Teknik Proyeksi Bisnis Forecasting= peramalan Sesuatu yang belum terjadi Ilmu sosial, ketidakpastian Jumlah penduduk, PCI, Sales Volume, konsumsi,… Dipengaruhi oleh berbagai faktor yang sangat kompleks

Sukar diperkirakan secara tepat Tujuan forecasting = meminimumkan pengaruh ketidakpastian terhadap perusahaan, dengan ukuran mean absolute error atau mean squared error Lingkungan sosial dapat dilihat pada gambar berikut :

LINGKUNGAN EKONOMI MAKRO TEKNIS LINGKUNGAN SOSIAL DAN KONTROL GIVEN GIVEN LINGKUNGAN EKONOMI MAKRO PERUSAHAAN

Kebutuhan konsumen atau pelanggan vs kapasitas produksi perusahaan Terdapat beberapa metode yang bisa digunakan dalam sebuah peramalan Tidak ada satu pun metode yang bisa dikatakan paling cocok untuk suatu kasus

Forecast Dengan Smoothing 1.Metode Single Smoothing Menghitung rata-rata dari nilai-nilai pada beberapa tahun untuk menaksir pada suatu tahun tertentu

St+1=forecast untuk periode ke t+1 Xt= data pada periode t n = jangka waktu moving averages Sifat moving averages : Bila ada data selama P periode kita baru bisa membuat forecast untuk periode ke P+1

Semakin panjang moving average akan menghasilkan moving average yang semakin halus Menghitung error

Bulan ke-1 s/d ke 11 Permintaan beras di suatu daerah 20,21,19,17,22,24,18,21,20,23,22 Buat moving average 3 dan 5 bulan Hitung error-nya Ambil kesimpulan!

Kelemahan Moving average Perlu data historis Semua data diberi bobot yang sama Tidak bisa mengikuti perubahan yang drastis Tidak cocok untuk forecasting data yang ada gejala trend

2.Metoda Double Moving Averages Moving average dilakukan dua kali Lalu mencari nilai a (konstanta) Mencari nilai b (slope) Menghitung forecast dengan rumus

periode demand 4 th m.av 4 th mo.av, kol.2 Nilai a Nilai b forecast

3.Metode Single Exponential Smoothing Adalah pengembangan dari moving averages Alpha mempunyai nilai antara 0 dan 1 Cobalah dengan menggunakan data awal pada contoh soal single moving averages pertama Hitung pula mean abs.error dan mean sq.error-nya

4.Metode Double Exponentials Smoothing

Forecast dihitung dengan Rumus tadi agak berbeda dengan single smoothing di mana Xt dipakai untuk mencari St bukan St+1 Forecast dihitung dengan m= jangka waktu forecast ke depan

3.Metode Triple Exponentials Smoothing

Metoda Dekomposisi ( Times Series ) Apa yang terjadi terjadi itu akan berulang kembali dengan pola yang sama

1.Trend linier dengan metode least square Persamaan trend Y= a + bX

Demand PT.GB, tahun 2001-2007 Tahun Trw.1 Trw.2 Trw.3 Trw.4 2001 20 25 35 30 2002 21 24 42 2003 15 27 40 43 2004 18 26 47 44 2005 45 2006 23 50 2007 56 38

Sales PT.NMN, Tahun 2000-2007 2000 2001 2002 2003 2004 2005 2006 2007 82 84 90 93 110 113 120 127

Merubah persamaan trend Memindah origin Trend rata-rata persamaan trend tiap bulan,kuartal Persamaan trend bulanan dan kuartalan satuan x = satu tahun. Dirubah a:12, b:122 satuan x = setengah tahun; a:12, b:122/2 Dirubah menjadi persamaan trend kuartalan menjadi :…

Trend parabola Y=a+bX+cX2

Masukkan data di atas Tahun, Sales, X,XY,X2,X2Y,X4 Sales PT.AEG Tahun 1997-2007 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 751 821 865 923 1005 1103 1222 1360 1523 1602 1800 Masukkan data di atas Tahun, Sales, X,XY,X2,X2Y,X4

Trend ini menghasilkan garis proyeksi yang tidak lurus, melainkan melengkung menghitung perbedaan pertama dan perbedaan kedua data penjualan yang ada, bila cenderung stabil, maka dapat menggunakan proyeksi trend parabolik

Trend Eksponensial y=abx Log y = log a + x logb

Tahun Sales(Y) Log Y X X2 X.log Y 1999 73 2000 88 2001 103 2002 125 2003 150 2004 179 2005 216 2006 259 2007 312 Ʃ

Gelombang musim Gelombang pasang surut yang berulang kembali dalam satu periode waktu yang tidak lebih dari satu tahun Permintaan produk tertentu Dinyatakan dalam bentuk indeks, indeks musim X=T x M x S x R Metode rata-rata sederhana Metode persentase terhadap trend

2001 2002 2003 2004 2005 2006 2007 Rata-rata b.kum Sisa kol 8-9 Index musm Kw I 20 21 15 18 25 23 Kw II 24 27 26 30 Kw III 35 42 40 47 45 50 56 IV 43 44 39 Ʃ x Y=32,75+0,45X

Metode persentase trend Kw 2001 2002 2003 2004 2005 2006 2007 I 26,68 28,48 30,28 32,08 33,88 35,68 37,48 II 27,13 28,93 30,73 32,53 34,33 36,13 37,93 III 27,58 29,38 31,18 32,98 34,78 36,58 38,38 IV 28,03 29,83 31,63 33,43 35,23 37,03 38,83

