3. PENGANTAR
Terdapat hubungan positif sangat erat antara kinerja
bisnis dan keunggulan bersaing.
Artinya: semakin baik kinerja bisnis/usaha, maka
semakin kuat keunggulan bersaing yang
dimilikinya.
Welch(1989) “Apabila Anda tidak memiliki
keunggulan bersaing, jangan coba-coba untuk
bersaing”
Hal ini berarti bahwa keunggulan bersaing merupakan
faktor penting bagi suatu perusahaan untuk berhasil
dalam memenangkan persaingan.
4. ELEMEN KEUNGGULAN BERSAING
1. POTENSI KEUNGGULAN BERSAING
2. POSISI KEUNGGULAN BERSAING
3. KINERJA YANG DIHASILKAN /
PERFORMANCE OUTCOMES
5. HUBUNGAN ELEMEN KEUNGGULAN BERSAING
POTENSI KEUNGGULAN
BERSAING:
- Keahlian yang dimiliki
- Sumberdaya yang dimiliki
- Sistem pengendalian
POSISI KEUNGGULAN
BERSAING:
- Customer Value
- Biaya Relatif Rendah
KINERJA YANG
DIHASILKAN:
- Kepuasan
- Loyalitas
- Market Share
- Profitabilitas
KEUNTUNGAN YANG DIPEROLEH DARI KEUNGGULAN BERSAING
6. 1. Potensi Keunggulan Bersaing
Potensi sumber daya yang
dimiliki, meliputi:
a. Keahlian yang dimiliki
para manajer dan
karyawan
b. Kemampuan mengelola
perusahaan
c. Fasilitas yang dimiliki
RENCANA STRATEGIS
JARINGAN DISTRIBUSI
YANG KUAT;
KEMAMPUAN PRODUKSI
YANG TINGGI;
KEMAMPUAN
PEMASARAN DENGAN
TIM PENJUALAN YANG
KUAT;
KEMAMPUAN
MENGUASAI TEKNOLOGI;
7. 2. Posisi Keunggulan Bersaing
Posisi keunggulan bersaing dihasilkan dari
kepemimpinan di bidang biaya (cost leadership)
atau diferensiasi.
Faktor yang penting dalam menentukan posisi
keunggulan bersaing adalah menentukan:
KAPAN, DIMANA, dan BAGAIMANA dapat
bersaing.
8. 3. Kinerja Yang Dihasilkan
Apabila potensi dan posisi keunggulan bersaing digunakan
secara optimal, maka pelanggan akan memperoleh keuntungan
dari harga produk yang relatif murah dan mendapatkan kualitas
sesuai dengan harapan.
Semua ini akan menghasilkan tingkat kepuasan yang tinggi,
loyalitas tinggi, market share besar, dan profitabilitas tinggi.
Setelah keunggulan bersaing dapat diidentifikasi, tahap
selanjutnya adalah menentukan bagaimana produk tersebut
disegmentasikan, siapa yang menjadi pangsa pasarnya, dan
bagaimana positioning yang diharapkan dari produk tersebut.
STRATEGI PEMASARAN
10. TUJUAN UTAMA STRATEGI
PEMASARAN
UNTUK MENGETAHUI DUKUNGAN APA SAJA YANG
DIPERLUKAN AGAR PELANGGAN POTENSIAL MAU
MEMBELI PRODUK YANG DITAWARKAN.
STRATEGI PEMASARAN YANG DIBUAT HARUS
MEMPERTIMBANGKAN BESARNYA PERMINTAAN
(MARKET DEMAND) DAN KONDISI PERSAINGAN YANG
ADA PADA MASING-MASING SEGMEN PASAR YANG
AKAN DITARGETKAN.
11. STRATEGI PEMASARAN
Istilah strategi pemasaran Segmenting Targeting
Positioning (STP) merupakan tiga rangkaian proses
yang harus dilalui pada penetapan sebuah strategi
bisnis. Hal ini berlaku untuk berbagai jenis produk
baik barang maupun jasa, dan juga cara
pemasarannya baik offline maupun online.
