Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

Studi Kelayakan Bisnis Aspek Pasar dan Pemasaran.

Presentasi serupa


Presentasi berjudul: "Studi Kelayakan Bisnis Aspek Pasar dan Pemasaran."— Transcript presentasi:

1 Studi Kelayakan Bisnis Aspek Pasar dan Pemasaran

2 Dinnul Alfian Akbar2–2 Apakah Peramalan Itu?  Seni dan ilmu untuk memprediksi kejadian dimasa datang  Sebagai dasar untuk keputusan bisnis  Produksi  Persediaan  Tenaga Kerja  Fasilitas ??

3 Dinnul Alfian Akbar2–3  Peramalan Jangka Pendek  1 tahun, umumnya kurang dari 3 bulan  Pembelian, penjadwalan kerja, jumlah tenaga kerja, penugasan kerja, tingkat produksi  Peramalan Jangka Menengah  3 bulan hingga 3 tahun  Penjualan dan perencanaan produksi, anggaran  Peramalan Jangka Panjang  3 tahun atau lebih  Perencanan produk baru, lokasi, penelitian dan pengembangan Meramalkan Horison Waktu

4 Dinnul Alfian Akbar2–4 Jenis-jenis Peramalan  Peramalan Ekonomi  Menjelaskan siklus bisnis – tingkat inflasi, ketersediaan uang.  Peramalan Teknologi  Memprediksi tingkat kemajuan teknologi  Dampak pengembangan produk baru  Peramalan Permintaan  Memprediksi penjualan produk yang ada

5 Dinnul Alfian Akbar2–5 Tujuh Langkah Peramalan  Menetapkan tujuan peramalan  Memilih unsur apa yang akan diramal  Menentukan horison waktu yang akan diramal  Memilih tipe model peramalan  Mengumpulkan data  Membuat peramalan  Memvalidasi dan menerapkan hasil peramalan

6 Dinnul Alfian Akbar2–6 Fakta!  Peramalan jarang ada yang sempurna  Kebanyakan teknik peramalan mengasumsikan bahwa sistem akan tetap stabil  Ramalan produk kelompok dan keseluruhan lebih akurat dibandingkan ramalan produk individual

7 Dinnul Alfian Akbar2–7 Pendekatan Peramalan  Digunakan jika memiliki data yang sedikit  Produk baru  Teknologi baru  Meliputi intuisi, pengalaman Metoda Kualitatif

8 Dinnul Alfian Akbar2–8 Pendekatan Peramalan  Digunakan jika situasi stabil dan data historis  Produk yang sudah ada  Teknologi saat ini  Meliputi teknik matematis Metoda Kuantitatif

9 Dinnul Alfian Akbar2–9 Tinjauan Metoda Kualitatif  Keputusan juri eksekutif  Sedikit pendapat dari manajemen puncak, kadang-kadang menggunakan modal statistik  Metoda Delphi  Kelompok para ahli

10 Dinnul Alfian Akbar2–10 Tinjauan Metoda Kualitatif  Gabungan dari tenaga penjualan  Perkiraan dari masing-masing penjual, kemudian dijumlahkan  Survei pasar konsuman  Bertanya pada pelanggan

11 Dinnul Alfian Akbar2–11 Tinjauan Metoda Kuantitatitf 1.Pendekatan Naif 2.Rata-rata bergerak 3.Penghalusan eksponensial 4.Proyeksi tren 5.Regresi linier Model Time- Series Model Associative

12 Dinnul Alfian Akbar2–12 Pendekatan Naif  Mengasumsikan permintaan perode mendatang adalah sama dengan permintaan sekarang  Contoh jika penjualan di bulan Mei 48, maka penjualan dibulan Juni juga akan 48  Kadang-kadang efektif dan efisien dari segi biaya

