1
II. PERAMALAN (FORECASTING)
Outline
1. APAKAH PERAMALAN ITU?
2. JENIS - JENIS PERAMALAN
3. FUNGSI PERAMALAN
4. PENDEKATAN PERAMALAN
5. METODE PERAMALAN KUALITATIF
6. METODE PERAMALAN KUANTITATIF
2
1. APA ITU PERAMALAN ?
Forecasting : ilmu dan seni dalam memprediksi kejadian di masa depan
Data masa lalu dan menempatkannya ke masa yang akan datang dengan suatu bentuk model matematis
Prediksi intuisi bersifat subyektif
Kombinasi model matematis dan intuisi
Tidak ada satu metode tunggal yang unggul
Setiap organisasi/perusahaan berbeda
3
• Pendek (Short Range Forecast) :
1 tahun tetapi umumnya < 3 bulan. Perencanaan pembelian bahan, jadwal kerja, tugas
kerja
• Menengah (Medium Range Forecast)
3 bulan – 3 tahun. Perencanaan penjualan, perencanaan dan anggaran
produksi, cash budgeting, analisis perencanaan operasi
• Panjang (Long Range Forecast)
3 tahun atau lebih. Perencanaan produk baru, pengeluaran modal, lokasi
pabrik dan ekspansi, R&D
Jangka Waktu :
4
Pengenalan Pertumbuhan Kejenuhan Penurunan
Pe
nju
ala
n
Pengaruh Siklus Hidup Produk /Product Life Cycle
Tahap Pengenalan & Pertumbuhan memerlukan peramalan yang lebih lama daripada tahap kejenuhan dan penurunan
Peramalan bermanfaat dalam : Penentuan tenaga kerja, Tingkat persediaan Kapasitas pabrik
5
2. JENIS - JENIS PERAMALAN
1. Peramalan Ekonomi Siklus bisnis dengan memprediksi rata-rata inflasi, dan indikator ekonomi lainnya
2. Peramalan Teknologi perkembangan teknologi yang menyebabkan munculnya produk baru, menentukan pabrik dan peralatan baru.
3. Peramalan permintaan/penjualan Produksi perusahaan, kapasitas dan sistem penjadwalan, digunakan untuk input terhadap perencanaan finansial, pemasaran dan SDM
1. Sumber Daya Manusia
2. Kapasitas
3. Manajemen Rantai Pasokan
Kepentingan Strategis Peramalan Penjualan
6
3. FUNGSI PERAMALAN
INPUTRiset PasarData Perm intaan
m asa Lalu Iklan Prom osi Pendapat
MODELPERAMALAN
OUTPUTPerm intaan yangdiharapkan : ProdukKonsum enW ilayah
BATASANKebijakan
m anajem en Sum ber daya yg
tersediaKondisi pasar Teknologi
LINGKUNGAN Ekonom i Sosial PolitikBudaya
Sumber : R.J. Tersine & John H. Campbell (1977)
7
Tujuh Tahapan Peramalan
1. Menentukan tujuan peramalan
2. Memilih item yang akan diramal
3. Menentukan jangka waktu peramalan
4. Memilih model peramalan
5. Mengumpulkan data
6. Memproses peramalan
7. Validasi dan Implementasi Hasil
Namun demikian :
1. Peramalan jarang ada yang sempurna
2. Hampir semua teknik peramalan mengasumsikan kondisi stabil
3. Peramalan kelompok produk maupun keseluruhan lebih akurat daripada peramalan produk individu
8
Metode Peramalan
Kuantitatif
Kualitatif
· Pendapat ahli/Jury of Executive Opinion
· Perkiraan Penjualan· Metode Delphi· Survai pasar
Model deret berkala(Time Series )
Model Kausal(Associative Models)
· Naive approach· Moving Averages· Exponential Smoothing
· Trend Projection· Regresi Linier
9
Perbedaan Metode Kualitatif dan Kuantitatif
A. Digunakan ketika situasi “stabil” dan tersedia data historis Existing products Current technology
B. Melibatkan teknik matematika
Contoh : peramalan penjualan TV
Metode Kuantitatif
A. Digunakan ketika kondisinya baru dan data yang tersedia sedikit
Produk baru
Teknologi baru
B. Melibatkan intuisi dan pengalaman
Contoh: peramalan penjualan di internet
Metode Kualitatif
10
Kelompok Kecil (small group) : high-level managers Kelompok memperkirakan permintaan
secara bersama-sama Menggabungkan pengalaman manajerial
dengan model statistik Relatif cepat Pemikiran Kelompok
(‘Group-think’) tertentu
5.1. Jury of Executive Opinion
5. Metode Kualitatif
11
5.2. Perkiraan Penjualan
Memperkirakan setiap penjualan individu, yang kemudian diagregatkan
Setiap penjual memberikan data penjualannya
Menggabungkan penjualan antara cabang/daerah dengan pusat
Para penjual mengetahui apa yang diinginkan konsumen
Cenderung lebih optimis
SalesSales
12
5.3. Delphi Method
Panel para ahli (experts), dilakukan secara iteratif 3 elemen yang terlibat : Decision makers Staff Respondents
Mengurangi ‘group-think’
Respondents Respondents
Staff Staff
Decision MakersDecision Makers(Sales?)
