Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

PERAMALAN 3-1  Memprediksi peristiwa masa depan  Biasanya perlu kebiasaan selama jk waktu tertentu  metode kualitatif  Berdasarkan metode yg subjektif.

Presentasi serupa


Presentasi berjudul: "PERAMALAN 3-1  Memprediksi peristiwa masa depan  Biasanya perlu kebiasaan selama jk waktu tertentu  metode kualitatif  Berdasarkan metode yg subjektif."— Transcript presentasi:

1 PERAMALAN 3-1  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 3-2Ramalan  Ramalan mempengaruhi keputusan2 & aktivitas dlm sebuah organisasi  Akuntasi, Keuangan  SDM  Pemasaran  Sistem Informasi Manajemen (SIM)  Operasional  Disain produk/jasa

3 3-3 AkuntansiPerkiraan biaya/keuntungan KeuanganArus kas & pendanaan Sumberdaya manusiaPenerimaan pegawai/training PemasaranPenetapan harga, promosi, strategi SIMTI/SI systems, layanan2 OperasionalJadwal, Material Requirement Planning MRP, beban kerja Disain produk/jasaProduk baru & jasa Penggunaan Ramalan

4 3-4 Aku melihat kau akan memperoleh nilai A semester ini.

5 3-5  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 Ciri-ciri ramalan

6 3-6 Unsur2 ramalan yg baik Tepat waktu Akurat TertulisBerarti Mudah Digunakan 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 3-7 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 3-8 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 3-9 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 3-10 Variasi-variasi Ramalan Tren (kecenderungan) Variasi tak beraturan Variasi musiman 90 89 88 Gambar 3.1 Siklus

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 3-11

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

13 3-13 Teknik-teknik Perata-rataan  Rata-rata bergerak (Moving average)  Rata-rata bergerak tertimbang(Weighted moving average)  Exponential smoothing

14 3-14 Rata-rata Bergerak  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. F t = MA n = n A t-n + … A t-2 + A t-1 F t = WMA n = n w n A t-n + … w n-1 A t-2 + w 1 A t-1

15 3-15 Rata-rata Bergerak Sederhana Actual MA3 MA5 F t = MA n = n A t-n + … A t-2 + A t-1

16 3-16 Contoh Metode Moving Average

17 3-17 Exponential Smoothing 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) F t = F t-1 +  ( A t-1 - F t-1 )

18 3-18 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. 3-19

20 3-20 Memilih Nilai Alpha .1 .4 Actual

21 3-21 Kencenderungan umum nonlinear Parabolic Exponential Growth Gambar 3.5

22 3-22 Rumus Tren Linear  F t = Forecast for period t  t = Specified number of time periods  a = Value of F t at t = 0  b = Slope of the line F t = a + bt 0 1 2 3 4 5 t FtFt

23 3-23 Menghitung a dan b b = n(ty) - ty nt 2 - ( t) 2 a = y - bt n   

24 3-24 Contoh Rumus Tren Linear

25 3-25 Penghtiungan Tren Linear y = 143.5 + 6.3t a= 812- 6.3(15) 5 = b= 5 (2499)- 15(812) 5(55)- 225 = 12495-12180 275-225 = 6.3 143.5

26 3-26 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 3-27 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 3-28 Model linear nampak beralasan Sebuah garis lurus dicocokan ke suatu rangakaian nilai Hubungan yang dihitung

29 3-29 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 3-30 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 3-31 MAD, MSE, and MAPE MAD = Actualforecast   n MSE = Actualforecast ) - 1 2   n ( MAPE = Actualforecast  n / Actual*100) 

32 3-32 MAD, MSE dan MAPE  MAD  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 3-33 Contoh

34 3-34 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 3-35 Sumber-sumber kesalahan ramalan  Model peramalan mungkin tidak cukup  Variasi-variasi yang tak beraturan  Kesalahan penggunaan teknik peramalan

36 3-36 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 3-37 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 3-38 Ramalan rantai suplai  Membagi ramalan dengan suplai dapat  Memperbaiki kualitas dalam rantai suplai  Menurunkan biaya-biaya  Memperpendek waktu tunggu

39 3-39 Exponential Smoothing

40 3-40 Rumus Tren Linear

41 3-41 Regresi Linear Sederhana

42 3-42 Berikut adalah data Biaya Promosi dan Volume Penjualan produk ABC Tahun Biaya Promosi Volume Penjualan (Juta Rupiah) (Ratusan) 2001 2 5 2002 4 6 2003 5 8 2004 7 10 2005 8 11 2006914 Regresi Linear Sederhana Lakukan Peramalan dengan Regresi Linear Sederhana Perkirakan Volume penjualan jika dikeluarkan biaya promosi Rp. 10 juta ?


Download ppt "PERAMALAN 3-1  Memprediksi peristiwa masa depan  Biasanya perlu kebiasaan selama jk waktu tertentu  metode kualitatif  Berdasarkan metode yg subjektif."

Presentasi serupa


Iklan oleh Google