PERAMALAN (FORECASTING)

Presentasi berjudul: "PERAMALAN (FORECASTING)"— Transcript presentasi:

1 PERAMALAN (FORECASTING)

2 Apakah Peramalan itu? Peramalan (forecasting) adalah seni dan ilmu untuk memperkirakan kejadian di masa depan. Dapat dilakukan dengan melibatkan pengambilan data historis dan memproyeksikannya ke masa mendatang dengan suatu bentuk model matematika.

3 Meramalkan Horizon Waktu
Peramalan berdasarkan horizon waktu masa depan terbagi menjadi beberapa kategori: Peramalan jangka pendek : jangka waktu hingga 1 tahun, tetapi umumnya kurang dari 3 bulan. Peramalan ini digunakan untuk merencanakan pembelian, penjadwalan kerja, jumlah tenaga kerja, penugasan kerja, dan itngkat produksi.

4 Meramalkan horizon waktu
2. Peramalan jangka menengah : umumnya mencakup hitungan bulan hingga 3 tahun. Digunakan untuk meramalkan penjualan, perencanaan dan anggaran produksi, anggaran kas, serta menganalisis bermacam-macam rencana operasi.

5 Meramalkan horizon waktu
3. Peramalan jangka panjang : umumnya untuk perencanaan masa 3 tahun atau lebih. Digunakan untuk merencanakan produk baru, pembelanjaan modal, lokasi atau pengembangan fasilitas, serta penelitian dan pengembangan (litbang).

6 Pengaruh Siklus Hidup Produk
Peramalan yang menggambarkan siklus hidup produk berguna dalam memproyeksikan tingkat penempatan pekerja yang berbeda-beda, penentuan tingkat persediaan dan kapasitas pabrik sepanjang produk melewati tahapan awal hingga akhir.

7 Jenis-jenis Peramalan
Peramalan ekonomi : menjelaskan siklus bisnis dengan memprediksikan tingkat inflasi, ketersediaan uang, dana yang dibutuhkan untuk membangun perumahan Peramalan teknologi : memperhatikan tingkat kemajuan teknologi yang dapat meluncurkan produk baru yang menarik yang membutuhkan pabrik dan peralatan baru. Peramalan permintaan : proyeksi permintaan untuk produk atau layanan suatu perusahaan. Disebut juga peramalan penjualan yang mengendalikan produksi, kapasitas, serta sistem penjadwalan dan menjadi input bagi perencanaan keuangan, pemasaran, dan sumber daya manusia.

8 Kepentingan Strategis Peramalan
Peramalan yang baik sangatlah penting dalam semua aspek bisnis : peramalan merupakan satu-satunya prediksi mengenai permintaan hingga permintaan yang sebenarnya diketahui. Peramalan permintaan mengendalikan keputusan di banyak bidang.

9 Dampak peramalan produk pada sumber daya manusia
Mempekerjakan, melatih, dan memberhentikan pekerja bergantung pada permintaan. Jika departemen SDM harus mempekerjakan pekerja tambahan tanpa adanya persiapan, akibatnya kualitas pelatihan menurun dan kualitas pekerja juga menurun.

10 Dampak peramalan produk pada kapasitas
Saat kapasitas tidak mencukupi, kekurangan yang diakibatkannya bisa berarti tidak terjaminnya pengiriman, kehilangan konsumen, dan kehilangan pangsa pasar.

11 Dampak peramalan produk pada manajemen rantai pasokan
Hubungan yang baik dengan pemasok, serta harga barang dan komponen yang bersaing bergantung pada peramalan yang akurat.

12 Tujuh langkah Sistem Peramalan
Menetapkan tujuan peramalan Memilih unsur yang akan diramalkan Menentukan horizon waktu peramalan Memilih jenis model peramalan Mengumpulkan data yang diperlukan untuk melakukan peramalan Membuat peramalan Memvalidasi dan menerapkan hasil peramalan

13 Berbagai pendekatan dalam peramalan
Terdapat dua pendekatan umum untuk peramalan : Peramalan kuantitatif : menggunakan model matematis yang beragam dengan data masa lalu dan variabel sebab-akibat untuk meramalkan permintaan. Peramalan subjektif / kualitatif : menggabungkan faktor intuisi, emosi, pengalaman pribadi, dan sistem nilai pengambil keputusan untuk meramal.

