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 (12 + 13 + 16)/3 = 13 2 / 3 (13 + 16 + 19)/3 = 16 (16 + 19 + 23)/3 = 19 1 / 3 Rata-rata Bergerak101213 (10 + 12 + 13)/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 Tertimbang101213 [(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= 142 + 0.2(153 – 142)

23 Dinnul Alfian Akbar2–23 Contoh Penghalusan Eksponensial Peramalan permintaan = 142 Ford Mustangs Permintaan sebenarnya = 153 Konstanta penghalusan  = 0.20 Peramalan Baru = 142 + 0.2(153 – 142) = 142 + 2.2 = 144.2 ≈ 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  = 0.50 118017551755 2168176817810 31591751617314 417517321669 51901731717020 62051753018025 7180178219313 818217841864 84100

27 Dinnul Alfian Akbar2–27 Perbandingan Kesalahan Peramalan BongkarRamalanDeviasiRamalanDeviasi Muat(dibulatkan)Absolut(dibulatkan)Absolut Tonasedenganuntukdenganfor KuartalAktual  = 0.10  = 0.10  = 0.50  = 0.50 118017551755 2168176817810 31591751617314 417517321669 51901731717020 62051753018025 7180178219313 818217841864 84100 MAD = ∑ |deviasi| n = 84/8 = 10.50 untuk  = 0.10 = 100/8 = 12.50 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  = 0.50 118017551755 2168176817810 31591751617314 417517321669 51901731717020 62051753018025 7180178219313 818217841864 84100 MAD10.5012.50 = 1,558/8 = 194.75 untuk  = 0.10 = 1,612/8 = 201.50 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  = 0.50 118017551755 2168176817810 31591751617314 417517321669 51901731717020 62051753018025 7180178219313 818217841864 84100 MAD10.5012.50 MSE194.75201.50 = 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  = 0.50 118017551755 2168176817810 31591751617314 417517321669 51901731717020 62051753018025 7180178219313 818217841864 84100 MAD10.5012.50 MSE194.75201.50 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 - 1 + 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 11211213.00 217 320 419 524 621 731 828 936 10

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 11211213.00 217 320 419 524 621 731 828 936 10 F 2 =  A 1 + (1 -  )(F 1 + T 1 ) F 2 = (.2)(12) + (1 -.2)(11 + 2) = 2.4 + 10.4 = 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 11211213.00 21712.80 320 419 524 621 731 828 936 10 T 2 =  (F 2 - F 1 ) + (1 -  )T 1 T 2 = (.4)(12.8 - 11) + (1 -.4)(2) = 0.72 + 1.2 = 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 11211213.00 21712.801.92 320 419 524 621 731 828 936 10 FIT 2 = F 2 + T 1 FIT 2 = 12.8 + 1.92 = 14.72 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 11211213.00 21712.801.9214.72 320 419 524 621 731 828 936 10 15.182.1017.28 17.822.3220.14 19.912.2322.14 22.512.3824.89 24.112.0726.18 27.142.4529.59 29.282.3231.60 32.482.6835.16

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 = = = 10.54 ∑xy - nxy ∑x 2 - nx 2 3,063 - (7)(4)(98.86) 140 - (7)(4 2 ) a = y - bx = 98.86 - 10.54(4) = 56.70 PeriodePermintaan Tahunwaktu (x)Daya Listrikx 2 xy 1999174174 20002794158 20013809240 200249016360 2003510525525 2004614236852 2005712249854 ∑x = 28∑y = 692∑x 2 = 140∑xy = 3,063 x = 4y = 98.86

41 Dinnul Alfian Akbar2–41 Contoh Least Squares b = = = 10.54  xy - nxy  x 2 - nx 2 3,063 - (7)(4)(98.86) 140 - (7)(4 2 ) a = y - bx = 98.86 - 10.54(4) = 56.70 PeriodePermintaan TahunWaktu (x)Daya Listrikx 2 xy 1999174174 20002794158 20013809240 200249016360 2003510525525 2004614236852 2005712249854  x = 28  y = 692  x 2 = 140  xy = 3,063 x = 4y = 98.86 Garis tren adalah y = 56.70 + 10.54x ^

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 Jan80851059094 Feb7085858094 Mar8093828594 Apr909511510094 May11312513112394 Jun11011512011594 Jul10010211310594 Aug8810211010094 Sept8590959094 Oct7778858094 Nov7572838094 Dec8278808094 PermintaanRata-rataRata-rataIndeks Bulan2000200120022000-2002BulananMusiman

44 Dinnul Alfian Akbar2–44 Contoh Indek Musiman Jan80851059094 Feb7085858094 Mar8093828594 Apr909511510094 May11312513112394 Jun11011512011594 Jul10010211310594 Aug8810211010094 Sept8590959094 Oct7778858094 Nov7572838094 Dec8278808094 PermintaanRata-rataRata-rata Indeks Bulan2000200120022003-2005BulananMusiman 0.957 Indeks Musiman = Permintaan Bulanan Rata-rata 2000-2002 Permintaan Bulanan Rata-rata = 90/94 = 0.957

45 Dinnul Alfian Akbar2–45 Contoh Indek Musiman Jan808510590940.957 Feb70858580940.851 Mar80938285940.904 Apr9095115100941.064 May113125131123941.309 Jun110115120115941.223 Jul100102113105941.117 Aug88102110100941.064 Sept85909590940.957 Oct77788580940.851 Nov75728380940.851 Dec82788080940.851 PermintaanRata-rataRata-rata Indeks Bulan2000200120022000-2002BulananMusiman

46 Dinnul Alfian Akbar2–46 Contoh Indek Musiman Jan808510590940.957 Feb70858580940.851 Mar80938285940.904 Apr9095115100941.064 May113125131123941.309 Jun110115120115941.223 Jul100102113105941.117 Aug88102110100941.064 Sept85909590940.957 Oct77788580940.851 Nov75728380940.851 Dec82788080940.851 PermintaanRata-rataRata-rata Indeks Bulan2000200120022000-2002BulananMusiman Permintaan tahunan yang diharapkan = 1,200 Janx.957 = 96 1,200 12 Febx.851 = 85 1,200 12 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 2.01 3.03 2.54 2.02 2.01 3.57 4.0 – 3.0 – 2.0 – 1.0 – |||||||01234567|||||||01234567 Panjualan Upah

50 Dinnul Alfian Akbar2–50 Contoh Peramalan Asosiatif Penjualan, y Upah, xx 2 xy 2.0112.0 3.0399.0 2.541610.0 2.0244.0 2.0112.0 3.574924.5 ∑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 2 51.5 - (6)(3)(2.5) 80 - (6)(3 2 ) a = y - bx = 2.5 - (.25)(3) = 1.75

51 Dinnul Alfian Akbar2–51 Contoh Peramalan Asosiatif 4.0 – 3.0 – 2.0 – 1.0 – |||||||01234567|||||||01234567 panjualan upah y = 1.75 + 0.25x ^ Penjualan = 1.75 + 0.25 (upah) Jika upah tahun depan diestimasi $600 juta, maka: Penjualan = 1.75 +.25(6) Penjualan = $325,000 3.25

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 – |||||||01234567|||||||01234567 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 – |||||||01234567|||||||01234567 penjualan upah 3.25 S y,x = = ∑y 2 - a∑y - b∑xy n - 2 39.5 - 1.75(15) - 0.25(51.5) 6 - 2 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