bab 3 peramalan v 2

Bab 3 –

Peramalan

3-1

3-2

Ramalan: Sebuah pernyataan tentang nilai di masa

mendatang dari sebuah variabel yang ingin diketahui, seperti permintaan (demand).

Peramalan digunakan untuk membuat keputusan bernilai.

Jangka panjang Jangka pendek

3-3

Ramalan Ramalan

Ramalan mempengaruhi keputusan-keputusan dan aktivitas dalam sebuah organisasi Akuntasi, Keuangan Sumberdaya Manusia Pemasaran Sistem Informasi Manajemen (SIM) Operasional Disain produk/jasa

3-4

Akuntansi Perkiraan biaya/keuntungan

Keuangan Arus kas dan pendanaan

Sumberdaya manusia Penerimaan pegawai/training

Pemasaran Penetapan harga, promosi, strategi

SIM TI/SI systems, layanan-layanan

Operasional Jadwal, MRP, beban kerja

Disain produk/jasa Produk baru dan jasa

Penggunaan RamalanPenggunaan Ramalan

3-5

Aku melihat kau akan memperoleh nilai A semester ini.

3-6

Beranggapan sistem kasualmasa lalu ==> masa depan

Ramalan jarang sempurna, oleh karena tingkat keacakan

Ramalan lebih akurat untuk group daripada individu

Tingkat akurasi ramalan menurun sejalan dengan meningkatnya cakrawala waktu

Ciri-ciri ramalanCiri-ciri ramalan

3-7

Unsur-unsur ramalan yang baikUnsur-unsur ramalan yang baik

Tepat waktu

AkuratHandal

Berar

tiTertulis

Mudah

digunak

an

3-8

Langkah-langkah proses peramalanLangkah-langkah proses peramalan

1) Tetapkan maksud /tujuandari ramalan

2) Tetapkan batas waktu

3) Pilih teknik ramalan

4) Dapatkan, “bersihkan” dan analisa data

5) Lakukan peramalan

6) Monitor ramalan

“The forecast /ramalan”

3-9

Jenis-jenis RamalanJenis-jenis Ramalan

Pendapat – menggunakan masukan secara subjektif

Serial waktu – menggunakan data historis dan mengasumsikan masa depan akan sama dengan masa lalu

Model Asosiatif (Associative Model)– menggunakan variabel-variabel untuk meramalkan masa depan

3-10

Ramalan berdasarkan penilaian (Judgmental Ramalan berdasarkan penilaian (Judgmental Forecast)Forecast)

Pendapat atasan

Pendapat tenaga penjual

Survei konsumen

Pendapat dari luar Metode Delphi

Pendapat dari manajer dan staf

Mencapai ramalan secara kosensus

3-11

Ramalan serial waktu (times series)Ramalan serial waktu (times series)

Tren – pergerakan jangka panjang dalam data

Musiman- variasi tetap jangka pendek dalam data

Siklus – variasi-variasi bergelombang dari lebih dari satu tahun

Variasi tak beraturan – disebabkan kejadian-kejadian yang tidak biasanya

Variasi acak – disebabkan karena kesempatan

3-12

Variasi-variasi RamalanVariasi-variasi Ramalan

Tren (kecenderungan)

Variasi tak beraturan

Variasi musiman

908988

Gambar 3.1

Siklus

Peramalan berdasarkan data Peramalan berdasarkan data runut waktu (serial data)runut waktu (serial data)

Metode Naif (Naïve Method) Teknik Perata-rataan

Metode rata-rata bergerak Metode rata-rata bergerak tertimbang Metode pemulusan pangkat (exponential

smoothing)

Teknik untuk tren Tren linear

3-13

Metode NaifMetode Naif

Periode ke-1 = 200 Periode ke-2 = 230 Periode ke-3 = ?

3-14

3-15

Teknik-teknik Perata-rataanTeknik-teknik Perata-rataan

Rata-rata bergerak (Moving average)

Rata-rata bergerak tertimbang(Weighted moving average)

Exponential smoothing

3-16

Rata-rata BergerakRata-rata Bergerak

Rata-rata Bergerak – Sebuah teknik yang merata-ratakan sebuah angka dari nilai aktual terbaru, diperbaharui sebagai nilai-nilai baru yang tersedia.

Rata-rata bergerak tertimbang – Nilai-nilai baru dalam sebuah rangkaian diberikan berat lebih dalam peramalan.

