forecasting 1

FORECASTINGFORECASTING

Seni dan Ilmu untuk memperkirakan atau

memprediksi kejadian dimasa depan

Hampir tidak ada bisnis yang luput dari proses peramalan

Perncanaan yang efektif baik jangka pendek maupun panjang sangat tergantung pada Peramalan Permintaan

0200400600

2006 2008

2006200720082009

HORIZON WAKTU

Peramalan Jk. Pendek digunakan untuk merencanakan: Pembelian Penjadwalan kerja Jumlah tenaga kerja Tingkat produksi, dll.

Jangka waktu hingga 1 tahun tetapi umumnya kurang dari 3 bulan

JK.MENENGAH

JK.PANJANG

JK.PENDEK

PERAMALAN

HORIZON WAKTU

Peramalan Jangka Menengah digunakan untuk merencanakan: Penjualan Anggaran produksi Anggaran kas

Jangka waktu Bulanan hingga 3 tahun

JK.MENENGAH

JK.PANJANG

JK.PENDEK

PERAMALAN

HORIZON WAKTU Peramalan Jangka

Panjang digunakan untuk merencanakan: Produk baru Pengembangan Pabrik Litbang

Jangka waktu diatas 3 tahun

JK.MENENGAH

JK.PANJANG

JK.PENDEK

PERAMALAN

TYPES OF FORECASTINGTYPES OF FORECASTING

Economic ForecastTechnological Forecast

Demand Forecast

Economic Forecast Merencanakan indikator ekonomi yang berguna membantu organisasi untuk menyiapkan peramalan. (inflasi)

Technological Forecast Peramalan jangka panjang yang memperhatikan tingkat kemajuan teknologi.

Demand Forecast Meramalkan penjualan suatu perusahaan pada setiap periode dalam horizon waktu.

FORECASTING APPROACH

Peramalan Kualitatif

Peramalan Kuantitatif

PERAMALAN KUALITATIF

Peramalan yang menggabungkan faktor-

faktor seperti intuisi pengambilan

keputusan, emosi, pengalaman pribadi dll

PERMALAN KUALITATIF

Jury of Executive Opinion

(Keputusan Pendapat Juri Eksekutif) Delphi Method (Metode Delphi) Sales Force Composite

(Gabungan Tenaga Penjualan) Consumer Market Survey

(Survei Pasar Konsumen)

Jury of Executive Opinion

Teknik peramalan yang meminta segolongan kecil manajer tingkat tinggi dan menghasilkan estimasi permintaan kelompok

Delphi Method

Teknik peramalan yang menggunakan proses kelompok (expert, employee, respondent) dimana para pakar melakukan peramalan

Sales Force Composite

Teknik peramalan berdasarkan prediksi tenaga penjualan terhadap besarnya penjualan yang memungkinkan dimasa yang akan datang“Orang-orang yang dapat

memprediksi masa depan tidak akan pernah dihargai di masanya

sendiri”

Pakar Kualitas PHILIP CROSBY

Consumer Market Demand

Metode peramalan yang meminta input dari para konsumen mengenai rencana pembelian mereka di masa yang akan datang

PERAMALAN KUANTITATIF

Peramalan yang menggunakan satu atau lebih model matematis dengan data masa lalu dan variabel sebab akibat untuk meramalkan permintaan

PERAMALAN KUANTITATIF

NAIVE APPROACH

MOVING AVERAGE

EXPONENTIAL SMOOTHING

TREND PROJECTION

LINIER REGRESSION ANALYSIS

Menggunakan sekumpulan data masa lalu untuk peramalan

Menggunakan sekumpulan data masa lalu untuk peramalan

MODEL TIME SERIES

MODEL TIME SERIES

Model Asosiatif

(Hubungan sebab akibat)

Model Asosiatif

(Hubungan sebab akibat)

NAIVE APPROACH

0

20

40

60

80

100

Januari Februari

Januari Februari

Teknik peramalan yang mengasumsikan permintaan di periode mendatang sama dengan permintaan pada periode terakhir

MOVING AVERAGE Metode

peramalan yang menggunakan rata-rata dari sejumlah (n) data terkini untuk meramalkan periode mendatang

Bulan Penjualan Aktual

Rata2 Bergerak 3-Bulan

Januari 20

Februari 30

Maret 45

April 31,7 (20+30+45)/3=31,7

0

50

J F M A

J F M A

Moving Average dengan Pombobotan

Bulan Penjualan Aktual

Rata2 Bergerak dengan Pembobotan 3-Bulan

Januari 20

Februari 30

Maret 45

April 35,8 {(3x45) + (2x30) + (1x20) / 6 = 35,8

Bobot yg diberikan

Periode

3 Bulan lalu (Maret)

2 Dua bulan lalu (Februari)

1 Tiga bulan lalu (Januari)

6 Total bobot

MODEL ASOSIATIF

TREND PROJECTION

LINEAR REGRESSION

TREND PROJECTION

Trend Projection (proyeksi tren) merupakan metode peramalan yang menyesuaikan sebuah garis tren pada sekumpulan data masa lalu, dan kemudian diproyeksikan dalam garis untuk meramalkan masa depan

n

y

bxay bxay

2x

xy

a =

b =

Y = Variabel Terikat (penjualan)

X = Variabel Bebas (waktu)

a = Konstanta

b = Koefisien Tren

n = Jumlah data (pengamatan)

Perkembangan Penjualan PT.X

Tahun Volume Penjualan (ton)

2003 2.847

2004 3.685

2005 4.065

2006 5.789

2007 7.639

2008 ?

