pertemuan 4 - univbsi.idunivbsi.id/pdf/2017/790/790-p04.pdf · contoh : tupperware →13 pabrik di...
TRANSCRIPT
PERTEMUAN 4
FORECASTING
FORECASTING ???
“Seni dan ilmu untuk memperkirakan kejadian di masa depan.”
Contoh :
Tupperware → 13 pabrik di seluruh dunia,dengan penjualan di lebih dari 100 negara.
FORECASTING BERDASARKAN HORIZON WAKTU :
• Forecasting jangka pendek → < 3 bulan – 1 tahun (forecasting pembelian, penjadwalan kerja, tingkat produksi)
• Forecasting jangka menengah → bulanan – 3 tahun (forecasting penjualan, anggaran produksi, anggaran kas)
• Forecasting jangka panjang → > 3 tahun (forecasting produk baru, pembelanjaan modal, pengembangan fasilitas, litbang)
PENGARUH SIKLUS HIDUP PRODUK TERHADAP FORECASTING PENJUALAN
JENIS FORECASTING
1. Economic Forecast
Menjelaskan siklus bisnis dengan memprediksikan tingkat
inflasi, ketersediaan uang, anggaran, dsb
2. Technological Forecast
Memperhatikan tingkat kemajuan teknologi yang
berhubungan dengan peluncuran produk baru, peralatan
atau fasilitas pabrik, dsb
3. Demand Forecast / Sales Forecast
Proyeksi permintaan untuk produk suatu perusahaan
7 LANGKAH SISTEM PERAMALAN
1. Menetapkan tujuan forecasting
2. Memilih unsur apa yang akan diramal
3. Menentukan horizon waktu
4. Memilih tipe model forecasting
5. Mengumpulkan data yang diperlukan
6. Membuat forecasting
7. Memvalidasi dan menerapkan hasilforecasting
2 PENDEKATAN UMUM FORECASTING
1. Analisis Kualitatif
Menggabungkan faktor, seperti intuisi, emosi, pengalaman pribadi, dan sistem nilai pengambil keputusan
2. Analisis Kuantitatif
Menggunakan model matematis yang beragam dengan data masa lalu dan variabel sebab akibat untuk meramalkan permintaan
METODE KUALITATIF
1. Keputusan dari pendapat juri eksekutif
2. Metode delphi
3. Gabungan dari tenaga penjualan
4. Survey pasar konsumen
METODE KUANTITATIF
1. Pendekatan naif
2. Rata-rata bergerak
3. Penghalusan eksponensial
4. Proyeksi tren
5. Regresi linear Time series
Asosiatif
4 KOMPONEN TIME SERIES1. Tren
Pergerakan data sedikit demi sedikt meningkat
atau menurun
2. Musim
Pola data yang berulang pada kurun waktu tertentu
(hari, minggu, bulan, atau kuartal)
3. Siklus
Pola dalam data yang terjadi setiap beberapa
tahun
4. Variasi acak
Satu titik dalam data, yang disebabkan oleh
peluang dan situasi yang tidak biasa.
PENDEKATAN NAIF
➔ Permintaan di periode mendatang sama dengan permintaan pada periode terakhir.
RATA-RATA BERGERAK
Contoh :Data penjualan sepatu di Good’s Shoes adalah sebagai berikut :
Hitunglah forecasting untuk bulan April dan Mei (jika permintaan aktual bulan April adalah 15) dengan metode rata-rata bergerak dan rata-rata bergerak dengan pembobotan !
BULAN PENJUALAN AKTUAL
Januari 10
Februari 12
Maret 13
BOBOT PERIODE
3 Bulan lalu
2 Dua bulan lalu
1 Tiga bulan lalu
PENGHALUSAN EKSPONENSIAL
Keterangan :Ft = peramalan baruFt-1 = peramalan sebelumnyaα = konstanta penghalus (0≤α≤1)At-1 = permintaan aktual periodelalu
“Metode peramalan rata-rata bergerak dengan pembobotan yang lebih canggih”
Contoh :
Pada bulan Januari, sebuah dealer mobil memprediksi permintaan Ford Mustang di bulan Februari sebanyak 142 mobil. Permintaan aktual bulan Februari adalah 153 mobil. Dengan menggunakan konstanta penghalusan yang dipilih oleh pihak manajemen α = 0,2, hitunglah forecasting permintaan di bulan Maret dengan menggunakan model penghalusan eksponensial!
PROYEKSI TREN“Teknik yang mencocokkan garis tren pada serangkaian data masa lalu dan kemudian memproyeksikan garis pada masa
datang untuk peramalan jangka menengah atau jangka panjang.”
Keterangan :
y = variabel terikat
a = persilangan sumbu y
b = kemiringan garis regresi
X = variabel bebas (waktu)
Contoh :Permintaan daya listrik PLN dapat dilihat pada data berikut ini (dalam satuan megawatt) :
Hitunglah forecast tahun 2011 dengan menempatkan satu tren garis lurus yang paling sesuai dari data tersebut !
TAHUN PERMINTAAN DAYA LISTRIK
2004 74
2005 79
2006 80
2007 90
2008 105
2009 142
2010 122
REGRESI LINEAR
“Model matematis yang sama dengan yang digunakanpada metode kuadrat terkecil dari proyeksi tren.”
Keterangan :
y = variabel terikat
a = persilangan sumbu y
b = kemiringan garis regresi
X = variabel bebas
Contoh :Perusahaan konstruksi Nodel merenovasi sejumlah rumah tua di West Bloomfield. Sejalan dengan waktu, perusahaan mendapati bahwa biaya pekerjaan renovasinya bergantung pada tingkat penghasilan penduduk yaitu jumlah upah lokal di West Bloomfield. Data dapat dilihat pada tabel berikut ini :
Buatlah persamaan matematis dengan menggunakan pendekatan regresi!
PENJUALAN($000.000)
UPAH LOKAL($000.000.000)
2 1
3 3
2,5 4
2 2
2 1
3,5 7
Latihan Soal
1. Menjelaskan siklus bisnis dengan memprediksikan tingkat
inflasi, ketersediaan uang, anggaran, dsb merupakan jenis
forecasting yang disebut dengan:
a. Economic Forecast
b. Technological Forecast
c. Demand Forecast
d. Sales Forecast
e. Product Forecast
Latihan Soal
2. Memperhatikan tingkat kemajuan teknologi yang
berhubungan dengan peluncuran produk baru, peralatan
atau fasilitas pabrik, dsbmerupakan jenis forecasting yang
disebut dengan:
a. Economic Forecast
b. Technological Forecast
c. Demand Forecast
d. Sales Forecast
e. Product Forecast
Latihan Soal
3. Pergerakan data sedikit demi sedikt meningkat atau menurun,
dalam komponen time series disebut:
a. Tren
b. Musim
c. Siklus
d. Variasi acak
e. Fluktuatif
Latihan Soal
4. Pola data yang berulang pada kurun waktu tertentu
(hari, minggu, bulan, atau kuartal), dalam komponen
time series disebut:
a. Tren
b. Musim
c. Siklus
d. Variasi acak
e. Fluktuatif
Latihan Soal
5. Pola dalam data yang terjadi setiap beberapa
tahun dalam komponen time series disebut:
a. Tren
b. Musim
c. Siklus
d. Variasi acak
e. Fluktuatif