13 Dinnul Alfian Akbar2–13  Sekumpulan data yang berbentuk angka  Diperoleh berdasarkan periode waktu tertentu  Peramalan hanya berdasarkan nilai masa lalu  Mengasumsikan bahwa faktor masa lalu dan sekarang akan mempengaruhi nila masa datang Peramalan Time Series

14 Dinnul Alfian Akbar2–14 Trend Musim Siklus Acak Komponen Time Series

15 Dinnul Alfian Akbar2–15  adalah rata-rata dari sejumlah data  Digunakan jika hanya sedikit atau malah tidak ada tren  Seringkali digunakan untuk penghalusan Rata-rata Bergerak Rata-rata bergerak = ∑ permintaan n periode sebelumnya n

16 Dinnul Alfian Akbar2–16 January10 February12 March13 April16 May19 June23 July26 PenjualanRata-rata Bergerak BulanAktual3 bulanan ( )/3 = 13 2 / 3 ( )/3 = 16 ( )/3 = 19 1 / 3 Rata-rata Bergerak ( )/3 = 11 2 / 3

17 Dinnul Alfian Akbar2–17  Menggunakan nilai tren sekarang  Data masa lalu biasanya kurang berguna  Bobot berdasarkan pengalaman atau intuisi Rata-rata Bergerak Tertimbang Rata-rata bergerak tertimbang = ∑ (bobot periode n) x (permintaan periode n) ∑ bobot

18 Dinnul Alfian Akbar2–18 January10 February12 March13 April16 May19 June23 July26 Penjualanrata-rata bergerak BulanAktuan3 bulanan [(3 x 16) + (2 x 13) + (12)]/6 = 14 1 / 3 [(3 x 19) + (2 x 16) + (13)]/6 = 17 [(3 x 23) + (2 x 19) + (16)]/6 = 20 1 / 2 Rata-rata Bergerak Tertimbang [(3 x 13) + (2 x 12) + (10)]/6 = 12 1 / 6 Bobot diberikanPeriode 3bulan lalu 22 bulan lalu 13 bulan lalu 6jumlah bobot total

19 Dinnul Alfian Akbar2–19  Berbentuk rata-rata bergerak  Bobot diberi fungsi eksponensial  Memerlukan penghalusan konstan (  )  Range dari 0 to 1  Meluputi sedikit data masa lalu Penghalusan Eksponensial

20 Dinnul Alfian Akbar2–20 Penghalusan Eksponensial Peramalan Baru = peramalan periode lalu +  (permintaan aktual periode lalu +  (permintaan aktual periode lalu – peramalan periode lalu) F t = F t – 1 +  (A t – 1 - F t – 1 ) Di manaF t =peramalan baru F t – 1 =peramalan sebelumnya  =konstanta penghalusan (bobot) (0    1)

21 Dinnul Alfian Akbar2–21 Contoh Penghalusan Eksponensial Peramalan permintaan = 142 Ford Mustangs Permintaan sebenarnya = 153 Konstanta penghalusan  = 0.20

22 Dinnul Alfian Akbar2–22 Contoh Penghalusan Eksponensial Peramalan permintaan = 142 Ford Mustangs Permintaan sebenarnya = 153 Konstanta penghalusan  = 0.20 Peramalan Baru= (153 – 142)

23 Dinnul Alfian Akbar2–23 Contoh Penghalusan Eksponensial Peramalan permintaan = 142 Ford Mustangs Permintaan sebenarnya = 153 Konstanta penghalusan  = 0.20 Peramalan Baru = (153 – 142) = = ≈ 144 mobil

24 Dinnul Alfian Akbar2–24 Menghitung Kesalahan Peramalan Mean Absolute Deviation (MAD) MAD = ∑ |actual - peramalan| n Mean Squared Error (MSE) MSE = ∑ (kesalahan peramalan) 2 n

25 Dinnul Alfian Akbar2–25 Menghitung Kesalahan Peramalan Mean Absolute Percent Error (MAPE) MAPE = 100 ∑ |actual i - peramalan i |/actual i n n i = 1

