Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

Teknik Proyeksi Bisnis  Forecasting= peramalan  Sesuatu yang belum terjadi  Ilmu sosial, ketidakpastian  Jumlah penduduk, PCI, Sales Volume, konsumsi,…

Presentasi serupa


Presentasi berjudul: "Teknik Proyeksi Bisnis  Forecasting= peramalan  Sesuatu yang belum terjadi  Ilmu sosial, ketidakpastian  Jumlah penduduk, PCI, Sales Volume, konsumsi,…"— Transcript presentasi:

1 Teknik Proyeksi Bisnis  Forecasting= peramalan  Sesuatu yang belum terjadi  Ilmu sosial, ketidakpastian  Jumlah penduduk, PCI, Sales Volume, konsumsi,…  Dipengaruhi oleh berbagai faktor yang sangat kompleks

2  Sukar diperkirakan secara tepat  Tujuan forecasting = meminimumkan pengaruh ketidakpastian terhadap perusahaan, dengan ukuran mean absolute error atau mean squared error  Lingkungan sosial dapat dilihat pada gambar berikut :

3 LINGKUNGAN SOSIAL DAN KONTROL LINGKUNGAN TEKNIS PERUSAHAAN LINGKUNGAN EKONOMI MAKRO GIVEN

4  Kebutuhan konsumen atau pelanggan vs kapasitas produksi perusahaan  Terdapat beberapa metode yang bisa digunakan dalam sebuah peramalan  Tidak ada satu pun metode yang bisa dikatakan paling cocok untuk suatu kasus

5 Forecast Dengan Smoothing 1.Metode Single Smoothing Menghitung rata-rata dari nilai-nilai pada beberapa tahun untuk menaksir pada suatu tahun tertentu

6  S t+1 =forecast untuk periode ke t+1  X t = data pada periode t  n = jangka waktu moving averages Sifat moving averages : Bila ada data selama P periode kita baru bisa membuat forecast untuk periode ke P+1

7  Semakin panjang moving average akan menghasilkan moving average yang semakin halus  Menghitung error

8  Bulan ke-1 s/d ke 11  Permintaan beras di suatu daerah  20,21,19,17,22,24,18,21,20,23,22  Buat moving average 3 dan 5 bulan  Hitung error-nya  Ambil kesimpulan!

9 Kelemahan Moving average  Perlu data historis  Semua data diberi bobot yang sama  Tidak bisa mengikuti perubahan yang drastis  Tidak cocok untuk forecasting data yang ada gejala trend

10 2.Metoda Double Moving Averages  Moving average dilakukan dua kali  Lalu mencari nilai a (konstanta)  Mencari nilai b (slope)  Menghitung forecast dengan rumus

11

12 periodedemand4 th m.av4 th mo.av, kol.2 Nilai aNilai bforecast

13 3.Metode Single Exponential Smoothing Adalah pengembangan dari moving averages Alpha mempunyai nilai antara 0 dan 1 Cobalah dengan menggunakan data awal pada contoh soal single moving averages pertama Hitung pula mean abs.error dan mean sq.error-nya

14 4.Metode Double Exponentials Smoothing

15  Rumus tadi agak berbeda dengan single smoothing di mana X t dipakai untuk mencari S t bukan S t+1  Forecast dihitung dengan m= jangka waktu forecast ke depan

16 3.Metode Triple Exponentials Smoothing

17 Metoda Dekomposisi ( Times Series )  Apa yang terjadi terjadi itu akan berulang kembali dengan pola yang sama

18 1.Trend linier dengan metode least square  Persamaan trend Y= a + bX

19 Demand PT.GB, tahun TahunTrw.1Trw.2Trw.3Trw

20 Sales PT.NMN, Tahun

21 Merubah persamaan trend  Memindah origin  Trend rata-rata persamaan trend tiap bulan,kuartal  Persamaan trend bulanan dan kuartalan satuan x = satu tahun. Dirubah a:12, b:12 2 satuan x = setengah tahun; a:12, b:12 2 /2 Dirubah menjadi persamaan trend kuartalan menjadi :…

22 Trend parabola  Y=a+bX+cX 2

23 Sales PT.AEG Tahun Masukkan data di atas Tahun, Sales, X,XY,X 2, X 2 Y,X 4

24  Trend ini menghasilkan garis proyeksi yang tidak lurus, melainkan melengkung  menghitung perbedaan pertama dan perbedaan kedua data penjualan yang ada, bila cenderung stabil, maka dapat menggunakan proyeksi trend parabolik

25 Trend Eksponensial  y=ab x  Log y = log a + x logb

26 Tahun Sales(Y) Log YXX2X2 X.log Y ƩƩƩ

27 Gelombang musim  Gelombang pasang surut yang berulang kembali dalam satu periode waktu yang tidak lebih dari satu tahun  Permintaan produk tertentu  Dinyatakan dalam bentuk indeks, indeks musim  X=T x M x S x R  Metode rata-rata sederhana  Metode persentase terhadap trend

28 Rata- rata b.kum Sisa kol 8-9 Index musm Kw I Kw II Kw III Kw IV Ʃ xxx Y=32,75+0,45X

29 Metode persentase trend Kw I26,6828,4830,2832,0833,8835,6837,48 II27,1328,9330,7332,5334,3336,1337,93 III27,5829,3831,1832,9834,7836,5838,38 IV28,0329,8331,6333,4335,2337,0338,83

30  Cari persentase nilai riil  Untuk setiap tahun dan tiap kuartal  Buatlah tabulasi untuk persentase tadi  Kolom terakhir adalah median dari persentase dalam satu tahun untuk masing-masing kuartal  Cari rata-rata median  Hitung indeks musim dengan membagi median dengan rata-rata median