Ft = MAn= n

At-n + … At-2 + At-1

Ft = WMAn= n

wnAt-n + … wn-1At-2 + w1At-1

3-17

Rata-rata Bergerak SederhanaRata-rata Bergerak Sederhana

35

37

39

41

43

45

47

1 2 3 4 5 6 7 8 9 10 11 12

Actual

MA3

MA5

Ft = MAn= n

At-n + … At-2 + At-1

3-18

Exponential SmoothingExponential Smoothing

• Dasar pikiran (Premise) –Observasi-observasi terbaru mungkin memiliki nilai ramalan tertinggi (akurasi).

Oleh karenanya, kita sebaiknya memberikan beban lebih ke periode-periode waktu terbaru pada saat peramalan.

Metode rata-rata tertimbang didasarkan pada ramalan sebelumnya ditambah persentase kesalahan ramalan

A-F adalah periode kesalahan, adalah % umpanbalik (feedback)

Ft = Ft-1 + (At-1 - Ft-1)

3-19

Period Actual Alpha = 0.1 Error Alpha = 0.4 Error1 422 40 42 -2.00 42 -23 43 41.8 1.20 41.2 1.84 40 41.92 -1.92 41.92 -1.925 41 41.73 -0.73 41.15 -0.156 39 41.66 -2.66 41.09 -2.097 46 41.39 4.61 40.25 5.758 44 41.85 2.15 42.55 1.459 45 42.07 2.93 43.13 1.87

10 38 42.36 -4.36 43.88 -5.8811 40 41.92 -1.92 41.53 -1.5312 41.73 40.92

Contoh 3 - Exponential SmoothingContoh 3 - Exponential Smoothing

Nilai AlphaNilai Alpha

Nilai α 0 < α < 1

Semakin dekat nilai α dengan 0, semakin jauh nilai ramalan dengan nilai aktual. Sebaliknya, semakin besar dekat nilai α dengan 1, semakin dekat nilai ramalan aktual.

3-20

3-21

Memilih Nilai AlphaMemilih Nilai Alpha

35

40

45

50

1 2 3 4 5 6 7 8 9 10 11 12

Period

Dem

and .1

.4

Actual

3-22

Kencenderungan umum nonlinearKencenderungan umum nonlinear

Parabolic

Exponential

Growth

Gambar 3.5

3-23

Rumus Tren LinearRumus Tren Linear

Ft = Forecast for period t t = Specified number of time periods a = Value of Ft at t = 0 b = Slope of the line

Ft = a + bt

0 1 2 3 4 5 t

Ft

3-24

Menghitung a dan bMenghitung a dan b

b = n (ty) - t y

n t2 - ( t)2

a = y - b t

n

3-25

Contoh Rumus Tren LinearContoh Rumus Tren Linear

t yW e e k t 2 S a l e s t y

1 1 1 5 0 1 5 02 4 1 5 7 3 1 43 9 1 6 2 4 8 64 1 6 1 6 6 6 6 45 2 5 1 7 7 8 8 5

t = 1 5 t 2 = 5 5 y = 8 1 2 t y = 2 4 9 9( t ) 2 = 2 2 5

3-26

Penghtiungan Tren LinearPenghtiungan Tren Linear

y = 143.5 + 6.3t

a = 812 - 6.3(15)

5 =

b = 5 (2499) - 15(812)

5(55) - 225 =

12495-12180

275 -225 = 6.3

143.5

3-27

Teknik-teknik untuk MusimanTeknik-teknik untuk Musiman

Variasi-variasi Musiman Pergerakan tetap yang berulang dalam rangakaian-

rangkaian nilai yang bisa dihubungkan dengan kejadian-kejadian berulang.

Musiman relatif Persentase dari rata-rata atau tren (kecenderungan)

Rata-rata Sebuah rata-rata bergerak yang ditempatkan pada

pusat data yang telah digunakan untuk menghitungnya.

