PERAMALAN Memprediksi peristiwa masa depan

Presentasi berjudul: "PERAMALAN Memprediksi peristiwa masa depan"— Transcript presentasi:

1 PERAMALAN Memprediksi peristiwa masa depan
Biasanya perlu kebiasaan selama jk waktu tertentu metode kualitatif Berdasarkan metode yg subjektif Metode kuantitatif Berdasarkan rumus matematika Sebuah pernyataan tentang nilai di masa mendatang dari sebuah variabel yg ingin diketahui,(ex.permintaan) Peramalan digunakan untuk membuat keputusan bernilai: Jangka panjang Jangka pendek

2 Ramalan Ramalan mempengaruhi keputusan2 & aktivitas dlm sebuah organisasi Akuntasi, Keuangan SDM Pemasaran Sistem Informasi Manajemen (SIM) Operasional Disain produk/jasa

3 Penggunaan Ramalan Akuntansi Perkiraan biaya/keuntungan Keuangan
Arus kas & pendanaan Sumberdaya manusia Penerimaan pegawai/training Pemasaran Penetapan harga, promosi, strategi SIM TI/SI systems, layanan2 Operasional Jadwal, Material Requirement Planning MRP, beban kerja Disain produk/jasa Produk baru & jasa

4 Aku melihat kau akan memperoleh nilai A semester ini.

5 Ciri-ciri ramalan Beranggapan sistem kasual masa lalu  masa depan Ramalan jarang sempurna, oleh karena tingkat keacakan Ramalan lebih akurat untuk grup daripada individu Tingkat akurasi ramalan menurun sejalan dg meningkatnya cakrawala waktu

6 Unsur2 ramalan yg baik Langkah-langkah proses peramalan Tepat waktu
Tertulis Berarti Mudah Digunakan Akurat Langkah-langkah proses peramalan 1) Tetapkan maksud /tujuan dari ramalan 2) Tetapkan batas waktu 3) Pilih teknik ramalan 4) Dapatkan, “bersihkan” & analisa data 5) Lakukan peramalan 6) Monitor ramalan

7 Jenis-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

8 Ramalan berdasarkan penilaian (Judgmental Forecast)
Pendapat atasan Pendapat tenaga penjual Survei konsumen Pendapat dari luar Metode Delphi Pendapat dari manajer dan staf Mencapai ramalan secara kosensus

9 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

10 Variasi-variasi Ramalan
Gambar 3.1 Variasi tak beraturan Tren (kecenderungan) Siklus 90 89 88 Variasi musiman

11 Peramalan berdasarkan 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

12 Metode Naif Periode ke-1 = 200 Periode ke-2 = 230 Periode ke-3 = ?

13 Teknik-teknik Perata-rataan
Rata-rata bergerak (Moving average) Rata-rata bergerak tertimbang(Weighted moving average) Exponential smoothing

14 Rata-rata Bergerak At-n + … At-2 + At-1 Ft = MAn= n
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

15 Rata-rata Bergerak Sederhana
Actual MA5 MA3 Ft = MAn= n At-n + … At-2 + At-1

16 Contoh Metode Moving Average

17 Exponential Smoothing
Ft = Ft-1 + (At-1 - Ft-1) 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)

18 Contoh 3 - Exponential Smoothing

19 Nilai 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.

20 Memilih Nilai Alpha  .1 .4 Actual

21 Kencenderungan umum nonlinear
Gambar 3.5 Parabolic Exponential Growth

22 Rumus Tren Linear Ft = a + bt Ft = Forecast for period t
t = Specified number of time periods a = Value of Ft at t = 0 b = Slope of the line

23 Menghitung a dan b b = n (ty) - t y 2 ( t) a 

24 Contoh Rumus Tren Linear

25 Penghtiungan Tren Linear
y = t a = 812 - 6.3(15) 5 b 5 (2499) 15(812) 5(55) 225 12495 12180 275 6.3 143.5

26 Teknik-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.

27 Peramalan Asosiatif (Associative 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

28 Model linear nampak beralasan
Hubungan yang dihitung Sebuah garis lurus dicocokan ke suatu rangakaian nilai

29 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

30 Akurasi 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)

31 MAD, MSE, and MAPE  Actual  forecast MAD = n MSE = Actual forecast)
- 1 2   n ( MAPE = Actual forecast  n / Actual*100) (

32 MAD, MSE dan MAPE MAD MSE MAPE 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

33 Contoh

34 Pengawasan 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

35 Sumber-sumber kesalahan ramalan
Model peramalan mungkin tidak cukup Variasi-variasi yang tak beraturan Kesalahan penggunaan teknik peramalan

36 Memilih 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)

37 Strategi 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

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

39 Exponential Smoothing

40 Rumus Tren Linear

41 Regresi Linear Sederhana

42 Berikut adalah data Biaya Promosi dan Volume Penjualan produk ABC
Tahun Biaya Promosi Volume Penjualan (Juta Rupiah) (Ratusan) Lakukan Peramalan dengan Regresi Linear Sederhana Perkirakan Volume penjualan jika dikeluarkan biaya promosi Rp. 10 juta ?