferensiasi antara peramalan yang akurat dan yang tidak akurat.

4. Proyeksi Tren, metode peramalan time-series yang mnyesuaikan sebuah garis tren pada sekumpulan data masa lalu, dan kemudian diproyeksikan dalam garis untuk meramalkan masa depan.

5. Analisis Regresi Linier, model matematis garis lurus yang menjelaskan hubungan fungsional antara variabel bebas dan variabel terikat. persamaan regresi menunjukkan bagaimana satu variabel berhubungan pada nilai dan perubahan pada variabel lain.

Rumus Lainnya

DAFTAR PUSTAKAYamit, Zulian. 2003. Manajemen Operasi dan Produksi. Edisi Kedua. Yogyakarta: EKONISIA.Hakim Nasution, Arman. 2003. Perencanaan dan Pengendalian Produksi. Edisi Kedua. Surabaya: Prima Printinghttp://go-phelz.blogspot.com/2011/01/peramalan-permintaan-barang-manajemen.htmlhttp://magussudrajat.blogspot.com/2010/04/peramalan-forecasting.htmlhttp://buana-ilmu3.blogspot.com/2011/03/forecasting.htmlhttp://www.bus.ucf.edu/faculty/sgoodman/file.axd?file=2012%2F8%2FCP2+Forecasting.docxhttps://www2.bc.edu/~zhoujd/files/03_forecasting.pdfhttp://en.wikipedia.org/wiki/Forecasting#Time_series_methodshttp://directory.umm.ac.id/Data%20Elmu/doc/METODE_PERAMALAN_SKB.dochttp://repository.usu.ac.id/bitstream/123456789/28450/4/Chapter%20II.pdfhttp://ocw.gunadarma.ac.id/course/economics/management-s1/manajemen-operasional/peramalan