PERAMALAN (FORECASTING) Resista Vikaliana, S.Si. MM 09/10/2013

Pendahuluan Peramalan Pengambilan keputusan oleh Pimpinan Keberhasilan perusahaan di masa depan Pendahuluan Resista Vikaliana, S.Si. MM 09/10/2013

Peramalan / Forecasting  ilmu yang memprediksi kejadian masa yang akan datang, berdasarkan data masa lalu Pendahuluan Resista Vikaliana, S.Si. MM 09/10/2013

Pendahuluan Time Horizon Forecasting Jangka pendek (s.d. 3 bulan) Merencanakan pembelian, penjadualan kerja, jumlah tenaga kerja, penugasan dan tingkat produksi Jangka menengah ( 3 bln – 3 tahun) Perencanaan penjualan, perencanaan dan penganggaran produksi, peanggaran kas dan menganalisis berbagai rencana operasi Jangka panjang (diatas 3 tahun) Perencanaan produk baru, pengeluaran modal, lokasi fasilitas, atau ekspansi, penelitian dan pengembangan Pendahuluan Resista Vikaliana, S.Si. MM 09/10/2013

Pendahuluan Pengaruh Product Life Cycle terhadap Forecasting Dua tahap pertama membutuhkan ramalan yang lebih panjang dibanding tahap dewasa dan penurunan Introduction Growth Maturity Decline matang turun tumbuh Pendahuluan Ramalan berguna dalam tingkat penentapan staf, tingkat persediaan dan kapasitas pabrik awal Resista Vikaliana, S.Si. MM 09/10/2013

Pendahuluan Tipe Forecasting Ramalan ekonomi inflasi, persediaan uang, pertumbuhan penduduk, dan lain-lain. Ramalan teknologi  kebutuhan pabrik baru, peralatan baru, produk baru, dan lain-lain. Ramalan permintaan  proyeksi permintaan produk atau jasa dan lain-lain. Pendahuluan Resista Vikaliana, S.Si. MM 09/10/2013

Pendekatan Model Peramalan Pendekatan PERAMALAN Pendekatan Kuantitatif Pendekatan Kualitatif Pendekatan Model Peramalan Resista Vikaliana, S.Si. MM 09/10/2013

PENDEKATAN MODEL FORECASTING Qualitatif  intuisi, pengalaman Quantitave  menggunakan model matematika dan data historis PENDEKATAN MODEL FORECASTING Resista Vikaliana, S.Si. MM 09/10/2013

Pendekatan Model Forecasting Langkah-langkah dalam Sistem Forecasting Menentukan tujuan penggunaan forecasting Memilih item-item yang akan di- forecasting Menentukan time horizon Memilih model forecasting Mengambil data yg diperlukan untuk forecasting Validasi model forecasting Membuat forecasting Implementasi hasil forecasting Pendekatan Model Forecasting Resista Vikaliana, S.Si. MM 09/10/2013

PENDEKATAN MODEL FORECASTING KUANTITATIF KUALITATIF Time series model Moving Average Exponensial Smoothing Trend Projection Linier Regretion causal model  causal model Executive Opinion  opini grup manajemen Sales Force Composit  estimasi tiap sales Delphi Method  opini expert (ahli) Costumer market survey  input costumer tanpa melihat rencana pembelian konsumen di masa akan datang Naïve Approach  Permintaan periode yad = permintaan periode terdekat sebelumnya PENDEKATAN MODEL FORECASTING Resista Vikaliana, S.Si. MM 09/10/2013

Pendekatan Kualitatif Executive Opinion  opini grup manajemen (dikombinasikan dengan model statistik) Sales Force Composit  estimasi tiap sales Delphi Method  opini expert (ahli) Ahli dari berbagai tempat. Tiga partisipan dalam Delphi: pengambil keputusan, personel staf, respoden. Costumer market survey  input costumer tanpa melihat rencana pembelian konsumen di masa akan datang (ramalan dan desain produk baru) Naïve Approach  Permintaan periode yang akan datang = permintaan periode terdekat sebelumnya Pendekatan Kualitatif Resista Vikaliana, S.Si. MM 09/10/2013

