Magister Management Program UNIVERSITAS KOMPUTER INDONESIA Business Forecasting Dr. Herman S. MBA Magister Management Program UNIVERSITAS KOMPUTER INDONESIA

Business Forecasting

Business Forecasting

Business Forecasting Digunakan untuk memprediksi kejadian yang akan datang Menggunakan dua metoda utama: Qualitative – Berdasarkan survey dan jajak pendapat sebagai dasar pengambilan keputusan Consumer panels, focus groups, dll Quantitative – menggunakan statitika untuk membantu pengambilan keputusan Identifkasi trends Moving averages – seasonal, cyclical, random Extrapolation - simple

Qualitative Forecasts Survei Survei tentang pabrik dari para eksekutif bisnis dan rencana pengeluaran untuk perlengkapan Survei tentang rencana perubahan inventori dan harapan penjualan Survei tentang rencana pengeluaran konsumen Opinion Polls Jajak pendapat eksekutif Jajak pendapat tenaga penjual Jajak pendapat tentang keinginan konsumen

Business Forecasting

Peramalan Bisnis Manfaat dan Biaya Peramalan: Nanfaat: Membantu pengambilan keputusan Informasi perenncanaan dan keputusan alokasi sumber daya Jika data kualitasnya sangat baik, akan sangat akurat

Peramalan Bisnis Kekurangan/Costs: Data tidak selalu konsisten atau akurat Data bisa saja sudah kadaluarsa Masa lalu tidak selalu memberikan gambaran untuk masa yang akan datang Data Qualitative dapat terpengaruh oleh masukan orang lain Sukar untuk dikaitkan dengan faktor eksternal diluar kontrol perusahaan – contoh: kebijakan ekonomi, politik, bencana alam, dll.

Jangka Waktu Peramalan Jangka Panjang 5+ tahun kedepan R&D, plant location, product planning Principally judgement-based Jangka Menengah 1 sampai 2 tahun Aggregate planning, capacity planning, sales forecasts Mixture of quantitative methods and judgement Jangka Pendek 1 sampai 1 tahun Demand forecasting, staffing levels, purchasing, inventory levels Quantitative methods

Kebutuhan dan Penggunaan Peramalan Jangka Pendek Scheduling sumber daya Berapa banyak karyawan yang kita butuhkan dan kapan? Berapa banyak yang harus diproduksi untuk mengantisipasi permintaan? Mendapatkan sumber daya tambahan Kapan kita akan kekurangan kapasitas produksi? Berapa banyak lagi orang yang dibutuhkan? Memperkirakan sumber daya apa yang dibutuhkan Mesin apa yang dibutuhkan? Pelayanan yang mana yang akan meningkat atau menurun dimasa depan? Orang dengan keahlian apa yang perlu direkrut?

Tipe Model Permalan Tipe Peramalan Metoda Peramalan Qualitative --- berdsasarkan pengalaman, judgement, pengetahuan; Quantitative --- berdasarkan data, statistics; Metoda Peramalan Naive Methods --- eye-balling the numbers; Methoda Formal --- secara sistematis untuk mengurangi kesalahan peramalan; Model time series (misal exponential smoothing); causal models (e.g. regression). Fokus pada model Time Series Assumsi pada Time Series Models Tersedia informasi masa lalu; Informasi ini dalam bentuk angka; Pola masa lalu akan berlanjut untuk masa yang akan datang.

Contoh Peramalan Proyeksi pengguna internet lima tahun ke kedepan Proyeksi harga saham Proyeksi kenaikan permintaan kendaraan roda empat dan tingkat kemacetan 10 tahun mendatang, dll.

Komponen Data Time Series Secular Trend Seasonal Variation Cyclical Fluctuation Irregular/Random Influence

Time Series Forecasting Analisis time-series mencoba meramalkan nilai-nilai masa depan dari deret waktu dengan mengkaji beberapa observasi data yang telah lalu.

Time-Series Plot

Linear Trend linear trend berhubungan dengan peningkatan atau penurunan seri data dalam jangka panjang

Seasonal Variation Seasonal variation merujuk kepada fluktuasi yang secara teratur berulang kembali dalam kegiatan ekonomi tiap-tiap tahun.

Cyclical Fluctuation Cyclical fluctuation adalah ekspansi dan konstruksi yang utama dalam banyak deret waktu ekonomi yang kelihatan berulang kembali setiap beberapa tahun

Random Influence Random Influence adalah variasi-variasi dalam seri data yang disebabkan misalnya oleh perang, bencana alam, pemogokan atau peristiwa2 lain yang istimewa

Teknik Peramalan Linear Trend: St = S0 + b t b = Growth per time period Constant Growth Rate St = S0 (1 + g)t g = Growth rate Estimation of Growth Rate lnSt = lnS0 + t ln(1 + g)

Linear Trend Model (Contoh)

Linear Trend Model (Contoh)

Nonlinear Trend Models

Seasonal Variation Seasonal variation adalah sebuah angka yang digunakan untuk menghitung pengaruh dari musiman untuk suatu waktu tertentu Actual Trend Forecast Ratio =