26 Dinnul Alfian Akbar2–26 Perbandingan Kesalahan Peramalan BongkarRamalanDeviasiRamalanDeviasie Muat(dibulatkan)Absolut(dibulatkan)Absolut Tonasedenganuntukuntukuntuk KuartalAktual  = 0.10  = 0.10  = 0.50  =

27 Dinnul Alfian Akbar2–27 Perbandingan Kesalahan Peramalan BongkarRamalanDeviasiRamalanDeviasi Muat(dibulatkan)Absolut(dibulatkan)Absolut Tonasedenganuntukdenganfor KuartalAktual  = 0.10  = 0.10  = 0.50  = MAD = ∑ |deviasi| n = 84/8 = untuk  = 0.10 = 100/8 = untuk  = 0.50

28 Dinnul Alfian Akbar2–28 Perbandingan Kesalahan Peramalan BongkarRamalanDeviasiRamalanDeviasi Muat(dibulatkan)Absolut(dibulatkan)Absolut Tonasedenganuntukdenganuntuk KuartalAktuald  = 0.10  = 0.10  = 0.50  = MAD = 1,558/8 = untuk  = 0.10 = 1,612/8 = untuk  = 0.50 MSE = ∑ (kesalahan peramalan) 2 n

29 Dinnul Alfian Akbar2–29 Perbandingan Kesalahan Peramalan BongkarRamalanDeviasiRamalanDeviasi Muat(dibulatkan)Absolut(dibulatkan)Absolut Tonasedenganuntukdenganuntuk KuartalAktual  = 0.10  = 0.10  = 0.50  = MAD MSE = 45.62/8 = 5.70% untuk  = 0.10 = 54.8/8 = 6.85% untuk  = 0.50 MAPE = 100 ∑ |deviasi|/aktual i n i = 1

30 Dinnul Alfian Akbar2–30 Perbandingan Kesalahan Peramalan BongkarRamalanDeviasiRamalanDeviasi Muat(dibulatkan)Absolut(dibulatkan)Absolut Tonasedenganuntukdenganuntuk KuartalAktual  = 0.10  = 0.10  = 0.50  = MAD MSE MAPE5.70%6.85%

31 Dinnul Alfian Akbar2–31 Penghalusan Eksponensial dengan Penyesuaian Tren Jika terjadi tren, penghalusan eksponensial harus dimodifikasi Ramalan dengan (FIT t ) = tren RamalanTren penghalusan (F t ) + (T t )Penghalusan EksponensialEksponensial

32 Dinnul Alfian Akbar2–32 Penghalusan Eksponensial dengan Penyesuaian Tren F t =  (A t - 1 ) + (1 -  )(F t T t - 1 ) T t =  (F t - F t - 1 ) + (1 -  )T t - 1 Langkah 1: Hitung F t Langkah 2: Hitung T t Langkah 3: Hitung ramalan FIT t = F t + T t

33 Dinnul Alfian Akbar2–33 Penghalusan Eksponensial dengan Penyesuaian TrenPeramalan PermintaanPeramalanTrenMemperhitungkan Bulan(t)Aktual (A t )Dihaluskan, F t dihaluskan, T t Tren, FIT t

34 Dinnul Alfian Akbar2–34 Penghalusan Eksponensial dengan Penyesuaian TrenRamalan PermintaanRamalanTrenMemperhitungkan Bulan(t)Aktual (A t )dihaluskan, F t dihaluskan, T t Tren, FIT t F 2 =  A 1 + (1 -  )(F 1 + T 1 ) F 2 = (.2)(12) + (1 -.2)(11 + 2) = = 12.8 unit Langkah 1: Ramalan untuk bulan 2

35 Dinnul Alfian Akbar2–35 Penghalusan Eksponensial dengan Penyesuaian TrenRamalan PermintaanRamalantrenmemperhitungkan Bulan(t)Aktual (A t )dihaluskan, F t dihaluskan, T t Tren, FIT t T 2 =  (F 2 - F 1 ) + (1 -  )T 1 T 2 = (.4)( ) + (1 -.4)(2) = = 1.92 unit Langkah 2: Tren untuk Bulan 2

