Forecasting 1
Upcoming SlideShare
Loading in...5
×
 

Like this? Share it with your network

Share

Forecasting 1

on

  • 11,895 views

 

Statistics

Views

Total Views
11,895
Views on SlideShare
11,853
Embed Views
42

Actions

Likes
5
Downloads
482
Comments
0

4 Embeds 42

http://www.slideshare.net 31
http://www.sefnedi.com 6
http://sefnedi.com 4
http://hendragustomi.com 1

Accessibility

Categories

Upload Details

Uploaded via as Microsoft PowerPoint

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

Forecasting 1 Presentation Transcript

  • 1. FORECASTING Seni dan Ilmu untuk memperkirakan atau memprediksi kejadian dimasa depan
  • 2.
    • Hampir tidak ada bisnis yang luput dari proses peramalan
    • Perncanaan yang efektif baik jangka pendek maupun panjang sangat tergantung pada Peramalan Permintaan
  • 3. HORIZON WAKTU
    • Peramalan Jk. Pendek digunakan untuk merencanakan:
      • Pembelian
      • Penjadwalan kerja
      • Jumlah tenaga kerja
      • Tingkat produksi, dll.
    • Jangka waktu hingga 1 tahun tetapi umumnya kurang dari 3 bulan
    JK. MENENGAH JK. PANJANG JK. PENDEK PERAMALAN
  • 4. HORIZON WAKTU
    • Peramalan Jangka Menengah digunakan untuk merencanakan:
      • Penjualan
      • Anggaran produksi
      • Anggaran kas
    • Jangka waktu Bulanan hingga 3 tahun
    JK. MENENGAH JK. PANJANG JK. PENDEK PERAMALAN
  • 5. HORIZON WAKTU
    • Peramalan Jangka Panjang digunakan untuk merencanakan:
      • Produk baru
      • Pengembangan Pabrik
      • Litbang
    • Jangka waktu diatas 3 tahun
    JK. MENENGAH JK. PANJANG JK. PENDEK PERAMALAN
  • 6. TYPES OF FORECASTING Economic Forecast Technological Forecast Demand Forecast
  • 7.
    • Economic Forecast
    • Merencanakan indikator ekonomi yang berguna membantu organisasi untuk menyiapkan peramalan. (inflasi)
    • Technological Forecast
    • Peramalan jangka panjang yang memperhatikan tingkat kemajuan teknologi.
    • Demand Forecast
    • Meramalkan penjualan suatu perusahaan pada setiap periode dalam horizon waktu.
  • 8. FORECASTING APPROACH Peramalan Kualitatif Peramalan Kuantitatif
  • 9. PERAMALAN KUALITATIF
    • Peramalan yang menggabungkan faktor-faktor seperti intuisi pengambilan keputusan, emosi, pengalaman pribadi dll
  • 10. PERMALAN KUALITATIF
    • Jury of Executive Opinion
    • (Keputusan Pendapat Juri Eksekutif)
    • Delphi Method (Metode Delphi)
    • Sales Force Composite
    • (Gabungan Tenaga Penjualan)
    • Consumer Market Survey
    • (Survei Pasar Konsumen)
  • 11. Jury of Executive Opinion
    • Teknik peramalan yang meminta segolongan kecil manajer tingkat tinggi dan menghasilkan estimasi permintaan kelompok
  • 12. Delphi Method
    • Teknik peramalan yang menggunakan proses kelompok (expert, employee, respondent) dimana para pakar melakukan peramalan
  • 13. Sales Force Composite
    • Teknik peramalan berdasarkan prediksi tenaga penjualan terhadap besarnya penjualan yang memungkinkan dimasa yang akan datang
    “ Orang-orang yang dapat memprediksi masa depan tidak akan pernah dihargai di masanya sendiri” Pakar Kualitas PHILIP CROSBY
  • 14. Consumer Market Demand
    • Metode peramalan yang meminta input dari para konsumen mengenai rencana pembelian mereka di masa yang akan datang
  • 15. PERAMALAN KUANTITATIF Peramalan yang menggunakan satu atau lebih model matematis dengan data masa lalu dan variabel sebab akibat untuk meramalkan permintaan
  • 16. PERAMALAN KUANTITATIF
    • NAIVE APPROACH
    • MOVING AVERAGE
