METODE FORECASTING.

Presentasi berjudul: "METODE FORECASTING."— Transcript presentasi:

1 METODE FORECASTING

2 PENDEKATAN FORECASTING
ANALISA KUALITATIF  pendekatan yg bersifat subyektif ANALISA KUANTITATIF  pendekatan model matematik dg menggunakan data yg bersifat historis & kausal

3 METODE FORECASTING: METODE KUALITATIF : - JURY OF EXECUTIVE OPINION
- SALES FORCE COMPOSITE - DELPHI - CUSTOMER MARKET SURVEY

4 METODE KUANTITATIF: TIME SERIES  - DEKOMPOSISI CAUSAL MODE 
- MOVING AVERAGE - EXPONENTIAL SMOOTHING - EXPONENTIAL SMOOTHING by TREND ADJUSMENT CAUSAL MODE  - TREND PROJECTION - LINEAR REGRESSION

5 1. JURY of EXECUTIVE OPINION
ESTIMASI PERMINTAAN EXECUTIVE PENDAPAT EXECUTIVE EXECUTIVE

6 2.SALES FORCE COMPOSITE ESTIMASI SALES PERSON ESTIMASI GABUNGAN

7 3. METODE DELPHI MELIBATKAN 3 PARTISIPAN UTK
MEMBUAT RAMALAN /FORECAST : * PARA PENGAMBIL KEPUTUSAN 5 – 10 Tenaga Ahli Tugas : Membuat Actual Forecast * STAF PEMBANTU Menyiapkan, mendistribusi, mengumpulkan dan membuat kuesioner/survei * RESPONDEN Wawancara/mengisi kuesioner

8 CUSTOMER MARKET SURVEY
Masukkan dari pelanggan potensial untuk membuat perkiraan dan memperbaiki desain produk, dll

9 CUSTOMER SATISFACTION IS NOT ONLY THE MATTER OF FRONTLINER SERVICES

10 Why measuring Customer Satisfaction is important ?
96% of customers who have had a service problem will not verbalize their complaint – they will simply take their business elsewhere. (ONLY 4 % COMPLAINT) ONLY 4 % OF THE COMPLAINT actually launched will reach top management.

11 WHY CUSTOMER SATISFACTION IS IMPORTANT ?
Cost for transforming an active customer into a loyal customer Cost for winning a new customer Cost for winning back dissatisfied customers

12 Marketing Research In Business Life Cycle MARKETING RESEARCH
Goal : Menggali peluang-peluang baru untuk memasuki pasar lebih dalam. Goal : Menggali peluang pasar yang mungkin untuk digarap. Opportunity Identification Marketing Life cycle MARKETING RESEARCH Product Development Goal : Mendapatkan produk Yang sesuai dengan kebutuhan pasar dan match dengan kemampuan perusahaan Goal : Memonitor seluruh performance pemasaran & memberikan masukan untuk perbaikan strategy. Marketing Strategy Development Goal : Mengembangkan sebuah strategy marketing yang diharapkan berhasil mencapai target pemasaran.

13 METODE KUANTITATIF Berdasarkan dari pendekatan 4 komponen tersebut dibuat forecast 1. METODE DEKOMPOSISI Time Series dgn 4 komponen * Trend ( T ) * Seasonality ( S ) * Cycles (C ) * Random Variations ( R )

14 JUMLAH HARI RAWAT BULAN
1100 1000 900 800 700 600 500 400 300 200 100 JUMLAH HARI RAWAT 1 2 3 4 5 6 7 8 9 10 11 12 BULAN

15 2. METODE MOVING AVERAGE ( MA )
* Dasar asumsi : Demand cenderung stabil * MA = ∑ Demand pada periode n n * Jumlah Periode : Hasil 3 bln 3 MA

16 INDEKS MUSIMAN : Contoh : Dilihat dari perubahan trend tiap bulan
Periode Waktu Actual Sales 2 MA ( I ) ( II) Sales MA ( Indeks Musim ) ( x ) ( Y ) JANUARI FEBRUARI MARET APRIL MEI JUNI JULI AGUSTUS SEPTEMBER OKTOBER NOVEMBER DESEMBER 1 2 3 4 5 6 7 8 9 10 11 12 178 172 168 174 192 201 190 194 200 210 175 170 171 183 197 196 191 193 195 205 172,5 170,5 177,0 189,8 196,0 193,3 192,0 192,5 193,5 200,0 0,997 0,985 0,983 1,012 1,026 1,000 1,008 0,982 Indeks Musim = Y 2 MA ( II )

