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 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 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 = t a= (15) 5 = b= 5 (2499)- 15(812) 5(55)- 225 = =

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 )   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) 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