12. CAKUPAN ANALISIS PELANGGAN
A. SEGMENTASI.
1. Siapa saja yang pembeli dan pemakai dari
produk/jasa yang dihasilkan
2. Siapa pembeli yang paling besar.
3. Siapa saja yang tergolong pembeli potensial.
4. Bagaimana pasar dapat disegmentasikan
13. CAKUPAN ANALISIS PELANGGAN
B. CARA MENENTUKAN SEGMENTASI.
BERDASARKAN
KARAKTERISTIK
PELANGGAN
KETERANGAN
a. Wilayah Wilayah perkotaan atau pedesaan
b. Jenis Usaha Manufacture, Bank, Retailer, Restoran, dll
c. Ukuran Usaha Skala Besar, Menengah, Kecil
d. Jenis Kelamin Wanita, Pria
e. Usia Balita, Anak-anak, Dewasa
f. Pekerjaan PNS, Swasta, IRT, petani, nelayan, dsb
g. Pendapatan < Rp 1 juta, Rp 1-5 Juta, > Rp 5 juta
14. CAKUPAN ANALISIS PELANGGAN
B. CARA MENENTUKAN SEGMENTASI.
BERDASARKAN
PSIKOGRAFI
KETERANGAN
Gaya Hidup Segmentasi ini didasarkan pada gaya hidup.
Gaya hidup adalah bagaimana seseorang
menghasilkan waktu dan uangnya.
BERDASARKAN
PERILAKU
KETERANGAN
a. Status Pemakai Bukan Pemakai, Bekas Pemakai, Pemakai
b. Pertimbangan tertentu Kenyamanan, praktis, kecepatan
c. Sensitivitas Harga Elastis, tidak elastis
d. Kesiapan Tidak tahu, tertarik, mau membeli
e. Tingkat Pemakaian Sedikit, kadang-kadang, sering
f. Loyalitas Switcher, commited buyer
15. CAKUPAN ANALISIS PELANGGAN
C. TARGETING.
UNDIFFRENTIATED
MARKETING
Strategi sama untuk seluruh
pasar
Produk cenderung masal
Dilakukan besar-besaran
Keuntungan berskala ekonomis
Biaya produksi perunit sangat
rendah
Ex. Garam dapur, gula, dll
DIFFRENTIATED
MARKETING
Strategi berbeda/spesifik
tergantung segmen pasar yang
dilayani
Produk tidak masal, tergantung
segmen pasar yang ditargetkan
Biaya perunit sangat mahal
Promosi lebih spesifik
biaya reseach & development
sangat besar
Ex. IBM: Personal Computer
(untuk rumah tangga)
Work station (untuk professional)
Thinkpad/portable computer
(untuk professional dg mobilitas
tinggi)
CONCENTRATED
MARKETING
Strategi terpusat pada pasar
yang relatif sempit, tapi potensi
pasar sangat luas.
Bila sumber daya yang dimiliki
perusahaan terbatas
Ex. Mie barokah muslim
Gramedia buku ilmiah
popular dan umum
Erlangga buku teks
pendidikan
Mizan buku spiritual
16.
17. CAKUPAN ANALISIS PELANGGAN
D. POSITIONING.
KUADRAN I
MAIN PRIORITY
KUADRAN 2
MAINTAIN
PERFORMANCE
KUADRAN 3
LOW PRIORITY
KUADRAN 4
OVER ACTING
Tingkat
Kepentingan
Kenyataan yang Diperoleh
Matriks PRESTASI-KEPENTINGAN
Tinggi
Rendah
Tinggi
18. KUADRAN 1 (MAIN PRIORITY)
Ini adalah wilayah yang memuat faktor-faktor
yang dianggap penting (sangat diharapkan)
oleh pelanggan tetapi pada kenyataannya
factor-factor ini belum sesuai (kenyataan yang
diperoleh masih sangat rendah/tidak
memuaskan).