36 Dinnul Alfian Akbar2–36 Penghalusan Eksponensial dengan Penyesuaian TrenRamalan PermintaanRamalanTrenmemperhitungkan Bulan(t)Aktual (A t )dihaluskan, F t dihaluskan, T t Tren, FIT t FIT 2 = F 2 + T 1 FIT 2 = = unit Langkah 3: Hitung FIT untuk Bulan 2

37 Dinnul Alfian Akbar2–37 Penghalusan Eksponensial dengan Penyesuaian TrenRamalan PermintaanRamalanTrenmemperhitungkan Bulan(t)Aktual (A t )dihaluskan, F t Dihaluskan, T t Tren, FIT t

38 Dinnul Alfian Akbar2–38 Proyeksi Tren Tren linier dapat menggunakan teknik least squares y = a + bx ^ dimana y= nilai terhitung dari variabel yang akan diprediksi (dependent variable) a= persilangan sumbu y b= kemiringan garis regresi x= independent variable ^

39 Dinnul Alfian Akbar2–39 Metoda Least Squares Persamaan untuk menghitung variabel regresi b =  xy - nxy  x 2 - nx 2 y = a + bx ^ a = y - bx

40 Dinnul Alfian Akbar2–40 Contoh Least Squares b = = = ∑xy - nxy ∑x 2 - nx 2 3,063 - (7)(4)(98.86) (7)(4 2 ) a = y - bx = (4) = PeriodePermintaan Tahunwaktu (x)Daya Listrikx 2 xy ∑x = 28∑y = 692∑x 2 = 140∑xy = 3,063 x = 4y = 98.86

41 Dinnul Alfian Akbar2–41 Contoh Least Squares b = = =  xy - nxy  x 2 - nx 2 3,063 - (7)(4)(98.86) (7)(4 2 ) a = y - bx = (4) = PeriodePermintaan TahunWaktu (x)Daya Listrikx 2 xy  x = 28  y = 692  x 2 = 140  xy = 3,063 x = 4y = Garis tren adalah y = x ^

42 Dinnul Alfian Akbar2–42 Variasi Musiman Pada Data Pergerakan reguler meningkat atau menurun dalam satu kurun waktu tertentu terkait dengan kejadian yang berulang 1.Temukan rata-rata permintaan historis untuk setiap musim 2.Hitung rata-rata permintaan untuk semua bulan 3.Hitung setiap indeks musiman setiap musim 4.Estimasikan permintaan tahunan total untuk tahun depan 5.Bagilan prediksi permintaan tahunan total dengan jumlah musim, kemudian kalikan dengan indeks musiman bulan tersebut.

43 Dinnul Alfian Akbar2–43 Contoh Indek Musiman Jan Feb Mar Apr May Jun Jul Aug Sept Oct Nov Dec PermintaanRata-rataRata-rataIndeks Bulan BulananMusiman

44 Dinnul Alfian Akbar2–44 Contoh Indek Musiman Jan Feb Mar Apr May Jun Jul Aug Sept Oct Nov Dec PermintaanRata-rataRata-rata Indeks Bulan BulananMusiman Indeks Musiman = Permintaan Bulanan Rata-rata Permintaan Bulanan Rata-rata = 90/94 = 0.957

45 Dinnul Alfian Akbar2–45 Contoh Indek Musiman Jan Feb Mar Apr May Jun Jul Aug Sept Oct Nov Dec PermintaanRata-rataRata-rata Indeks Bulan BulananMusiman

46 Dinnul Alfian Akbar2–46 Contoh Indek Musiman Jan Feb Mar Apr May Jun Jul Aug Sept Oct Nov Dec PermintaanRata-rataRata-rata Indeks Bulan BulananMusiman Permintaan tahunan yang diharapkan = 1,200 Janx.957 = 96 1, Febx.851 = 85 1, Ramalan untuk 2006

