forecasting 1
Post on 06-Dec-2014
12.223 Views
Preview:
DESCRIPTION
TRANSCRIPT
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.
top related