Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

PERAMALAN (FORECASTING)

Presentasi serupa


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

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

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

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

4 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

5 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

6 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

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

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

9 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

10 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

11 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

12 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

13 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

14 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

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

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

17 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

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

19 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

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

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

22 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

23 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

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

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

26 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


Download ppt "PERAMALAN (FORECASTING)"

Presentasi serupa


Iklan oleh Google