47 Dinnul Alfian Akbar2–47 Peramalan Asosiatif Digunakan jika terjadi perubahan pada 1 atay lebih variabel independe yang dapat dipakai untuk memprediksi perubahan pada variabel dependen Teknik umum yang digunakan adalah analisis regresi linier

48 Dinnul Alfian Akbar2–48 Peramalan Asosiatif Hasil ramalan berdasarkan variabel prediktor dengan menggunakan teknik analisis least squares y = a + bx ^ dimana y= nilai terhitung dari variabel yang akan diprediksi (dependent variable) a= persilangan sumbu y b= kemiringan garis regresi x= independent variable ^

49 Dinnul Alfian Akbar2–49 Contoh Peramalan Asosiatif PenjualanUpah Lokal ($000,000), y($000,000,000), x – 3.0 – 2.0 – 1.0 – ||||||| ||||||| Panjualan Upah

50 Dinnul Alfian Akbar2–50 Contoh Peramalan Asosiatif Penjualan, y Upah, xx 2 xy ∑y = 15.0∑x = 18∑x 2 = 80∑xy = 51.5 x = ∑x/6 = 18/6 = 3 y = ∑y/6 = 15/6 = 2.5 b = = = 0.25 ∑xy - nxy ∑x 2 - nx (6)(3)(2.5) 80 - (6)(3 2 ) a = y - bx = (.25)(3) = 1.75

51 Dinnul Alfian Akbar2–51 Contoh Peramalan Asosiatif 4.0 – 3.0 – 2.0 – 1.0 – ||||||| ||||||| panjualan upah y = x ^ Penjualan = (upah) Jika upah tahun depan diestimasi $600 juta, maka: Penjualan = (6) Penjualan = $325,

52 Dinnul Alfian Akbar2–52 Standard Error of the Estimate  Suatu ukuran yang menunjukkan kekuatan hubungan antara dua variabel 4.0 – 3.0 – 2.0 – 1.0 – ||||||| ||||||| penjualan upah 3.25

53 Dinnul Alfian Akbar2–53 Standard Error of the Estimate dimanay=nilai y untuk setiap data y c =nilai yang dihitung dari variabel dependen, dari persamaan regresi n=jumlah data S y,x = ∑(y - y c ) 2 n - 2

54 Dinnul Alfian Akbar2–54 Standard Error of the Estimate Rumus lain S y,x = ∑y 2 - a∑y - b∑xy n - 2

55 Dinnul Alfian Akbar2–55 Standard Error of the Estimate 4.0 – 3.0 – 2.0 – 1.0 – ||||||| ||||||| penjualan upah 3.25 S y,x = = ∑y 2 - a∑y - b∑xy n (15) (51.5) S y,x = 0.306

56 Dinnul Alfian Akbar2–56  Seberapa kuat hubungan linier antar variabel  Korelasi tidak membutuhkan implikasi sebab akibat  Koefisiens korelasi r, mengukur tingkat hubungan  Kisaran nilai dari -1 sampai +1 Korelasi

57 Dinnul Alfian Akbar2–57 Correlation Coefficient r = n  xy -  x  y [n  x 2 - (  x) 2 ][n  y 2 - (  y) 2 ]

58 Dinnul Alfian Akbar2–58 Correlation Coefficient r = n∑xy - ∑x∑y [n∑x 2 - (∑x) 2 ][n∑y 2 - (∑y) 2 ] y x (a)Perfect positive correlation: r = +1 y x (b)Positive correlation: 0 < r < 1 y x (c)No correlation: r = 0 y x (d)Perfect negative correlation: r = -1


Download ppt "Studi Kelayakan Bisnis Aspek Pasar dan Pemasaran."

Presentasi serupa


Iklan oleh Google