Variabel-variabel yang masuk dalam kuadran
ini harus ditingkatkan dengan cara perusahaan
tetap berkonsentrasi pada kuadran ini.
19. KUADRAN 2 (MAINTAIN PERFORMANCE)
Ini adalah wilayah yang memuat faktor-faktor
yang dianggap penting (diharapkan) oleh
pelanggan dan faktor-faktor yang dianggap
oleh pelanggan sudah sesuai dengan yang
diharapkannya (memuaskan).
Variabel-variabel yang masuk dalam kuadran
ini harus tetap dipertahankan, karena variabel
ini yang menjadikan produk atau jasa tersebut
memiliki keunggulan di mata pelanggan.
20. KUADRAN 3 (LOW PRIORITY)
Ini adalah wilayah yang memuat faktor-faktor
yang dianggap kurang penting (tidak
diharapkan) oleh pelanggan dan pada
kenyataannya biasa saja atau tidak terlalu
istimewa (tidak memuaskan).
Variabel-variabel yang masuk dalam kuadran
ini dapat dipertimbangkan untuk dihilangkan
karena pengaruhnya terhadap manfaat yang
dirasakan oleh pelanggan amat kecil.
21. KUADRAN 4 (OVER ACTING)
Ini adalah wilayah yang memuat faktor-faktor
yang dianggap kurang penting (tidak
diharapkan) oleh pelanggan tetapi pada
kenyataannya diterima atau dirasakan telalu
berlebihan (sangat memuaskan).
Variabel-variabel yang masuk dalam kuadran
ini dapat dipertimbangkan untuk dikurangi,
sehingga perusahaan dapat menghemat
biaya.
22. CONTOH KASUS1.
Penelitian mengenai penempatan produk berdasarkan
persepsi tingkat kepuasan, dan harapan pelanggan terhadap
kapas kecantikan merk Ming-Liu. Penelitian ini dilakukan
dengan menggunakan analisis data primer, yaitu dengan
menggunakan kuesioner. Metode analisis yang digunakan
adalah Matriks Prestasi-Kepentingan.
Kuesioner ditanyakan kepada responden dengan tingkat
kepuasan dan tingkat harapan sbb:
25. PENGANTAR
Forecasting merupakan alat yang sangat penting dalam
membuat estimasi, berapa besarnya permintaan
(demand).
Ada dua pendekatan:
ANALISIS
KUANTITATIF
ANALISIS
KUALITATIF
Banyak menggunakan model
pendekatan matematik dengan
menggunakan data yang bersifat
historis dan kausal.
Banyak menggunakan pendekatan
yang bersifat subjektif yang
berhubungan dengan pengambilan
keputusan.
26. A. METODE KUANTITATIF
1. DEKOMPOSISI
2. MOVING AVERAGE
3. TREND PROJECTION
4. LINEAR REGRESSION CAUSAL MODEL
5. EXPONENTIAL SMOOTHING
6. EXPONENTIAL SMOOTHING DENGAN TREND
ADJUSMENT
PERAMALAN BERDASARKAN METODE TIME SERIES
27. 1. DEKOMPOSISI
Metode ini dengan menggunakan data yang bersifat time series.
Sifat data time series pada umumnya memiliki empat komponen,
yaitu:
Trend (T): kecenderungan naik turunnya data sepanjang
waktu
Seasonality (S): pola berulang yang sering terjadi pada
satu periode (mingguan, bulanan, tiga bulanan, dll)
Cycles (C) Dan pola yang terjadi pada data tersebut yang
selalu berulang setelah beberapa tahun kemudian.
Random Variation (R): variasi yang bersifat random/acak/sulit
ditebak.
Demand = T x S x C x R
28. 2. METODE MOVING AVERAGE
Metode ini sangat bermanfaat apabila kita dapat membuat asumsi
bahwa demand cenderung stabil sepanjang waktu.
