Dokumen tersebut membahas tentang peramalan penjualan sebesar $200 juta dengan menggunakan metode peramalan bergerak rata-rata 3 periode."

1. Sales will be $200
Million!

2.  Peramalan adalah seni dan ilmu untuk memprediksi masa
depan.
 Peramalan adalah perhitungan yang objektif dengan
menggunakan data-data masa lalu untuk menentukan kondisi
dimasa mendatang.
 Peramalan merupakan alat bantu dalam membuat
perencanaan yang efektif dan efisien.
 Peramalan dapat dilakukan dengan melibatkan pengambilan
data historis dan memproyeksikannya ke masa mendatang
dengan suatu model matematis.
What is Forecasting ???
Sales will be
$200 Million!

3.  Peramalan ekonomi: menjelaskan siklus bisnis dengan
memprediksi:
 tingkat inflasi
 Ketersediaan jumlah uang
 Dana yang diperlukan
 Indikator perencanaan lainnya
 Peramalan teknologi, memperhatikan tingkat kemajuan
teknologi yang dapat meluncurkan produk baru yang menarik
yang membutuhkan pabrik dan peralatan baru.
 Peramalan permintaan, proyeksi permintaan untuk produk
atau layanan suatu perusahaan atau biasa disebut juga
peramalan penjualan dalam hal :
- Pengendalian produksi, kapasitas, sistem penjadwalan dan
input bagi rencana keuangan, pemasaran dan sumber SDM.
Sales will be
$200 Million!

4.  Menetapkan tujuan peramalan
 Memilih unsur yang akan diramalkan
 Menentukan horizon waktu peramalan
 Memilih jenis metode peramalan
 Mengumpulkan data yang diperlukan untuk melakukan peramalan
 Membuat peramalan
 Memvalidasi dan menerapkan peramalan
 Peramalan yang menggabungkan faktor seperti intuisi,emosi,
pengalaman pribadi dan menganalisa kondisi objektif dengan apa
adanya.
 Peramalan yang menggunakan model matematis yang beragam
dengan data masa lalu. Metode ini dapat digunakan apabila:
 Tersedia data dan informasi masa lalu
 Data dan informasi tersebut dapat dikuantitatifkan dalam
bentuk numerik
 Disumsikan beberapa aspek masa lalu akan berlanjut di
masa yang akan datang

5. 1. METODA KUALITATIF YANG TERDIRI DARI :
 METODA DELPHI
 JURI DARI OPINI EKSEKUTIF (JURY OF EXECUTIVE OPINION)
 KOMPOSIT TENAGA PENJUALAN (SALES FORCE COMPOSITE)
 SURVEY PASAR KONSUMEN (CONSUMER MARKET SURVEY)
2. METODE KUANTITATIF
 SIMPLE AVERAGE
 MOVING AVERAGE
 WEIGHTED MOVING AVERAGE
 EXPONTIAL SMOOTHING
 REGRESSI LINIER
 REGRESSI NON LINIER
 BOX JENKINS
3. METODA CAUSAL
 KORELASI – REGRESSI
 ECONOMETRIE MODEL

36
METODA - METODA PERAMALAN

6.  Menggunakan suatu proses
kelompok
 3 jenis partisipan
 Pengambil Keputusan
 Staff
 Responden
 Kelompok responden yang
memberikan input pada
pengambil keputsan. Respondents
Staff
Decision Makers
(Sales?)
(What
will
sales
be?
survey)
(Sales will be 45,
50, 55)
(Sales will be
50!)

7.  Terdiri dari sekumpulan kecil para pakar tingkat
tinggi/manajer.
 Pendapat dari para manajer digabungkan dalam
bentuk statistik untuk mendapatkan prediksi
permintaan.

8.  Setiap penjual memperkirakan
berapa penjualan yang dapat
dicapai dalam wilayahnya
 Digabungkan pada tingkat wilayah
dan nasional untuk mendapatkan
peramalan secara keseluruhan
 Sales harus mengetahui apa yang
diinginkan konsumen
Sales
© 1995 Corel Corp.

9.  Tanyakan pada konsumen
mengenai rencana
pembelian di masa depan
 Terkadang sulit dalam
menjawab pertanyaan
How many hoHow many hours
will you use the Internet next
week?
© 1995 Corel
Corp.

