Forecasting 1

13,870 views

Published on

0 Comments
6 Likes
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total views
13,870
On SlideShare
0
From Embeds
0
Number of Embeds
45
Actions
Shares
0
Downloads
706
Comments
0
Likes
6
Embeds 0
No embeds

No notes for slide

Forecasting 1

  1. 1. FORECASTING Seni dan Ilmu untuk memperkirakan atau memprediksi kejadian dimasa depan
  2. 2. <ul><li>Hampir tidak ada bisnis yang luput dari proses peramalan </li></ul><ul><li>Perncanaan yang efektif baik jangka pendek maupun panjang sangat tergantung pada Peramalan Permintaan </li></ul>
  3. 3. HORIZON WAKTU <ul><li>Peramalan Jk. Pendek digunakan untuk merencanakan: </li></ul><ul><ul><li>Pembelian </li></ul></ul><ul><ul><li>Penjadwalan kerja </li></ul></ul><ul><ul><li>Jumlah tenaga kerja </li></ul></ul><ul><ul><li>Tingkat produksi, dll. </li></ul></ul><ul><li>Jangka waktu hingga 1 tahun tetapi umumnya kurang dari 3 bulan </li></ul>JK. MENENGAH JK. PANJANG JK. PENDEK PERAMALAN
  4. 4. HORIZON WAKTU <ul><li>Peramalan Jangka Menengah digunakan untuk merencanakan: </li></ul><ul><ul><li>Penjualan </li></ul></ul><ul><ul><li>Anggaran produksi </li></ul></ul><ul><ul><li>Anggaran kas </li></ul></ul><ul><li>Jangka waktu Bulanan hingga 3 tahun </li></ul>JK. MENENGAH JK. PANJANG JK. PENDEK PERAMALAN
  5. 5. HORIZON WAKTU <ul><li>Peramalan Jangka Panjang digunakan untuk merencanakan: </li></ul><ul><ul><li>Produk baru </li></ul></ul><ul><ul><li>Pengembangan Pabrik </li></ul></ul><ul><ul><li>Litbang </li></ul></ul><ul><li>Jangka waktu diatas 3 tahun </li></ul>JK. MENENGAH JK. PANJANG JK. PENDEK PERAMALAN
  6. 6. TYPES OF FORECASTING Economic Forecast Technological Forecast Demand Forecast
  7. 7. <ul><li>Economic Forecast </li></ul><ul><li>Merencanakan indikator ekonomi yang berguna membantu organisasi untuk menyiapkan peramalan. (inflasi) </li></ul><ul><li>Technological Forecast </li></ul><ul><li>Peramalan jangka panjang yang memperhatikan tingkat kemajuan teknologi. </li></ul><ul><li>Demand Forecast </li></ul><ul><li>Meramalkan penjualan suatu perusahaan pada setiap periode dalam horizon waktu. </li></ul>
  8. 8. FORECASTING APPROACH Peramalan Kualitatif Peramalan Kuantitatif
  9. 9. PERAMALAN KUALITATIF <ul><li>Peramalan yang menggabungkan faktor-faktor seperti intuisi pengambilan keputusan, emosi, pengalaman pribadi dll </li></ul>
  10. 10. PERMALAN KUALITATIF <ul><li>Jury of Executive Opinion </li></ul><ul><li>(Keputusan Pendapat Juri Eksekutif) </li></ul><ul><li>Delphi Method (Metode Delphi) </li></ul><ul><li>Sales Force Composite </li></ul><ul><li>(Gabungan Tenaga Penjualan) </li></ul><ul><li>Consumer Market Survey </li></ul><ul><li>(Survei Pasar Konsumen) </li></ul>
  11. 11. Jury of Executive Opinion <ul><li>Teknik peramalan yang meminta segolongan kecil manajer tingkat tinggi dan menghasilkan estimasi permintaan kelompok </li></ul>
  12. 12. Delphi Method <ul><li>Teknik peramalan yang menggunakan proses kelompok (expert, employee, respondent) dimana para pakar melakukan peramalan </li></ul>
  13. 13. Sales Force Composite <ul><li>Teknik peramalan berdasarkan prediksi tenaga penjualan terhadap besarnya penjualan yang memungkinkan dimasa yang akan datang </li></ul>“ Orang-orang yang dapat memprediksi masa depan tidak akan pernah dihargai di masanya sendiri” Pakar Kualitas PHILIP CROSBY
  14. 14. Consumer Market Demand <ul><li>Metode peramalan yang meminta input dari para konsumen mengenai rencana pembelian mereka di masa yang akan datang </li></ul>
  15. 15. PERAMALAN KUANTITATIF Peramalan yang menggunakan satu atau lebih model matematis dengan data masa lalu dan variabel sebab akibat untuk meramalkan permintaan
  16. 16. PERAMALAN KUANTITATIF <ul><li>NAIVE APPROACH </li></ul><ul><li>MOVING AVERAGE </li></ul><ul><li>EXPONENTIAL SMOOTHING </li></ul><ul><li>TREND PROJECTION </li></ul><ul><li>LINIER REGRESSION ANALYSIS </li></ul>Menggunakan sekumpulan data masa lalu untuk peramalan MODEL TIME SERIES Model Asosiatif (Hubungan sebab akibat)
  17. 17. NAIVE APPROACH <ul><li>Teknik peramalan yang mengasumsikan permintaan di periode mendatang sama dengan permintaan pada periode terakhir </li></ul>
  18. 18. MOVING AVERAGE <ul><li>Metode peramalan yang menggunakan rata-rata dari sejumlah (n) data terkini untuk meramalkan periode mendatang </li></ul>(20+30+45)/3=31,7 31,7 April 45 Maret 30 Februari 20 Januari Rata2 Bergerak 3-Bulan Penjualan Aktual Bulan
  19. 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. 20. MODEL ASOSIATIF TREND PROJECTION LINEAR REGRESSION
  21. 21. TREND PROJECTION <ul><li>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 </li></ul>a = b = Y = Variabel Terikat (penjualan) X = Variabel Bebas (waktu) a = Konstanta b = Koefisien Tren n = Jumlah data (pengamatan)
  22. 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. 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. 24. SIMPLE LINEAR REGRESSION <ul><li>Model matematis garis lurus yang menjelaskan hubungan fungsional antara satu variabel terikat ( dependent variable) </li></ul>b = Y = Variabel Terikat X = Variabel Bebas (bukan waktu) a = Konstanta b = Koefisien regresi n = Jumlah data (pengamatan)
  25. 25. Case: Perusahaan Konstruksi Nodel, West Bloomfield <ul><li>Perusahaan Konstruksi Nodel merenovasi sejumlah rumah tua di West Bloomfield, Michigan. </li></ul><ul><li>Sejalan dengan waktu, perusahaan mendapati bahwa biaya pekerjaan renovasinya tergantung pada tingkat penghasilan penduduk yaitu upah lokal di West Bloomfield. </li></ul><ul><li>Tabel berikut ini menunjukkan penjualan Nodel dan upah lokal selama masa 6 tahun </li></ul>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. 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. 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. 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. 29. Case: Perusahaan Konstruksi Nodel Maka kesalahan standar estimasi adalah 3,06 dalam Penjualan (Sales)
  30. 30. KOEFISIEN KORELASI Suatu teknik statistik untuk menentukan kekuatan hubungan antara dua variabel
  31. 31. KOEFISIEN KORELASI
  32. 32. Case: Nodel

×