Rumus :
Keterangan:
n adalah jumlah periode yang digunakan dalam moving
average.
𝑀𝑜𝑣𝑖𝑛𝑔 𝐴𝑣𝑒𝑟𝑎𝑔𝑒 =
𝐷𝑒𝑚𝑎𝑛𝑑 𝑝𝑎𝑑𝑎 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑘𝑒 − 𝑛
𝑛
29. contoh1: Metode RATA-RATA BERGERAK
29
Tahun
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
Penj. Bersih
127
134
176
165
159
179
215
232
238
322
389
368
394
386
Tabel tersebut adalah
contoh penjualan pada
Minimarket selama 14
tahun. Buatlah trend dari
data penjualan tersebut
dengan metode rata-rata
bergerak 3 tahunan.
32. Metode dengan mempertimbangkan hubungan sebab
akibat variabel yang paling mempengaruhi variabel
dependen.
Persamaan garis diasumsikan linier, dengan rumus:
Y = a + bX Straigth Line
Equation
X = Periode Waktu var. independ.
Y = var lain yang berfluktuasi selama beberapa waktu var depend.
a = nilai Y saat X=0 koef intercept
b = besarnya perubh var Y yang t:. Pada setiap perubh 1 unit var X (=slope=arah
condongnya garis trend/kemiringan garis)
3. METODE TREND PROJECTION
33. Rumus untuk mendapatkan nilai a dan b:
b =
𝑛 𝑋𝑌−( 𝑋)( 𝑌)
𝑛 𝑥2−( 𝑋)
2
𝑎 =
𝑌 − 𝑏( 𝑋)
𝑛
𝑎 = 𝑌 - b𝑋
36. Metode KUADRAT TERKECIL
(LEAST SQUARE METHOD)
Dalam metode ini,traksiran dihitung dengan
ketentuan bahwa jumlah deviasi kuadrat antara tiap
deret waktu dengan nilai trend adalah minimum.
Persamaan garis yang digunakan adalah:
Y = a + bX Straigth Line
Equation
X = Periode Waktu
Y = var lain yang berfluktuasi selama beberapa waktu
a = nilai Y saat X=0
b = besarnya perubh var Y yg t:. Pada setiap perubh 1 unit var X (=arah condongnya garis
trend)
41. 4. LINEAR REGRESSION CAUSAL MODEL
Metode ini pada prinsipnya sama dengan Trend
Projections.
Perbedaannya adalah pada variabel independen, yaitu
bukan berupa waktu, melinkan suatu variabel yang
diperkirakan akan mempengaruhi variabel dependen.
Persamaan garis yang digunakan adalah:
Y = a + bX Straigth Line
Equation
X = variabel independen
Y = var dependen
a = intercept
b = koefisien slope/kemiringan garis regresi.
43. Contoh: LINEAR REGRESSION CAUSAL MODEL
Pengamatan Sampel Pemupukan dan
Hasil Panen Padi untuk 8 Percobaan
yang dilakukan
Pemupukan
(dalam 10 Kg)
X
Hasil Panen
(dalam Kw)
Y
2 16
4 18
5 22
7 22
10 24
11 28
12 30
15 32
Mencari persamaan
dari hubungan
antara Pemupukan
(X) dan Hasil Panen
(Y).
44. Tabel. Perhitungan Dugaan Garis Regresi dari Variabel
Pemupukan dan Hasil Panen Padi
Pemupukan (dlm 10 Kg)
X
Hasil Panen (dlm Kw)
Y
2 16
4 18
5 22
7 22
10 24
11 28
12 30
15 32
66 192
b =
𝑋𝑌−𝑛𝑋 𝑌
𝑋2 −𝑛𝑋2 a = 𝑌 - b𝑋
XY
32
72
110
154
240
308
360
480
1756
X²
4
16
25
49
100
121
144
225
684
𝑌𝑥 = a + bX
45. 𝑋 =
ΣX
𝑛
=
66
8
= 8,25 𝑌 =
ΣY
𝑛
=
192
8
= 24
b =
𝑋𝑌−𝑛𝑋 𝑌
𝑋2 −𝑛𝑋2 b =
1756−8(8,25)(24)
684−8(8,25)²
=
172
139,5
= 1,23
a = 𝑌 - b𝑋
= 24 – 1,23(8,25)
= 13,85 Y = 13,85 + 1,23 X
Cara 1.
