Metode peramalan untuk analisis kelayakan bisnis

1. Peramalan
AKI Pertemuan ke-4
THERESIA
PAWITRA

2. Agenda
• Definisi dan jenis peramalan
• Langkah-Langkah peramalan
• Jenis metode/Teknik
peramalan
• Metode Smoothing
• Metode Regresi
• Mengukur error
Peramalan

3. Peramalan/
foreasting
Pengetahuan dan seni untuk
memperkirakan apa yang terjadi di masa
datang pada saat sekarang
Peramal harus mencari:
• Data & informasi masa lalu/perilaku
yang terjadi di masa lalu
• Data ini menjadi ACUAN bagi kondisi
sekarang dan masa yad
Peramalan 3

4. Pengertian Forecasting
Menurut John E. Biegel:
“Peramalan adalah kegiatan memperkirakan tingkat permintaan produk
yang diharapkan untuk suatu produk atau beberapa produk dalam periode
waktu tertentu di masa yang akan datang”. (John E. Biegel, 1999)
Menurut Buffa:
“Peramalan atau forecasting diartikan sebagai penggunaan teknik-teknik
statistik dalam bentuk gambaran masa depan berdasarkan pengolahan
angka-angka historis”. (Buffa S. Elwood, 1996)
Peramalan 4

5. Jenis-jenis Peramalan
Peramalan berdasarkan jangka waktu
a. Peramalan jangka panjang> 3 thn
b. Peramalan jangka menengah- 1-3 thn
c. Peramalan jangka pendek - < 1thn
Peramalan berdasarkan segi penyusunnya
a. Subyektif dari feeling/pengalaman masa lalu yang menyusun
b. Obyektif-data dan informasi yang ada, kemudian dianalisis
dengan Teknik tertentu
Peramalan 5

6. Peramalan berdasarkan sifat ramalan
1. PERAMALAN KUANTITATIF
menggunakan berbagai model matematis atau metode statistik
dan data historis dan atau variabel-variabel kausal untuk
meramalkan permintaan/ berdasarkan data kuantitaif masa lalu
2. PERAMALAN KUALITATIF
menggunakan intuisi, pengalaman pribadi dan berdasarkan
pendapat (judgment) dari yang melakukan peramalan/data
kualitatif, biasanya peramalan ini didasarkan kepada hasil
penyelidikan
Peramalan 6

7. © Wiley 2010 7
Perbedaannya…

8. © Wiley 2010 8
Qualitative Methods
Type Characteristics Strengths Weaknesses
Executive
opinion
A group of managers
meet & come up with
a forecast
Good for strategic or
new-product
forecasting
One person's opinion
can dominate the
forecast
Market
research
Uses surveys &
interviews to identify
customer preferences
Good determinant of
customer preferences
It can be difficult to
develop a good
questionnaire
Delphi
method
Seeks to develop a
consensus among a
group of experts
Excellent for
forecasting long-term
product demand,
technological
changes, and
Time consuming to
develop

9. Dalam prakteknya ….peramalan dilakukan
dengan cara:
1. Survey/niat pembeli
2. Gabungan pendapat tenaga penjual
3. Pendapat ahli
4. Metode tes pasar analisis deret waktu
5. Analisis permintaan secara statistik
Peramalan 9

10. Dasar penyusunan peramalan
• Apa kata orang, penelitian atas pendapat pembeli, tenaga
penjual dan pendapat ahli
• Apa yang dilakukan orang, uji pasar dan tanggapan pembeli
• Apa yang telah dilakukan orang, perilaku pembeli di masa lalu,
dengan time series atau Analisis Regresi
Peramalan 10

11. Peramalan 11
Mengum-
pulkan data
Mengolah
data
Menentu-
kan metode
peramalan
Mempro-
yeksikan
data
Mengambil
keputusan
Mempertimbangkan:
faktor horizon waktu, pola data, jenis
peramalan, factor biaya, ketepatan dan
kemudahan penggunaan
Mempertimbangkan perubahan ekonomi,
sosial, politik dll
Perencanaan produksi,
keuangan , penjualan dll
Langkah- Langkah peramalan