31 Variasi Siklis  Perubahan atau gelombang pasang surut suatu hal yang berulang kembali dalam waktu sekitar 5-10 tahun  Menghilangkan pengaruh dari tren, variasi musim dan variasi random  Untuk mencari indeks siklis

32 sales TrendIndeks musim TxMSxR Weighted Mov.Sum. 3 period Indeks siklis 2004 Kw I 18 32,08 65,47 dlm% 1:4x100 SR1:2: 1 WM:4 Kw II 26 32,53 82,77 Kw III 47 32,98 137,49 Kw IV 44 32,43 114, KwI 25 33,8 65,47 KwII 30 34,33 82,77 KwIII 45 34,78 137,49 KwIV 40 35,23 114,26

33 Metode Input Output  Perekonomian suatu negara, antar industri satu dengan yang lain saling membutuhkan.  Hubungan input-output untuk membuat forecast X i = nilai output sektor I X ij = hasil industri i yang dibutuhkan oleh industri j C i = pembelian oleh pemakai akhir

34 Alokasi output suatu industri yang digunakan oleh industri lain dan konsumen akhir

35 Penggunaan input untuk menghasilkan output suatu industri

36 Regresi Sederhana  Suatu persamaan untuk menyatakan hubungan antara dua variabel dan memperkirakan nilai variabel tak bebas Y berdasarkan nilai variabel bebasnya,yaitu X  Besaran atau nilai sesuatu dipengaruhi oleh suatu faktor  Besarnya pengaruh suatu variabel terhadap variabel lainnya dalam praktek bisa bersifat linier,eksponensial, kuadratik  Dalam regresi bersifat linier

37 0 sales PCI

38 Demad DN “A” 0 Import “A”

39  Dependent variable dan independent variable  Y=f(x)  Suatu persamaan matematis yang mendefinisikan dua variabel  Misal hubungan antara promosi dengan tingkat penjualan, kompensasi dengan kinerja karyawan, dsb  Bila menggunakan diagram pencar maka akan diperoleh garis lurus yang beraneka ragam  Setiap individu mempunyai pendapat yang berbeda-beda

40 salessales PCI

41  Untuk menghilangkan perbedaan penilaian maka digunakan apa yang disebut dengan kaidah kuadrat terkecil  Garis lurus dengan kesesuaian terbaik, serta meminimalkan jumlah kuadrat deviasi vertikal terhadap garis  Kaidah kuadrat terkecil : menentukan suatu persamaan regresi dengan meminimumkan jumlah kuadrat jarak vertikal antara nilai aktual Y dan nilai prediksi Y

42 •Y’= nilai prediksi dari variabel Y berdasarkan nilai variabel X yang dipilih •a = titik potong Y, nilai perkiraan bagi Y ketika garis regresi memotong sumbu Y, X=0 •b = kemiringan garis •X= sembarang nilai variabel bebas yang dipilih

43

44  Standard error of estimate  Penyimpangan data dari garis regresinya

45 Korelasi  Analisis korelasi : Sekumpulan teknik statistik yang digunakan untuk mengukur keeratan hubungan (korelasi)antara dua variabel  Jumlah transaksi dan jumlah barang terjual  Diagram pencar : suatu diagram yang menggambarkan hubungan antara dua variabel yang diamati.  Variabel tak bebas : variabel yang diduga nilainya  Variabel bebas : variabel yang mendasari pendugaan / variabel penduga

46  Karl Pearson  Keeratan hubungan antara dua gugus variabel berskala selang atau rasio  Dilambangkan dengan : r Pearson  Koefisien korelasi produk-momen Pearson  Nilai antara -1,00 hingga +1,00  Keeratan korelasi tidak bergantung pada arahnya

47 0,501,00-0,50 -1,00

48 Koefisien Determinasi  Dihitung dengan mengkuadratkan koefisien korelasi: r 2  Sekian persen dari keragaman dari…dapat diterangkan atau diperhitungkan oleh keragaman variabel bebas…  Spurious correlation atau korelasi palsu  Ada hubungan antar variabel, bukan karena ada perubahan pada variabel satu menyebabkan perubahan pada variabel yang lain

49 Uji signifikansi  Dalam suatu kasus, misal seorang manajer penjualan menggunakan sampel salesman sebanyak 10 orang dan menemukan adanya korelasi sebesar A antara jumlah transaksi dan jumlah barang yang terjual  Mungkinkah korelasi di dalam populasi sebenarnya sama dengan 0?  Df: n-2, taraf sig.=5%

50 Auto regresi dan auto korelasi  Besar pengaruh dan hubungan nilai suatu variabel,antara yang telah terjadi pada suatu periode dan yang terjadi pada periode berikutnya  Untuk mengetahui besarnya pengaruh digunakan auto regresi  Untuk mengetahui kuat tidaknya hubungan diukur dengan auto korelasi

51  Besarnya nilai suatu variabel tergantung pada nilai variabel itu sendiri yng telah terjadi sebelumnya  Dependent variabel X t  Independent variabel X t-1

52 Persamaan auto regresi dan auto korelasi

53 Koefisien auto korelasi

54  Df: n-2  Taraf signifikansi 5%  Uji dua arah

55 Sales PT.Gerbang Tahun ke-Sales (Jt.Rp)Tahun ke-Sales(Jt Rp)

56 tX t-1 XtXt (X t )(X t-1 )(X t-1 ) 2 Xt2Xt


Download ppt "Teknik Proyeksi Bisnis  Forecasting= peramalan  Sesuatu yang belum terjadi  Ilmu sosial, ketidakpastian  Jumlah penduduk, PCI, Sales Volume, konsumsi,…"

Presentasi serupa


Iklan oleh Google