3-28

Peramalan Asosiatif (Peramalan Asosiatif (Associative ForecastingAssociative Forecasting))

Variable-variabel peramal – digunakan untuk meramal nilai-nilai dari variabel sejenis

Regresi – sebuah teknik untuk mencocokkan sebuah garis ke dalam serangkaian nilai-nilai

Garis pangkat terkecil (Least squares line) – memperkecil jumlah pangkat penyimpangan-penyimpangan di sekitar sebuah garis

3-29

Model linear nampak beralasanModel linear nampak beralasan

Sebuah garis lurus dicocokan ke suatu rangakaian nilai

0

10

20

30

40

50

0 5 10 15 20 25

X Y7 152 106 134 15

14 2515 2716 2412 2014 2720 4415 347 17

Hubungan yang dihitung

3-30

Asumsi-asumsi Regresi Linear Asumsi-asumsi Regresi Linear

Variasi-variasi di sekitar garis adalah acak Penyimpangan-penyimpangan di sekitar garis

didistribusikan secara normal Prediksi-prediksi dibuat hanya dalam jangkauan nilai

yang diteliti Untuk hasil terbaik:

Selalu tandai data untuk membuktikan linearitasnya

Memeriksa data bergantung waktu Hubungan kecil bisa menyatakan bahwa variabel-

variabel lain juga penting

3-31

Akurasi RamalanAkurasi Ramalan

Kesalahan (Error) – perbedaan antara nilai aktual dan nilai ramalan

Mean Absolute Deviation (MAD) Rata-rata kesalahan mutlak (Average absolute error)

Mean Squared Error (MSE) Rata-rata kesalahan berpangkat (Average of squared

error)

Mean Absolute Percent Error (MAPE) Rata-rata persentase kesalahan mutlak (Average

absolute percent error)

3-32

MAD, MSE, and MAPEMAD, MSE, and MAPE

MAD = Actual forecast

n

MSE = Actual forecast)

-1

2

n

(

MAPE = Actual forecast

n

/ Actual*100)

3-33

MAD, MSE dan MAPEMAD, MSE dan MAPE

MAD Mudah dihitung Menimbang (menghitung) kesalahan secara linear

MSE Kesalahan dipangkatkan dua Beban lebih untuk kesalahan (erorr) yang lebih

besar

MAPE Menempatkan kesalahan-kesalahan (errors)

berdasarkan penyebabnya

3-34

Contoh Contoh

Period Actual Forecast (A-F) |A-F| (A-F)^2 (|A-F|/Actual)*1001 217 215 2 2 4 0.922 213 216 -3 3 9 1.413 216 215 1 1 1 0.464 210 214 -4 4 16 1.905 213 211 2 2 4 0.946 219 214 5 5 25 2.287 216 217 -1 1 1 0.468 212 216 -4 4 16 1.89

-2 22 76 10.26

MAD= 2.75MSE= 10.86

MAPE= 1.28

3-35

Pengawasan RamalanPengawasan Ramalan

Grafik Pengawasan (Control Chart) Alat untuk mengawasi kesalahan-kesalahan

ramalan secara visual Digunakan untuk menemukan ketidak-

serempangan dalam kesalahan-kesalahan

Kesalahan-kesalahan peramalan berada dalam kendali jika Semua kesalahan berada dalam batas kendali Muncul dengan tidak berbentuk, seperti tren

atau siklus

3-36

Sumber-sumber kesalahan Sumber-sumber kesalahan ramalanramalan

Model peramalan mungkin tidak cukup Variasi-variasi yang tak beraturan Kesalahan penggunaan teknik

peramalan

3-37

Memilih teknik peramalanMemilih teknik peramalan

Tidak ada teknik yang berfungsi di setiap situasi

Dua faktor yang paling penting Biaya Akurasi

Faktor lain termasuk ketersediaan dari: Data historis (masa lalu) Komputer Waktu yang dibutuhkan untuk mengumpulkan

dan menganalisa data Cakrawala ramalan (forecast horizon)

3-38

Strategi OperasiStrategi Operasi

Ramalan-ramalan adalah berbasis pada banyak keputusan-keputusan

Berusaha untuk memperbaiki ramalan jangka pendek

Akurasi ramalan-ramalan jangka pendek memperbaiki: Keuntungan Menurunkan tingkat persediaan Mengurangi keterbatasan persediaan Memperbaiki tingkat layanan konsumen Mempertinggi tingkat kepercayaan terhadap ramalan

3-39

Ramalan rantai suplaiRamalan rantai suplai

Membagi ramalan dengan suplai dapat Memperbaiki kualitas dalam rantai suplai Menurunkan biaya-biaya Memperpendek waktu tunggu

3-40

Exponential SmoothingExponential Smoothing

3-41

Rumus Tren LinearRumus Tren Linear

3-42

Regresi Linear SederhanaRegresi Linear Sederhana

Pertanyaan?Pertanyaan?

3-43