10.  Naïve approach
 Moving averages
 Exponential smoothing
 Trend projection
 Linear regression
Time-series Models
Associative
models

11.  Teknik peramalan yang menggunakan
sejumlah data masa lalu untuk membuat
peramalan.
 Teknik peramalan yang
mengasumsikan permintaan periode
berikutnya sama dengan permintaan
pada periode terakhir.
 Keuntungannya : Cost Effective and
Efficient.
 Suatu metode peramalan yang menggunakan
n rata-rata periode terakhir data untuk
meramalkan periode berikutnya.
© 1995 Corel Corp.

12.  Teknik peramalan rata-rata bergerak dengan pembobotan
di mana titik data dibobotkan oleh fungsi eksponensial.
 Menggunakan lebih banyak variabel yang berhubungan
dengan besaran yang di prediksi variabel bebas dan variabel
terikat)
 Model matematika garis lurus untuk menggambarkan
hubungan fungsional antara variabel-variabel yang bebas
maupun variabel-variabel yang terikat.

13. MA
n
  Permintaan dalam periode n sebelumnya
n adalah jumlah periode dalam rata-rata bergerak
Contoh :

14. You’re manager of a museum store that
sells historical replicas. You want to
forecast sales (000) for 2003 using a 3-
period moving average.
1998 4
1999 6
2000 5
2001 3
2002 7
© 1995 Corel Corp.

15. Time Response
Yi
Moving
Total
(n=3)
Moving
Average
(n=3)
1998 4 NA NA
1999 6 NA NA
2000 5 NA NA
2001 3 4+6+5=15 15/3 = 5
2002 7
2003 NA

16. Time Aktual
Yi
Moving
Total
(n=3)
Moving
Average
(n=3)
1998 4 NA NA
1999 6 NA NA
2000 5 NA NA
2001 3 4+6+5=15 15/3 = 5
2002 7 6+5+3=14 14/3=4 2/3
2003 NA

17. Time Response
Yi
Moving
Total
(n=3)
Moving
Average
(n=3)
1998 4 NA NA
1999 6 NA NA
2000 5 NA NA
2001 3 4+6+5=15 15/3=5.0
2002 7 6+5+3=14 14/3=4.7
2003 NA 5+3+7=15 15/3=5.0

18. PowerPoint presentation to accompany
Heizer/Render – Principles of Operations
Management, 5e, and Operations Management,
7e
© 2004 by Prentice Hall, Inc., Upper Saddle River,
N.J. 074584-18
95 96 97 98 99 00
Year
Sales
2
4
6
8 Actual
Forecast

19.  Ft = At - 1 + (1-)At - 2 + (1- )2·At - 3
+ (1- )3At - 4 + ... + (1- )t-1·A0
 Ft = Forecast value
 At = Actual value
  = Smoothing constant
 Ft = Ft-1 + (At-1 - Ft-1)
 Use for computing forecast
Pengaruh smoothing :
-makin besar  smootihing smakin kecil
-makin kecil  smoothing smakin besar
-dalam metode single exponential smoothing adalah mencari
 optimum yang akan memberikan MSE/MAD minimum.

20.  Metode Rata-rata Tertimbang
 Adalah metode perhitungan yang sama rata bergerak
sederhana namundiperlukan adanya koefisien
penimbang dan digunakan apabila terjadi trend pada
pola data masa lalu
 Koefisien penimbang 0<CW>1
 Equation :
 WMA = ∑ (Weight for period n)(Demand in period n)/ ∑
Weights

21.  Hitung WMA untuk 4 tahun apabila Tahun 1=100,
2= 90, 3=105, 4= 95
 WMA = (100*0,4)+(90*0.3)+(105*0,2) + (95*0.1)/1
 Kelemahan metode WMA tanggapannya tidak
dapat dengan mudah berubah tanpa merubah
masing-masing angka penimbangnya,
 1. Peningkatan n dalam pembuatan ramalan
kurang sensitif dengan perubahan
 Tidak dapat melakukan trend peramalan dengan
baik
 Perlakuan data berdasarkan historis

22. © 2001 by Prentice Hall, Inc., Upper Saddle River,
N.J. 074584-22
You’re organizing a Kwanza meeting.
You want to forecast attendance for
2000 using exponential smoothing
( = .10). The1995 forecast was 175.
1995 180
1996 168
1997 159
1996 175
1999 190
© 1995 Corel Corp.