46. 5. EXPONENTIAL SMOOTHING
Merupakan salah satu metode forecasting yang relatif
mudah digunakan, karena tidak memerlukan input data
yang sangat banyak.
Rumus:
Ft = 𝐹𝑡−1+ ∝ (𝐴𝑡−1 − 𝐹𝑡−1)
Keterangan:
Ft = Forecast periode yad
F t-1 = Forecast periode yll
At-1 = Aktual demand periode yll
⍺ = Alpha: konstanta, yang nilainya 0-1
47. Contoh: EXPONENTIAL SMOOTHING MODEL
Pada bulan Maret, PT. TIPUNAS memprediksikan bahwa
pada bulan April, penjualan Mobil akan sebesar 154 unit.
Aktual penjualan yang terjadi pada bulan April ternyata
sebesar 163 unit. Dengan menggunakan metode Smoothing,
constant a=0,20, berapa besarnya penjualan pada bulan Mei.
Jawab:
Ft = 𝐹𝑡−1+ ∝ (𝐴𝑡−1 − 𝐹𝑡−1)
= 154 + 0,20 (163-154)
= 155,8
48. Contoh: EXPONENTIAL SMOOTHING MODEL
Tingkat kesalahan forecasting (forecasting error) data dihitung
dengan rumus:
Forecasting Error = 𝐷𝑒𝑚𝑎𝑛𝑑 − 𝐹𝑜𝑟𝑒𝑐𝑎𝑠𝑡𝑖𝑛𝑔
49. Contoh: EXPONENTIAL SMOOTHING MODEL
Ukuran untuk mengetahui tingkat kesalahan forecasting, yaitu
dengan MAD (Mean Absolute Deviation), MSE (Mean Square
error), dan MAPE (Mean Absolute Forecasting Error).
MAD =
𝐴𝑏𝑠𝑜𝑙𝑢𝑡𝑒 𝐷𝑒𝑣𝑖𝑎𝑡𝑖𝑜𝑛
𝑛
Metode untuk mengevaluasi metode peramalan menggunakan
jumlah dari kesalahan-kesalahan yang absolut. Mean Absolute
Deviation (MAD) mengukur ketepatan ramalan dengan merata-rata
kesalahan dugaan (nilai absolut masing-masing kesalahan). MAD
berguna ketika mengukur kesalahan ramalan dalam unit yang sama
sebagai deret asli. Nilai MAD dapat dihitung dengan menggunakan
rumus sebegai berikut.
1. MAD (Mean Absolute Deviation),
50. Contoh: EXPONENTIAL SMOOTHING MODEL
Mean Squared Error (MSE) adalah metode lain untuk mengevaluasi
metode peramalan. Masing-masing kesalahan atau sisa
dikuadratkan. Kemudian dijumlahkan dan ditambahkan dengan
jumlah observasi. Pendekatan ini mengatur kesalahan peramalan
yang besar karena kesalahan-kesalahan itu dikuadratkan. Metode itu
menghasilkan kesalahan-kesalahan sedang yang kemungkinan lebih
baik untuk kesalahan kecil, tetapi kadang menghasilkan perbedaan
yang besar.