2009 ?

Th Penjualan X Y XY X²

2003 2.874 -2 2.847 -5.748 4

2004 3.685 -1 3.685 -3.685 1

2005 4.065 0 4.065 0 0

2006 5.789 1 5.789 5.789 1

2007 7.639 2 7.639 155.278 4

=0 =24.052 =11.634 =10

bxay bxay a = Y/n = 24.052 / 5 = 4.810,4

b = XY/X² = 11.634 / 10 = 1.164,4

Y = 4.810,4 + 1.164,4 XY = 4.810,4 + 1.164,4 X

Y2008 = 4.810,4 + 1.164,4 (3) =8.300,6

Y2009= 4.810,4 + 1.164,4 (4) =9.464

SIMPLE LINEAR REGRESSION

Model matematis garis lurus yang menjelaskan hubungan fungsional antara satu variabel terikat (dependent variable)

bxay bxay

22 )(

.

xx

yxnxy

b =

xbya Y = Variabel Terikat

X = Variabel Bebas (bukan waktu)

a = Konstanta

b = Koefisien regresi

n = Jumlah data (pengamatan)

Case:Perusahaan Konstruksi Nodel, West Bloomfield

Perusahaan Konstruksi Nodel merenovasi sejumlah rumah tua di West Bloomfield, Michigan.

Sejalan dengan waktu, perusahaan mendapati bahwa biaya pekerjaan renovasinya tergantung pada tingkat penghasilan penduduk yaitu upah lokal di West Bloomfield.

Tabel berikut ini menunjukkan penjualan Nodel dan upah lokal selama masa 6 tahun

Years Sales Wages

2002 20 1

2003 30 3

2004 25 4

2005 20 2

2006 20 1

2007 35 7

Jika kantor perdagangan lokal memperkirakan upah wilayah West Bloomfield tahun 2008 adalah 6, Tentukan perkiraan penjualan Nodel tahun 2008?

Years Sales (Y) Wages (X) X² XY

2002 20 1 1 20

2003 30 3 9 90

2004 25 4 16 100

2005 20 2 4 40

2006 20 1 1 20

2007 35 7 49 245

Y=150 X=18 X²=80 XY=515

22

.

xx

yxnxy

bxay

xbya

b =

2)3).(6(80

)25).(3).(6(515= = 2,5

)3.(5,225 5,17

25Y 3X

).(5,25,17 upahY

)6.(5,25,17 Y

5,32)2008( Sales 5,32)2008( Sales

1 2 3 4 5 6 7

10

20

30

40

Garis Regresi

Y= 17,5 + 2,5 X

Garis Regresi

Y= 17,5 + 2,5 X

a= 17,5a= 17,5

WAGES

SALES

32,5

Untuk menghitung keakuratan regresi yang diperkirakan, harus dihitung Kesalahan Standar Estimasi (Standard error

of the estimate). Perhitungan ini disebut Deviasi Standar Regresi (Standard Deviation of the Regression)

2

2

.

n

xybyayS xy

Case: Perusahaan Konstruksi Nodel

2

2

.

n

xybyayS xy

26

)515(5,2)150.(5,173950

06,3

Maka kesalahan standar estimasi adalah 3,06 dalam Penjualan (Sales)

Maka kesalahan standar estimasi adalah 3,06 dalam Penjualan (Sales)

KOEFISIEN KORELASIKOEFISIEN KORELASI

Suatu teknik statistik untuk menentukan kekuatan hubungan antara dua variabel

KOEFISIEN KORELASIKOEFISIEN KORELASI

2222 )(.)(

.

yynxxn

yxxynr

Case: Nodel

2222 )(.)(

.

yynxxn

yxxynr

901,0r

Correlations

1 .901*

.014

6 6

.901* 1

.014

6 6

Pearson Correlation

Sig. (2-tailed)

N

Pearson Correlation

Sig. (2-tailed)

N

y

x

y x

Correlation is significant at the 0.05 level (2-tailed).*.

Model Summaryb

.901a .813 .766 3.062 2.333Model1

R R SquareAdjustedR Square

Std. Error ofthe Estimate

Durbin-Watson

Predictors: (Constant), xa.

Dependent Variable: yb.