23. 4-23
Ft = Ft-1 + · (At-1 - Ft-1)
Time Actual
Forecast, Ft
(α = .10)
1995 180 175.00 (Given)
1996 168
1997 159
1998 175
1999 190
2000 NA
175.00 +

24. PowerPoint presentation to accompany
Operations Management, 6E (Heizer & Render)
© 2001 by Prentice Hall, Inc., Upper Saddle River,
N.J. 074584-24
Ft = Ft-1 + · (At-1 - Ft-1)
Time Actual
Forecast, Ft
(α = .10)
1995 180 175.00 (Given)
1996 168 175.00 + .10(
1997 159
1998 175
1999 190
2000 NA

25. © 2001 by Prentice Hall, Inc., Upper Saddle River,
N.J. 074584-25
Ft = Ft-1 + · (At-1 - Ft-1)
Time Actual
Forecast, Ft
(α = .10)
1995 180 175.00 (Given)
1996 168 175.00 + .10(180 -
1997 159
1998 175
1999 190
2000 NA

26. © 2001 by Prentice Hall, Inc., Upper Saddle River,
N.J. 074584-26
Ft = Ft-1 + · (At-1 - Ft-1)
Time Actual
Forecast, Ft
(α = .10)
1995 180 175.00 (Given)
1996 168 175.00 + .10(180 - 175.00)
1997 159
1998 175
1999 190
2000 NA

27. © 2001 by Prentice Hall, Inc., Upper Saddle River,
N.J. 074584-27
Ft = Ft-1 + · (At-1 - Ft-1)
Time Actual
Forecast, Ft
(α = .10)
1995 180 175.00 (Given)
1996 168 175.00 + .10(180 - 175.00) = 175.50
1997 159
1998 175
1999 190
2000 NA

28. © 2001 by Prentice Hall, Inc., Upper Saddle River,
N.J. 074584-28
Ft = Ft-1 + · (At-1 - Ft-1)
Time Actual
Forecast, Ft
(α = .10)
1995 180 175.00 (Given)
1994 168 175.00 + .10(180 - 175.00) = 175.50
1995 159 175.50 + .10(168 - 175.50) = 174.75
1996 175
1997 190
1998 NA

29. © 2001 by Prentice Hall, Inc., Upper Saddle River,
N.J. 074584-29
Ft = Ft-1 + · (At-1 - Ft-1)
Time Actual
Forecast, Ft
(α = .10)
1995 180 175.00 (Given)
1996 168 175.00 + .10(180 - 175.00) = 175.50
1997 159 175.50 + .10(168 - 175.50) = 174.75
1998 175
1999 190
2000 NA
174.75 + .10(159 - 174.75)= 173.18

30. © 2001 by Prentice Hall, Inc., Upper Saddle River,
N.J. 074584-30
Ft = Ft-1 + · (At-1 - Ft-1)
Time Actual
Forecast, Ft
(α = .10)
1995 180 175.00 (Given)
1996 168 175.00 + .10(180 - 175.00) = 175.50
1997 159 175.50 + .10(168 - 175.50) = 174.75
1998 175 174.75 + .10(159 - 174.75) = 173.18
1999 190 173.18 + .10(175 - 173.18) = 173.36
2000 NA

31. © 2001 by Prentice Hall, Inc., Upper Saddle River,
N.J. 074584-31
Ft = Ft-1 + · (At-1 - Ft-1)
Time Actual
Forecast, Ft
(α = .10)
1995 180 175.00 (Given)
1996 168 175.00 + .10(180 - 175.00) = 175.50
1997 159 175.50 + .10(168 - 175.50) = 174.75
1998 175 174.75 + .10(159 - 174.75) = 173.18
1999 190 173.18 + .10(175 - 173.18) = 173.36
2000 NA 173.36 + .10(190 - 173.36) = 175.02

32. © 2001 by Prentice Hall, Inc., Upper Saddle River,
N.J. 074584-32
Year
Sales
140
150
160
170
180
190
93 94 95 96 97 98
Actual
Forecast