2. MSE (Mean Square Error)
51. Contoh: EXPONENTIAL SMOOTHING MODEL
Mean Absolute Percentage Error (MAPE) dihitung dengan
menggunakan kesalahan absolut pada tiap periode dibagi dengan
nilai observasi yang nyata untuk periode itu. Kemudian, merata-rata
kesalahan persentase absolut tersebut. Pendekatan ini berguna
ketika ukuran atau besar variabel ramalan itu penting dalam
mengevaluasi ketepatan ramalan. MAPE mengindikasi seberapa
besar kesalahan dalam meramal yang dibandingkan dengan nilai
nyata.
3. MAPE (Mean Absolute Forecasting Error).
52. Contoh: EXPONENTIAL SMOOTHING MODEL
PT. TIPUNAS ingin memprediksi berapa total penjualan mobil pada
bulan Januari tahun depan. Adapun catatan penjualan tahun ini
dari bulan Januari- Desember, diperoleh Total Penjualan sbb:
Bulan Aktual Penjualan
Jan 178
Feb 172
Mar 168
Apr 174
Mei 192
Jun 201
Bulan Aktual Penjualan
Jul 190
Agst 192
Sept 194
Okt 190
Nop 200
Des 210
Jika terdapat dua alternative yang digunakan untuk menghitung nilai
⍺, yaitu 0,1 dan 0,4; maka perhitungan proyeksi penjualan mana
yang paling baik?
55. MAD =
𝐹𝑜𝑟𝑒𝑐𝑎𝑠𝑡 𝐸𝑟𝑟𝑜𝑟
𝑛
MAD ∝= 0,1 =
156
11
= 14,18
MAD ∝= 0,4 =
85
11
= 7,73
Kesimpulan:
Karena MAD ∝= 0,4 7,73 memiliki nilai lebih kecil dari,
MAD ∝= 0,1 (14,18) maka hasil yang terbaik adalah dengan
menggunakan asumsi ∝= 0,4.
56. 6. EXPONENTIAL SMOOTHING DENGAN
TREND ADJUSMENT
Konsep dasar menggunakan metode forecasting = metode
exponential smoothing, tetapi ada sedikit penyesuaian terhadap
garis trend (Trend Adjustement).
Rumus:
(F1Tt) = 𝐹𝑡 + (𝑇𝑡)
Rumus:
F1Tt = Forecasting (termasuk Trend)
Ft = 𝐹𝑜𝑟𝑒𝑐𝑎𝑠𝑡 𝐵𝑎𝑟𝑢
Tt = 𝑇𝑟𝑒𝑛𝑑 𝐶𝑜𝑟𝑟𝑒𝑐𝑡𝑖𝑜𝑛
57. 6. EXPONENTIAL SMOOTHING DENGAN
TREND ADJUSMENT
Untuk memperoleh garis trend yang lebih halus, dapat
digunakan asumsi konstanta (𝛽) – sama seperti saat membahas
konstanta ∝.
Rumus:
Keterangan:
Tt = Trend yang telah diperhalus untuk periode t
𝑇𝑡−1 = Trend yang telah diperhalus untuk periode t-1
Ft = 𝐹𝑜𝑟𝑒𝑐𝑎𝑠𝑡 𝑢𝑛𝑡𝑢𝑘 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑡
Ft-1 = 𝐹𝑜𝑟𝑒𝑐𝑎𝑠𝑡 𝑢𝑛𝑡𝑢𝑘 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑡-1
β = Konstanta untuk trend yang telah diperhalus
(asumsi)
Tt = 1 − 𝛽 𝑇𝑡−1+ 𝛽(𝐹𝑡 − 𝐹𝑡−1)
58. Contoh: EXPONENTIAL SMOOTHING MODEL DG TA
PT. TIPUNAS ingin memprediksi berapa total penjualan mobil pada
bulan Januari tahun depan. Adapun catatan penjualan tahun ini
dari bulan Januari- Desember, diperoleh Total Penjualan sbb:
Bulan Aktual Penjualan
Jan 178
Feb 172
Mar 168
Apr 174
Mei 192
Jun 201
Bulan Aktual Penjualan
Jul 190
Agst 192
Sept 194
Okt 190
Nop 200
Des 210
Jika terdapat dua alternative yang digunakan untuk menghitung nilai
⍺ = 0,1 dan 𝛽 = 0,4; asumsi forecasting untuk bulan Januari tahun
berjalan adalah 170 unit.