What will sales be?survey)
Sales will be 45,50 and 55
Sales will be 50!
13
5.4. Survey Pasar (Consumer Market Survey)
Menanyakan kepada konsumen tentang rencana pembelian
Apa yang dikatakan konsumen, dan apa yang dilakukannya seringkali berbeda
Seringkali sulit untuk dijawab
How many hours will you use the
internet next week?
14
6. Metode Kuantitatif
1. Naïve approach
2. Moving averages
3. Exponential smoothing
4. Trend projection
5. Linear regression
Time-series Models
Associative models
15
A. Model Time Series
• Berdasarkan periode tertentu (mingguan, bulanan. kwartal. tahunan)
• Tersedia informasi masa lalu• Informasi dapat dikuatitatifkan dalam bentuk data numerik• Asumsi: pola masa lalu terus berlanjut di masa mendatang
Empat Komponen :
1. Tren : pergerakan data sedikit demi sedikit meningkat atau menurun.
perubahan pendapatan, populasi, penyebaran umur, pandangan budaya Pergerakan Tren
2. Musim : Pola data yang berulang pada periode tertentu (hari, minggu, bulan, kuartal)
3. Siklus : pola yang terjadi setiap beberapa tahun
Terkait dengan siklus bisnis dan merupakan satu hal penting dalam analisis dan perencanaan bisnis jangka pendek
4. Variasi acak : satu titik khusus dalam data disebabkan peluang dan situasi yang tidak biasa
16
Grafik Permintaan Produk selama 4 tahun dengan tipe trend dan musiman
Year1
Year2
Year3
Year4
Seasonal peaks Trend component
Actual demand line
Average demand over four years
Dem
and
for p
rodu
ct o
r ser
vice
Random variation
17
6.1. Naive Approach
Asumsi : Permintaan di periode mendatang sama dengan permintaan pada saat ini
Contoh : Jika penjualan HP bulan Mei 48 unit, maka pada bulan Juni, penjualannya = 48 unit
Kadang-kadang efektif dan efisien
18
6.2. Moving Average (MA)
Merupakan rata-rata aritmatik Tidak banyak menggunakan trend Asumsi;permintaan pasar tetap stabil setiap waktu
Persamaan
MAMAnn
nn Demand inDemand in PreviousPrevious PeriodsPeriods
19
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 41999 62000 52001 32002 7
Contoh MA :
20
Jawaban :
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
21
Digunakan ketika ada trend Data yang lama seringkali tidak berguna
Bobot berdasarkan intuisi Nilainya 0 & 1,dengan jumlah keseluruhan 1.0
Persamaan
WMA =WMA =Σ Σ (Weight for period (Weight for period nn) (Demand in period ) (Demand in period nn) )
Σ Σ WeightsWeights
Weighted Moving Average (WMA)
22
Bentuk WMA : Bobot menurun secara eksponensial Data yang ada diberikan bobot
Memerlukan smoothing constant (α) Kisaran dari 0 - 1 Dipilih secara subjektif
Melibatkan data di masa lalu
6.3. Exponential Smoothing
Ft = α At - 1 + α(1- α)At - 2 + α(1- α)2·At - 3+ α (1- α)3At - 4 + ... + α(1- α)t-1·A0
Ft = F t-1 + α (At-1 – Ft-1)
Ft = Peramalan yang baruFt-1 = Peramalan sebelumnyaα = Konstanta pemulusan ( 0 < α < 1)At-1 = Permintaan aktual periode sebelumnya At = Nilai Aktual
23
Contoh : Exponential SmoothingCth: Pada bln Januari, agen perjalanan Bogor-Bandung memprediksikan bahwa pada
bulan Februari permintaan sebesar 142 orang per minggu. Namun ternyata permintaan aktual bln Febr. sebesar 153 orang. Dgn menggunakan konstanta pemulusan =0,20. maka ramalan permintaan untuk bulan Maret adalah:
Ft = F t-1 +α (At-1 – Ft-1)
Ft (Maret) = 142 + 0,2 (153-142)Ft = 144,2 144 orang
Nilai α secara umum 0,05- 0,5 untuk aplikasi bisnis (Heizer & Render,1998)
Pengukuran kesalahan peramalan :
MAD (Mean Absolute Deviation) = Σ kesalahan peramalan n
MSE (Mean Square Error) = (Σ kesalahan peramalan)2
n MAPE (Mean Absolute Percent Error)
n
aktualramalanaktualMAPE
n
iii i
1
100
24
Pelabuhan Tanjung Priok mrp pelabuhan terbesar dalam pengiriman ikan tuna selama delapan kwartal terakhir. Manajer operasi pelabuhan ingin mencoba exponential smothing untuk melihat bagimanan teknik tersebut dapat digunakan dalam peramalan. Dia meramalkan bahwa pada kwartal pertama mendatang pengiriman tuna sebesar 175 ton. Nila α yang digunakan adalah 0,1 dan 0,50. Berapa ton tuna yg akan dikirim pada kwartal ke-9? Nilai α manakah yang akan dipilih oleh manajer tsb?