12. Jenis-jenis Teknik
Peramalan

13. © Wiley 2010 13
Quantitative Methods
1. Time Series Models:
• Assumes information needed to generate a forecast is contained in a
time series of data
• Assumes the future will follow same patterns as the past
2. Causal Models or Associative Models
• Explores cause-and-effect relationships
• Uses leading indicators to predict the future
• Housing starts and appliance sales

14. © Wiley 2010 14
Time Series Models
• Forecaster looks for data patterns as
• Data = historic pattern + random variation
• Historic pattern to be forecasted:
• Level (long-term average) – data fluctuates around a constant
mean
• Trend – data exhibits an increasing or decreasing pattern
• Seasonality – any pattern that regularly repeats itself and is of a
constant length
• Cycle – patterns created by economic fluctuations
• Random Variation cannot be predicted

15. Time Series
• Metode smoothing –permalan jangka pendek seperti perencanaan
persediaan, keuangan. Data yahg tersedia minimum 2 tahun.
Tujuan: mengurangi ketidakteraturan data masa lampau seperti
musiman, caranya membuat RATA-RATA
• Metode Box Jenkins- deret waktu menggunakan model matematis
dan untuk peramalan jangka pendek. Data masa lalu min 2 tahun,
kegunaan untuk perencanaan anggaran atau produksi
• Metode Proyeksi Trend dengan REGRESI- metode untuk jangka
pendek dan Panjang. Merupakan gareis tren untuk persamaan
matematis. Data minimal 2 tahun. Digunakan untuk produk baru atau
rencana ekspansi
Peramalan 15

16. Sebab Akibat(Causal cause)
• Metode regresi/korelasi- untuk jangka panjang/ pendek
didasarkan pada persamaan dengan Teknik least square yang
dianalisis dengan statistic.data yang digunakan kuartalan, utk
peramalan penjualan atau permintaan
• Metode input-output, untuk jangka panjang, digunakan untuk
Menyusun tren ekonomi jangka panjang, data >10 tahun
• Metode ekonometri- jangka panjang/pendek. Didasarkan pada
sistem regresi. Data yang digunakan kuartalan
Peramalan 16

17. Metode Smoothing
Peramalan 17

18. Metode smoothing
• Tujuan: mengurangi fluktuasi hasil ramalan
• Terdiri dari metode:
• Rata-rata kumulatif
• Rata2 bergerak tunggal
• Eksponensial smoothing tunggal
• Eksponensial smoothing linier
Peramalan 18

19. Peramalan 19

20. Peramalan 20

21. Metode Regresi
Peramalan 21

22. Metode Regresi
Hal yang harus diketahui sebelum
melakukan peramalan dengan
regresi
• Adanya informasi masa lalu
• Informasinya dikuantifikasikan
• Diasumsikan pola data masa lalu
akan berlanjut di masa datang
Jenis data di lapangan
• Musiman (seasonal)-harian, mingguan
/bulanan
• Horizontal (stationary) – cenderung
konstan
• Siklus (cyclical) – fluktuasi ekonomi
jangka panang yang berkaitan dengan
siklus usaha
• Tren-naik/turun mencolok dalam jangka
panjang, mis penjualan produk
Peramalan 22

23. © Wiley 2010 23

24. Regresi linier sederhana
•Analisis deret waktu untuk regresi linier
sederhana
•Analisis deret waktu untuk regresi
sederhana non linier
Peramalan 24

25. © Wiley 2010 25
Causal Models –regresi linier sederhana
• Often, leading indicators can help to predict changes in
future demand e.g. housing starts
• Causal models establish a cause-and-effect relationship
between independent and dependent variables
• A common tool of causal modeling is linear regression:
• Additional related variables may require multiple
regression modeling bx
a
Y 


26. © Wiley 2010 26
Linear Regression
 
 
 
 
 
 



X
X
X
Y
X
XY
b
2
• Identify dependent (y) and independent
(x) variables
• Solve for the slope of the line
• Solve for the y intercept
• Develop your equation for the trend line
Y=a + bX
X
b
Y
a 





 2
2
X
n
X
Y
X
n
XY
b

27. © Wiley 2010 27
Linear Regression Problem:
A maker of golf shirts has been tracking the relationship between sales and
advertising dollars. Use linear regression to find out what sales might be if the
company invested $53,000 in advertising next year.