Quantitative Approach Moving Average Permintaan yang akan datang =  permintaan pd n periode n Moving Average dengan Pembobotan Permintaan yang akan datang =  [(bobot periode n)(permintaan periode n)]  bobot Quantitative Approach Resista Vikaliana, S.Si. MM 09/10/2013

PENDEKATAN MODEL FORECASTING Dekomposisi Model Time Series Trend  kecenderungan data naik/turun Seasonality  pola perulangan data setelah periode tertentu (hari, minggu, bulan, musim) Cycles  pola perulangan data setelah periode beberapa tahun Random variations  variasi data pada situasi yg tidak pasti (tidak diperhitungkan). Demand = trend x seasonality x cycles x random Demand = trend + seasonality + cycles + random PENDEKATAN MODEL FORECASTING Resista Vikaliana, S.Si. MM 09/10/2013

Metode Kuadrat Terkecil/ Least Square Persamaan trend Y = a + b.(X) Koefisien a a = ∑Y / n Koefisien b b = ∑XY / ∑ X² Metode Kuadrat Terkecil/ Least Square Resista Vikaliana 2/9/2013

Contoh Resista Vikaliana, S.Si. MM 09/10/2013

Contoh (dengan pembobotan) Resista Vikaliana, S.Si. MM 09/10/2013

Quantitative Approach Exponensial Smoothing Permintaan yad (Ft) = F t-1+  (A t-1 - F t-1) Dimana : F t-1 = Permintaan perideo sebelumnya A t-1 = Aktual Permintaan periode sebelumnya α = konstanta smoothing , nilai antara 0 – 1 Exponensial Smoothing dg Trend Permintaan yad (FITt) = Forecast baru(Ft)+Koreksi Trend(Tt) Tt = (1-) Tt-1 +  (Ft - Ft-1) Dimana ,  = konstanta trend Quantitative Approach Resista Vikaliana, S.Si. MM 09/10/2013

Contoh Resista Vikaliana, S.Si. MM 09/10/2013

Quantitative Approach Pemilihan Smoothing Constanta Kesalahan Forecast = permintaan – Perkiraan MAD (Mean Absolute Deviation) MAD =  l kesalahan forecast l / n MSE (Mean Square Error) MSE =  kesalahan forecast2 / n Quantitative Approach Resista Vikaliana, S.Si. MM 09/10/2013

Contoh MAD Resista Vikaliana, S.Si. MM 09/10/2013

Contoh MSE Resista Vikaliana, S.Si. MM 09/10/2013

Quantitative Approach Trend Projection (Persamaan Regresi)  hubungan antar variabel dan bukan hubungan sebab akibat Y = a + bx b = xy – n xy x2 – nx2 a = y – b x dimana, n = jumlah data Quantitative Approach Resista Vikaliana, S.Si. MM 09/10/2013

Quantitative Approach Standart Error dari Estimasi Trend Projection S =   y2 – a y – b xy n - 2 Koefisien Korelasi  tingkat keeratan hubungan antara 2 variabel r = n xy - x y  [nx2 – (x) 2][ny2 – (y) 2] Koefisien determinasi (r2)  persentase variasi pada variabel dependent yg dapat dijelaskan oleh persamaan regresi. Quantitative Approach Resista Vikaliana, S.Si. MM 09/10/2013

Quantitative Approach Variasi Seasonal Dalam Data Quantitative Approach Resista Vikaliana, S.Si. MM 09/10/2013

Quantitative Approach Jika diprediksi permintaan tahun berikutnya 1200, maka : Resista Vikaliana, S.Si. MM 09/10/2013

Tracking Signal (TS)  mengukur seberapa bagus forecasting dalam memprediksi nilai aktualnya. Tracking Signal = RSFE MAD RSFE (running sum of the forecast errors) =  [(aktual periode-n) – (forecast periode-n)] TS Bagus  jika mendekati 0 (0 MAD) Monitor dan Kontrol Resista Vikaliana, S.Si. MM 09/10/2013