14 Gambaran Umum Metode Kualitatif
Juri dari opini eksekutif : pendapat sekumpulan kecil manajer umumnya digabungkan dengan model statistik, dikumpulkan untuk mendapatkan prediksi permintaan kelompok. Metode Delphi : ada tiga jenis partisipan dalam metode Delphi, yaitu pengambil keputusan, karyawan, dan responden.

15 Gambaran umum metode kualitatif
3. Komposit tenaga penjualan : dalam pendekatan ini setiap tenaga penjualan memperkirakan berapa penjualan yang dapat ia capai dalam wilayahnya. 4. Survei pasar konsumen : metode ini meminta input dari konsumen mengenai rencana pembelian mereka di masa depan.

16 Gambaran Umum Metode Kuantitatif
Lima metode peramalan yang menggunakan data historis: Pendekatan naif (model deret-waktu) Rata-rata bergerak (model deret-waktu) Penghalusan eksponensial (model deret-waktu) Proyeksi tren (model asosiatif) Regresi linier (model asosiatif)

17 Model deret waktu (time series) membuat prediksi dengan asumsi bahwa masa depan merupakan fungsi dari masa lalu. Dengan kata lain, teknik peramalan ini menggunakan sejumlah data masa lalu untuk membuat peramalan. Model asosiatif (hubungan sebab-akibat), seperti regresi linier, menggabungkan banyak variabel atau faktor yang mungkin mempengaruhi kuantitas yang sedang diramalkan.

18 Peramalan Deret Waktu Deret waktu didasarkan pada urutan dari titik-titik data yang berjarak sama dalam waktu mingguan, bulanan, kuartalan, dan lain-lain. Meramalkan deret waktu berarti nilai masa depan diperkirakan hanya dari nilai masa lalu dan variabel lain diabaikan walaupun variabel tersebut mungkin sangat bermanfaat.

19 Dekomposisi Deret Waktu
Deret waktu mempunyai empat komponen : Tren : pergerakan data sedikit demi sedikit meningkat atau menurun. Musim : pola data yang berulang pada kurun waktu tertentu, seperti hari, minggu, bulan, kuartal Siklus : pola dalam data yang terjadi setiap beberapa tahun Variasi acak : satu titik khusus dalam data yang disebabkan oleh peluang dan situasi yang tidak lazim. Variasi pola acak tidak mempunyai pola khusus sehingga tidak dapat diprediksi.

20 Pendekatan Naif (Naive Approach)
Pendekatan naif (naive approach) merupakan teknik peramalan yang mengasumsikan permintaan periode berikutnya sama dengan permintaan pada periode terakhir. Contoh : jika penjualan sebuah produk, katakanlah telepon genggam Samsung, adalah sebanyak 100 unit pada bulan November, kita dapat meramalkan penjualan pada bulan Desember akan sama, yaitu 100 unit.

21 Rata-rata Bergerak (Moving Average)
Peramalan rata-rata bergerak menggunakan sejumlah data aktual masa lalu untuk menghasilkan peramalan. Rata-rata bergerak berguna jika kita dapat mengasumsikan bahwa permintaan pasar akan stabil sepanjang masa yang kita ramalkan. Rata-rata bergerak = Σ permintaan dalam periode n sebelumnya n

22 Menentukan bagaimana menghitung Rata-rata Bergerak

23 Pembobotan rata-rata bergerak =
Saat terdapat tren atau pola yang terdeteksi, bobot dapat digunakan untuk menempatkan penekanan yang lebih pada nilai terkini. Rata-rata bergerak dengan pembobotan dapat digambarkan secara matematis sebagai berikut : Pembobotan rata-rata bergerak = Σ(Bobot periode n)(Permintaan dalam periode n) Σ Bobot

24 Pembobotan Rata-rata Bergerak

25 Hasil Peramalan Rata-rata berbobot

26 Soal 1

27 Soal 2