 2
2
X
n
X
Y
X
n
XY
b
Sales $
(Y)
Adv.$
(X)
XY X^2 Y^2
1 130 32 4160 2304 16,900
2 151 52 7852 2704 22,801
3 150 50 7500 2500 22,500
4 158 55 8690 3025 24964
5 153.85 53
Tot 589 189 28202 9253 87165
Avg 147.25 47.25
  
 
 
  153.85
53
1.15
92.9
Y
1.15X
92.9
bX
a
Y
92.9
a
47.25
1.15
147.25
X
b
Y
a
1.15
47.25
4
9253
147.25
47.25
4
28202
b 2

















28. Peramalan 28

29. Peramalan 29

30. Langkah selanjutnya
• Uji Test Koefisien Penentu (R2 )
• mengetahui tepat tidaknya variable yang mempengaruhi besarnya
penjualan yang diramalkan adalah waktu
• Test significance (T test) atau F test- untuk mengetahui apakah benar
persamaan regresi itu linier
Peramalan 30

31. Peramalan 31
Ramalan penjualan ditentukan oleh
variable waktu adalah 0,99

32. Test significance
F test
Peramalan 32

33. Peramalan 33
Test significance T test

34. Analisis Deret Waktu
dengan Regresi Non Linier
Peramalan 34

35. Peramalan 35

36. Peramalan 36

37. Peramalan 37

38. © Wiley 2010 38
Measuring Forecast Error
• Forecasts are never perfect
• Need to know how much we should rely on
our chosen forecasting method
• Measuring forecast error:
• Note that over-forecasts = negative errors
and under-forecasts = positive errors
t
t
t F
A
E 

E = error
A = actual
F = forecasting

39. © Wiley 2010 39
Measuring Forecasting Accuracy
• Mean Absolute Deviation (MAD)
• measures the total error in a forecast
without regard to sign
• Cumulative Forecast Error (CFE)
• Measures any bias in the forecast
• Mean Square Error (MSE)
• Penalizes larger errors
• Tracking Signal
• Measures if your model is working
 
n
forecast
-
actual
MSE
2


MAD
CFE
TS 
n
forecast
actual
MAD
 

 
 
 forecast
actual
CFE

40. © Wiley 2010 40
Accuracy & Tracking Signal Problem: A company is comparing the accuracy of two forecasting
methods. Forecasts using both methods are shown below along with the actual values for January
through May. The company also uses a tracking signal with ±4 limits to decide when a forecast
should be reviewed. Which forecasting method is best?
Month Actual
sales
Method A Method B
F’cast Error Cum.
Error
Tracking
Signal
F’cast Error Cum.
Error
Tracking
Signal
Jan. 30 28 2 2 2 27 2 2 1
Feb. 26 25 1 3 3 25 1 3 1.5
March 32 32 0 3 3 29 3 6 3
April 29 30 -1 2 2 27 2 8 4
May 31 30 1 3 3 29 2 10 5
MAD 1 2
MSE 1.4 4.4

41. © Wiley 2010 41
Selecting the Right Forecasting Model
1. The amount & type of available data
 Some methods require more data than others
2. Degree of accuracy required
 Increasing accuracy means more data
3. Length of forecast horizon
 Different models for 3 month vs. 10 years
4. Presence of data patterns
 Lagging will occur when a forecasting model meant
for a level pattern is applied with a trend

42. © Wiley 2010 42
Forecasting Software
• Spreadsheets
• Microsoft Excel, Quattro Pro, Lotus 1-2-3
• Limited statistical analysis of forecast data
• Statistical packages
• SPSS, SAS, NCSS, Minitab
• Forecasting plus statistical and graphics
• Specialty forecasting packages
• Forecast Master, Forecast Pro, Autobox, SCA

43. Thank you