17 DATA PAVILIUN A TA. 1999 BULAN JUMLAH HARI RAWAT 3 MA HASIL JANUARI
FEBRUARI MARET APRIL MEI JUNI JULI AGUSTUS SEPTEMBER OKTOBER NOVEMBER DESEMBER 683 947 1001 811 905 756 902 924 864 949 1092 743 ( )/3 ( )/3 ( )/3 Dst 877,0 919,7 905,7 824,0 854,3 860,7 896,7 912,3 968,3 928,0 10577

18 3. EXPONENTIAL SMOOTHING
F = F-1 + α ( A-1 – F-1 ) F-1 = Forecast pada 1 periode yang lalu ( th, bln ) F = Forecast A-1 = Actual pada 1 periode yang lalu α = Konstanta dengan nilai 0 – 1 ( Besarnya ditetapkan berdasarkan asumsi perubahan dibanding dengan tingkat perubahan yang lalu )

19 Fe = Forecast Error/Absolute Deviation
Fe = A - F F = F -1 + α Fe -1 Fe -1= A -1 - F -1 Fe = Forecast Error/Absolute Deviation Fe-1 = Fe pada 1 periode yg lalu MAD = ∑| Fe | n MAD = Mean Absolute Deviation

20 4. EXPONENTIAL SMOOTHING by Trend Adjusment
Disamping perhitungan tersebut diatas ditambahkan garis dengan asumsi terhadap penyesuaian garis trend dengan tujuan untuk memperoleh garis trend yang lebih halus Rumus : Ft = F + Tc Ft = Forecasting dengan penyesuaian trend Tc = Trend Correction Tc-1 = Tc pada periode sebelumnya Tc = ( 1 – β ) Tc-1 + β ( F – F -1 ) β = Konstanta untuk trend yang diperluas (nilai : 0-1) Nilai β ditentukan berdasar : ” Trial/Error ” dengan mengacu pada nilai MAD yang relatif rendah

21 5. TREND PROJECTIONS Untuk mempertimbangkan hubungan sebab akibat
dari variabel yang paling mempengaruhi x = Variabel Independen ( Variabel yang mempengaruhi ) y = Variabel Dependen ( Variabel yang dipengaruhi ) y = a + bx a = Koefisien Intercept b = Koefisien slope ( kemiringan garis regresi ) b = n ∑ xy – (∑x) (∑y) n ( ∑x2) – (∑ x)2 a = y – bx atau a = ∑y – b(∑x) n

22 Contoh : BULAN Periode Waktu Actual Sales X2 XY ( X) ( Y ) JANUARI
FEBRUARI MARET APRIL MEI JUNI JULI AGUSTUS SEPTEMBER OKTOBER NOVEMBER DESEMBER 1 2 3 4 5 6 7 8 9 10 11 12 178 172 168 174 192 201 190 194 200 210 16 25 36 49 64 81 100 121 144 344 504 696 960 1206 1330 1536 1746 1900 2200 2520 78 2261 650 15120

23 b = n ∑ xy – (∑x) – (∑y) n ( ∑x2) – (∑ x)2 12(15120) – (78) (2261) 12(650) – (78)2 2,9615 a = ∑y – b(∑x) n 2261 – 2,9615 (78) = 169,17 12 Persamaan garis regresi = y = 169,17 + 2,9615(x)

24 Persamaan Garis Regresi : y = 4,023 + 0,2023(x)
SBU Sales ( X ) ( Juta ) Profit ( Y ) XY X2 Y2 1 2 3 4 5 6 7 8 9 10 11 12 70 21 53 43 240 254 164 123 142 125 156 56 14 16 18 54 60 28 29 32 25 40 13 980 252 848 774 12960 15240 44592 3567 4544 3125 6240 728 4900 441 2809 1849 57600 64516 28896 15129 20164 15625 24336 3136 196 144 256 324 2916 3600 784 841 1024 625 1600 169 1447 341 53850 23740 12479 b = 12(53850) – (1447) (341) = 0,2023 12(237401) – (1447)2 a = – 0,2023 (1447) = 4,023 12 Persamaan Garis Regresi : y = 4, ,2023(x)

25 6. LINEAR REGRESSION Se = √ ∑Y2 – a ∑ Y – b ∑ XY n – 2
Prinsip = Trend Proyection Perbedaan : x : Bukan variabel waktu, tetapi variabel lain yang diperkirakan akan mempengaruhi variabel y Misalnya : = penjualan = profit margin Tingkat kesalahan data variabel dapat dihitung dengan rumus Se = √ ∑Y2 – a ∑ Y – b ∑ XY n – 2 Se = Standart Error Estimasi

26 Misal : Penjualan (X). = Rp. 100 Juta Profit (Y)
Misal : Penjualan (X) = Rp Juta Profit (Y) = 4, ,2023 ( 100 Juta ) = Rp ,- Bila Penjualan (X) = Rp. 0,- Profit (Y) = Rp. 4 Juta ?