    • EXPONENTIAL SMOOTHING
    • TREND PROJECTION
    • LINIER REGRESSION ANALYSIS
    Menggunakan sekumpulan data masa lalu untuk peramalan MODEL TIME SERIES Model Asosiatif (Hubungan sebab akibat)
  • 17. NAIVE APPROACH
    • Teknik peramalan yang mengasumsikan permintaan di periode mendatang sama dengan permintaan pada periode terakhir
  • 18. MOVING AVERAGE
    • Metode peramalan yang menggunakan rata-rata dari sejumlah (n) data terkini untuk meramalkan periode mendatang
    (20+30+45)/3=31,7 31,7 April 45 Maret 30 Februari 20 Januari Rata2 Bergerak 3-Bulan Penjualan Aktual Bulan
  • 19. Moving Average dengan Pombobotan { (3x45) + (2x30) + (1x20) / 6 = 35,8 35,8 April 45 Maret 30 Februari 20 Januari Rata2 Bergerak dengan Pembobotan 3-Bulan Penjualan Aktual Bulan Total bobot 6 Tiga bulan lalu (Januari) 1 Dua bulan lalu (Februari) 2 Bulan lalu (Maret) 3 Periode Bobot yg diberikan
  • 20. MODEL ASOSIATIF TREND PROJECTION LINEAR REGRESSION
  • 21. TREND PROJECTION
    • Trend Projection (proyeksi tren) merupakan metode peramalan yang menyesuaikan sebuah garis tren pada sekumpulan data masa lalu, dan kemudian diproyeksikan dalam garis untuk meramalkan masa depan
    a = b = Y = Variabel Terikat (penjualan) X = Variabel Bebas (waktu) a = Konstanta b = Koefisien Tren n = Jumlah data (pengamatan)
  • 22. Perkembangan Penjualan PT.X ? 2009 ? 2008 7.639 2007 5.789 2006 4.065 2005 3.685 2004 2.847 2003 Volume Penjualan (ton) Tahun
  • 23. a =  Y/n = 24.052 / 5 = 4.810,4 b =  XY/X ² = 11.634 / 10 = 1.164,4 Y = 4.810,4 + 1.164,4 X Y2008 = 4.810,4 + 1.164,4 (3) =8.300,6 Y2009= 4.810,4 + 1.164,4 (4) =9.464  =10  =11.634  =24.052  =0 4 155.278 7.639 2 7.639 2007 1 5.789 5.789 1 5.789 2006 0 0 4.065 0 4.065 2005 1 -3.685 3.685 -1 3.685 2004 4 -5.748 2.847 -2 2.874 2003 X ² XY Y X Penjualan Th
  • 24. SIMPLE LINEAR REGRESSION
    • Model matematis garis lurus yang menjelaskan hubungan fungsional antara satu variabel terikat ( dependent variable)
    b = Y = Variabel Terikat X = Variabel Bebas (bukan waktu) a = Konstanta b = Koefisien regresi n = Jumlah data (pengamatan)
  • 25. Case: Perusahaan Konstruksi Nodel, West Bloomfield
    • Perusahaan Konstruksi Nodel merenovasi sejumlah rumah tua di West Bloomfield, Michigan.
    • Sejalan dengan waktu, perusahaan mendapati bahwa biaya pekerjaan renovasinya tergantung pada tingkat penghasilan penduduk yaitu upah lokal di West Bloomfield.
    • Tabel berikut ini menunjukkan penjualan Nodel dan upah lokal selama masa 6 tahun
    Jika kantor perdagangan lokal memperkirakan upah wilayah West Bloomfield tahun 2008 adalah 6, Tentukan perkiraan penjualan Nodel tahun 2008? 7 35 2007 1 20 2006 2 20 2005 4 25 2004 3 30 2003 1 20 2002 Wages Sales Years
  • 26. b = = = 2,5  XY=515  X ² =80  X=18  Y=150 245 49 7 35 2007 20 1 1 20 2006 40 4 2 20 2005 100 16 4 25 2004 90 9 3 30 2003 20 1 1 20 2002 XY X ² Wages (X) Sales (Y) Years
  • 27. 1 2 3 4 5 6 7 10 20 30 40 Garis Regresi Y= 17,5 + 2,5 X a= 17,5 WAGES SALES 32,5
  • 28. Untuk menghitung keakuratan regresi yang diperkirakan, harus dihitung Kesalahan Standar Estimasi ( Standard error of the estimate ). Perhitungan ini disebut Deviasi Standar Regresi ( Standard Deviation of the Regression )
  • 29. Case: Perusahaan Konstruksi Nodel Maka kesalahan standar estimasi adalah 3,06 dalam Penjualan (Sales)
  • 30. KOEFISIEN KORELASI Suatu teknik statistik untuk menentukan kekuatan hubungan antara dua variabel
  • 31. KOEFISIEN KORELASI
  • 32. Case: Nodel