Kwartal Pengiriman Aktual
(ton)
Ramalan
( α = 0,1)
Ramalan
( α = 0,5)
1 180 175 175
2 168 175 + 0,1 (180 - 175) = 176 178
3 159 175,5 + 0,1(168 -175,50)= 175 173
4 175 174,75 + 0,1 (159-174,75) = 173 166
5 190 173,18 + 0,1(175- 173,18 ) = 173 170
6 205 173,36 + 0,1 (190- 173,36) = 175 180
7 180 175,02 + 0,1(205-175,02) = 178 193
8 182 178,02 + 0,1 (180-178,02) = 178 186
9 ? 178,22 + 0,1(182- 178,22 ) =179 184
25
Kwartal Pengiriman Aktual
(ton)
Ramalan
( α = 0,1)
Deviasi mutlak
Ramalan
( α = 0,5)
Deviasi mutlak
1 180 175 5 175 5
2 168 176 8 178 10
3 159 175 16 173 14
4 175 173 2 166 9
5 190 173 17 170 20
6 205 175 30 180 25
7 180 178 2 193 13
8 182 178 4 186 4
Jumlah Deviasi mutlak 84 100
MAD 10,50 12,50
Nilai α yang dipilih adalah α = 0,1 karena MAD-nya < α = 0,50
26
6.4. Trend Projection
Deviation
Deviation
Deviation
Deviation
Deviation
Deviation
Deviation
Time
Valu
es o
f Dep
ende
nt V
aria
ble
bxaY ˆ
Actual observation
Point on regression line
27
Used for forecasting linear trend line Assumes relationship between response variable, Y, and
time, X, is a linear function
Estimated by least squares method
Minimizes sum of squared errors Relationship is assumed to be linear. Plot the data first - if
curve appears to be present, use curvilinear analysis. Relationship is assumed to hold only within or slightly
outside data range. Do not attempt to predict time periods far beyond the range of the data base.
Deviations around least squares line are assumed to be random
iY a bX
i= +
Linear Trend Projection
28
Least Squares Equations
Equation:ii bxaY
Slope:
xnx
yxnyxb
i
n
i
ii
n
i
Y-Intercept: xbya
29
X i Y i X i2
Y i2
X iY i
X 1 Y 1 X 12
Y 12
X 1Y 1
X 2 Y 2 X 22
Y 22
X 2Y 2
: : : : :
X n Y n X n2
Y n2
X nY n
Σ X i Σ Y i Σ X i2
Σ Y i2
Σ X iY i
Tabel perhitungan
30
Example : Trend Line
Year Demand
1997 74
1998 79
1999 80
2000 90
2001 105
2002 142
2003 122
The demand for electrical power at N.Y.Edison over the years 1997 – 2003 is given at the below. Find the overall trend.
31
Finding a Trend Line
Year Time Period
Power Demand
x2 xy
1997 1 74 1 741998 2 79 4 1581999 3 80 9 2402000 4 90 16 3602001 5 105 25 5252002 6 142 36 8522003 7 122 49 854
x=28 y=692 x2=140 xy=3,063
32
The Trend Line Equation
megawatts 151.56 10.54(9) 56.70 2005in Demand
megawatts 141.02 10.54(8) 56.70 2004in Demand
56.70 10.54(4) - 98.86 xb - y a
10.5428
295
(7)(4)140
86)(7)(4)(98.3,063
xnΣx
yxn -Σxy b
98.867
692
n
Σyy 4
7
28
n
Σxx
222
33
Variasi Musiman pada Data
Pergerakan reguler baik meningkat atau menurun pada periode tertentu dan terjadi berulang
Musim : jam, hari, minggu, bulan, kwartal atau pola berulang lainnya
Memerlukan penyesuaian peramalan garis tren Variasi : jumlah nilai aktual yang berbeda dari nilai rata-rata
dalam time series
Indeks musim Model variasi musiman multiplikatif
Faktor musiman dikalikan dengan prediksi permintaan rata-rata untuk peramalan musiman
34
Tahapan :1. Hitung Rata-rata permintaan historis untuk setiap musim
Misal : 1 musim 1 bulan. Cth. penjualan bulan januari selama 3 tahun : 8,6 dan 10 permintaan bln januari =(8+6+10)/3 = 8 unit