Cari persentase nilai riil Untuk setiap tahun dan tiap kuartal Buatlah tabulasi untuk persentase tadi Kolom terakhir adalah median dari persentase dalam satu tahun untuk masing-masing kuartal Cari rata-rata median Hitung indeks musim dengan membagi median dengan rata-rata median

Variasi Siklis Perubahan atau gelombang pasang surut suatu hal yang berulang kembali dalam waktu sekitar 5-10 tahun Menghilangkan pengaruh dari tren, variasi musim dan variasi random Untuk mencari indeks siklis

sales Trend Indeks musim TxM SxR Weighted Mov.Sum.3 period Indeks siklis 2004 Kw I 18 32,08 65,47 dlm% 1:4x100 SR1:2:1 WM:4 Kw II 26 32,53 82,77 Kw III 47 32,98 137,49 Kw IV 44 32,43 114,26 2005 KwI 25 33,8 KwII 30 34,33 KwIII 45 34,78 KwIV 40 35,23

Metode Input Output Xi= nilai output sektor I Perekonomian suatu negara , antar industri satu dengan yang lain saling membutuhkan. Hubungan input-output untuk membuat forecast Xi= nilai output sektor I Xij= hasil industri i yang dibutuhkan oleh industri j Ci= pembelian oleh pemakai akhir

Alokasi output suatu industri yang digunakan oleh industri lain dan konsumen akhir

Penggunaan input untuk menghasilkan output suatu industri

Regresi Sederhana Suatu persamaan untuk menyatakan hubungan antara dua variabel dan memperkirakan nilai variabel tak bebas Y berdasarkan nilai variabel bebasnya,yaitu X Besaran atau nilai sesuatu dipengaruhi oleh suatu faktor Besarnya pengaruh suatu variabel terhadap variabel lainnya dalam praktek bisa bersifat linier,eksponensial, kuadratik Dalam regresi bersifat linier

sales PCI

Demad DN “A” Import “A”

Dependent variable dan independent variable Y=f(x) Suatu persamaan matematis yang mendefinisikan dua variabel Misal hubungan antara promosi dengan tingkat penjualan, kompensasi dengan kinerja karyawan, dsb Bila menggunakan diagram pencar maka akan diperoleh garis lurus yang beraneka ragam Setiap individu mempunyai pendapat yang berbeda-beda

sa les PCI

Untuk menghilangkan perbedaan penilaian maka digunakan apa yang disebut dengan kaidah kuadrat terkecil Garis lurus dengan kesesuaian terbaik, serta meminimalkan jumlah kuadrat deviasi vertikal terhadap garis Kaidah kuadrat terkecil : menentukan suatu persamaan regresi dengan meminimumkan jumlah kuadrat jarak vertikal antara nilai aktual Y dan nilai prediksi Y

Y’= nilai prediksi dari variabel Y berdasarkan nilai variabel X yang dipilih a = titik potong Y, nilai perkiraan bagi Y ketika garis regresi memotong sumbu Y, X=0 b = kemiringan garis X= sembarang nilai variabel bebas yang dipilih

Standard error of estimate Penyimpangan data dari garis regresinya

Korelasi Analisis korelasi : Sekumpulan teknik statistik yang digunakan untuk mengukur keeratan hubungan (korelasi)antara dua variabel Jumlah transaksi dan jumlah barang terjual Diagram pencar : suatu diagram yang menggambarkan hubungan antara dua variabel yang diamati. Variabel tak bebas : variabel yang diduga nilainya Variabel bebas : variabel yang mendasari pendugaan / variabel penduga

Karl Pearson Keeratan hubungan antara dua gugus variabel berskala selang atau rasio Dilambangkan dengan : r Pearson Koefisien korelasi produk-momen Pearson Nilai antara -1,00 hingga +1,00 Keeratan korelasi tidak bergantung pada arahnya

-1,00 -0,50 0,50 1,00

Koefisien Determinasi Dihitung dengan mengkuadratkan koefisien korelasi: r2 Sekian persen dari keragaman dari…dapat diterangkan atau diperhitungkan oleh keragaman variabel bebas… Spurious correlation atau korelasi palsu Ada hubungan antar variabel, bukan karena ada perubahan pada variabel satu menyebabkan perubahan pada variabel yang lain

Uji signifikansi Dalam suatu kasus, misal seorang manajer penjualan menggunakan sampel salesman sebanyak 10 orang dan menemukan adanya korelasi sebesar A antara jumlah transaksi dan jumlah barang yang terjual Mungkinkah korelasi di dalam populasi sebenarnya sama dengan 0? Df: n-2, taraf sig.=5%

Auto regresi dan auto korelasi Besar pengaruh dan hubungan nilai suatu variabel ,antara yang telah terjadi pada suatu periode dan yang terjadi pada periode berikutnya Untuk mengetahui besarnya pengaruh digunakan auto regresi Untuk mengetahui kuat tidaknya hubungan diukur dengan auto korelasi

Besarnya nilai suatu variabel tergantung pada nilai variabel itu sendiri yng telah terjadi sebelumnya Dependent variabel Xt Independent variabel Xt-1

Persamaan auto regresi dan auto korelasi

Koefisien auto korelasi

Df: n-2 Taraf signifikansi 5% Uji dua arah

Sales PT.Gerbang Tahun ke- Sales (Jt.Rp) Sales(Jt Rp) 1 100 9 140 2 124 10 114 3 134 11 146 4 112 12 137 5 135 13 125 6 113 14 154 7 115 15 142 8 143 -

t Xt-1 Xt (Xt)(Xt-1) (Xt-1)2 Xt2 2 100 125