Year Forecast Aktual Aktual/Forecast 2005,1 12.29 11 0.895 2006,1 13.87 12 0.865 2007,1 15.45 14 0.906 2008,1 17.02 15 0.881 Rata-rata 0.88675 2005,2 12.69 1.182 2006,2 14.26 17 1.192 2007,2 15.84 18 1.136 2008,2 17.42 20 1.148 1.1645 2005,3 13.08 0.917 2006,3 13 0.887 2007,3 0.924 2008,3 17.81 16 0.898 0.9065 2005,4 13.48 1.039 2006,4 15.05 1.063 2007,4 16.63 1.022 2008,4 18.23 19 1.044 1.042 Seasonal Variation Trend Forecast untuk 2009.1 = 11.90 + (0.394)(17) = 18.60 Seasonally Adjusted Forecast for 2009.1 = (18.60)(0.8869) = 16.50

Trend-Based Forecasting MUTIPLICATIVE TIME SERIES MODELS yt = Value of the time series at time t Tt = Trend value at time t St = Seasonal value at time t Ct = Cyclical value at time t It = Residual or random value at time t

Moving Average Moving average adalah nilai yang diramalkan dari suatu deret waktu dalam waktu tertentu.

Trend-Based Forecasting RATIO-TO-MOVING-AVERAGE

Trend-Based Forecasting DESEASONALIZATION

Mengukur tingkat keakuratan metoda peramalan Root Mean Square Error Mengukur tingkat keakuratan metoda peramalan

Moving Average (1) (2) (3) (4) (5) (6) (7) (8) 1 20 - 2 22 3 23 4 24 Quarter (2) Firm.s Actual Market Share A (3) Three quarter MA Forecas (F) (4) A - F (5) (A-F)^2 (6) Five quarter MA Forecas (7) (8) 1 20 - 2 22 3 23 4 24 21.67 2.33 5.4289 5 18 23.00 -5.00 25.000 6 1.33 1.7689 21.4 1.6 2.56 7 19 -2.67 7.1289 22.0 -3.0 9.00 8 17 20.00 -3.00 9.0000 -4.4 19.36 9 19.67 20.2 1.8 3.24 10 19.33 3.67 13.468 19.8 3.2 10.24 11 20.67 20.8 -2.8 7.84 12 21.00 2.00 4.0000 Total 78.3534 62.48 13 21.33 RSME 2.95 2.99 Harga yang memberikan RSME terkecil yang dipilih

Kinerja Peramalan Seberapa baikkah peramalannya? Mean Forecast Error (MFE atau Bias): Mengukur deviasi rata-rata ramalan dari aktual. Mean Absolute Deviation (MAD): mengukur ketepatan nilai dugaan model,yang dinyatakan dalam bentuk rata-rata absolut kesalahan Mean Absolute Percentage Error (MAPE): mengukur ketepatan nilai dugaan model, yang dinyatakan dalam bentuk rata-rata persentase absolut kesalahan Mean Standard Deviation(MSD/MSE): mengukur ketepatan nilai dugaan model, yang dinyatakan dalam rata-rata kuadrat dari kesalahan

Mean Forecast Error (MFE atau Bias) MFE seyogyanya mendekati nol -- minimum bias Nilai MFE positive (negative) yang besar artinya bahwa peramalan tersebut undershooting (overshooting) terhadap nilai aktual Catatan MFE nol tidak berarti bahwa forecasts sempurna (no error) – artinya hanya “on target” Juga disebut forecast BIAS

Forecasting Performance Measures

Mean Absolute Deviation (MAD) Mengukur kesalahan absolute Positive and negative errors tidak dikeluarkan (seperti MFE) Seyogyanya MAD sekecil mungkin Tidak ada cara untuk mengetahui jika MAD error besar atau kecil dalam kaitannya dengan data aktual

Mean Absolute Percentage Error (MAPE) Sama dengan MAD, kecuali ... Mengukur deviation sebagai percentage dari data aktual

Mean Squared Error (MSE) Mengukur kuadrat kesalahan peramalan -- error variance

Contoh Tahun Y Ŷ Y-Ŷ abs Y – Ŷ abs (Y- Ŷ/Y) (Y-Ŷ)2 (1) (2) (3) 4=(2-3) 6=5/2 7=(2-3)2 1 2 0.80 1.20 0.60 1.44 3 3.20 -0.20 0.20 0.07 0.04 6 5.60 0.40 0.16 4 9 8.00 1.00 0.11 5 10 10.40 -0.40 11 12.80 -1.80 1.80 3.24 7 14 15.20 -1.20 0.09 8 16 17.60 -1.60 1.60 0.10 2.56 18 20.00 -2.00 2.00 4.00 27 22.40 4.60 0.17 21.16 Jumlah 116 116.00 0.00 14.40 1.52 35.20 Catatan: kolom 3 adalah nilai dugaan yang diperoleh dengan memasukkan angka urutan tahun kedalam persamaan model Ŷ= -1.6 + 2.4T. Misalnya untuk tahun ketiga, maka Ŷ=-1.6 + 2.4(3)=5.60 MAPE = (1.52/10)x100 = 15.2 % MAD = 14.40/10 = 1.44 MSD = 35.20/10 = 3.52

TERIMA KASIH