59. Jawab: EXPONENTIAL SMOOTHING MODEL DG TA
Menghitung Forecast bulan Februari (F2)
Tahap 1.
Ft= 𝐹𝑡−1+ ∝ (𝐴𝑡−1 − 𝐹𝑡−1)
F2= 170+0,1 178 − 170 = 170,8 𝑢𝑛𝑖𝑡.
Tahap 2.Menggunakan asumsi Trend Adjustment sebesar 0 atau T1=0, maka
Trend saat ini adalah
T2 = (1-0,4)0+ 0,4(170,8-170)
Tt = 1 − 𝛽 𝑇1+ 𝛽(𝐹2 − 𝐹1)
T2 =0,32
60. Jawab: EXPONENTIAL SMOOTHING MODEL
Menghitung Forecast (FIT)
Tahap 3.
FIT2 = 𝐹2 + 𝑇2
F2= 170,8 + 0,32 = 171,12 unit.
Tahap 2. Selanjutnya dengan cara yang sama dapat menghitung forecast
untuk bulan ketiga dst.
61. Bulan Actual
Sales
Forecast F1
Tanpa Trend
Jan 178 170,0
Feb 172 170,8
Mar 168 170,9
Apr 174 170,6
Mei 192 171,0
Jun 201 173,1
Jul 190 175,9
Agst 192 177.3
Sept 194 178,7
Okt 190 180,3
Nop 200 181,2
Des 210 183,1
Trend
0,00
0,32
0,22
0,24
dst
Adjusted
FITt
FITt = 𝐹𝑡 + 𝑇𝑡
171,1
171,1
170,8
dst
Tt = 1 − 𝛽 𝑇1+ 𝛽(𝐹2 − 𝐹1)
Ft= 𝐹𝑡−1+ ∝ (𝐴𝑡−1 − 𝐹𝑡−1)
62. Berdasarkan Trend actual dan forecasting
tersebut, dapat dilihat bahwa koefisien β
merupakan factor yang sangat responsive untuk
menjawab terjadinya perubahan permintaan.
Nilai koefisien β yang relative rendah cenderung
membuat garis trend semakin halus.
Nilai koefisien β dapat diperoleh melalui trial and
error, dengan selalu memperhatikan nilai MAD
yang relative rendah sebagai kriteria forecasting
yang lebih baik.
64. B. METODE KUALITATIF
1. JURY OF EXECUTIVE OPINION
2. SALES FORCE COMPOSITE
3. METODE DELPHI
4. CUSTOMER MARKET SURVEY
Banyak menggunakan pendekatan yang bersifat
subjektif yang berhubungan dengan pengambilan
keputusan.
65. 1. Jury of Executive Opinion
Teknik peramalan yang
meminta segolongan
kecil manajer tingkat
tinggi dan menghasilkan
estimasi permintaan
kelompok.
66. 2. Sales Force Composite
Teknik peramalan
berdasarkan prediksi
tenaga penjualan
terhadap besarnya
penjualan yang
memungkinkan dimasa
yang akan datang
67. 3. Delphi Method
Teknik peramalan yang
menggunakan proses
kelompok (expert, employee,
respondent) dimana para
pakar melakukan peramalan
68. 4. Consumer Market Demand
Metode peramalan yang
meminta input dari para
konsumen mengenai
rencana pembelian
mereka di masa yang
akan datang
69. TUGAS2. STP Marketing
CERMATILAH SEBUAH PRODUK YANG ADA DI
PASARAN, KEMUDIAN BUATLAH CAKUPAN
ANALISIS PELANGGAN DILIHAT DARI:
A,. SEGMENTASI PRODUK
b. TARGETING
c. POSITIONING