2. Hitung rata-rata permintaan untuk semua bulan membagi rata-rata permintaan tahunan total dengan jumlah musim.
Cth : rata-rata permintaan total untuk 1 tahun =120 unit dan ada 12 musim (1 bulan) rata-rata permintaan bulanan = 120/12 = 10 unit
3. Hitung indeks musiman untuk setiap musim : membagi permintaan historis aktual bulan itu (dari langkah 1) dengan rata-rata permintaan pada seluruh bulan (dari langkah 2)
Langkah 1 dan 2 : indeks musiman = 8/10 = 0,80 : bulan januari
4. Estimasikan permintaan tahunan total untuk tahun depan
5. Bagi prediksi permintaan tahunan total dengan jumlah musim kalikan dengan indeks musiman bulan tersebut :Peramalan Musiman
35
Contoh: permintaan bulanan komputer laptop IBM di Glodok untuk tahun 2002 sampai 2004 sebagai berikut :
Bulan Permintaan Permintaan rata-rata 2002-2004
Permintaan bulanan rata-rata*
Indeks Musiman**2002 2003 2004
Jan 80 85 105 90 94 0,957
Feb 70 85 85 80 94 0,851
Mrt 80 93 82 85 94 0,904
Apr 90 95 115 100 94 1,064
Mei 113 125 131 123 94 1,309
Jun 110 115 120 115 94 1,223
Juli 100 102 113 105 94 1,117
Agt 88 102 110 100 94 1,064
Sep 85 90 95 90 94 0,957
Okt 77 78 85 80 94 0,851
Nov 75 82 83 80 94 0,851
Des 82 78 80 80 94 0,851
Permintaan tahunan rata-rata total 1.128
36
* Permintaan bulanan rata-rata = 1.128 / 12 bulan = 94**Indeks musiman = permintaan bulanan rata-rata 2002-2004 permintaan bulanan rata-rata
Jika mengharapkan permintaan tahunan komputer pada tahun 2003 sebesar 1.200 unit, maka akan menggunakan indeks musiman tsb untuk meramalkan permintaan bulanan sebagai berikut :
Bulan Permintaan Bulan Permintaan
Jan 1.200/12 * 0,957 = 96 Juli 1.200/12 * 1,117 = 112
Feb 1.200/12 *0,851 = 85 Agt 1.200/12 *1,064 = 106
Mrt 1.200/12 *0,904 = 90 Sep 1.200/12 * 0,957 = 96
Apr 1.200/12 * 1,064 = 106 Okt 1.200/12 * 0,851 = 85
Mei 1.200/12 *1,309 = 131 Nov 1.200/12 * 0,851 = 85
Jun 1.200/12 *1,223 = 122 Des 1.200/12 * 0,851 = 85
37
6.5. Analisis Regresi dan Korelasi
Mempertimbangkan beberapa variabel yang berhubungan dengan kuantitas yang diprediksi
Adanya variabel dependen dan independen
Cth. Penjualan teh botol sosro dipengaruhi oleh iklan, harga, harga pesaing, strategi promosi, kondisi perekonomian dan tingkat pengangguran
Mengembangkan hubungan statistik terbaik antara penjualan teh botol sosro dengan variabel bebas
Paling umum digunakan : Analisis regresi linier
ii bxaY
38
Penjualan
($000.000), y
Upah lokal
(($000.000.000), x
Penjualan
($000.000), y
Upah lokal
(($000.000.000), x
2,0 1 2,0 2
3,0 3 2,0 1
2,5 4 3,5 7
Perusahaan konstruksi Nodel merenovasi sejumlah rumah tua di West Bloomfield. Sejalan dengan waktu, perusahaan mendapati bahwa biaya renovasi tergantung pada tingkat penghasilan penduduk yaitu jumlah upah lokal di West Bloomfield. Tabel berikut menunjukkan penjualan rumah dan upah lokal selama 6 tahun
Manajemen Nodel ingin membuat hubungan matematis untuk memprediksi penjualan. Oleh karena itu, harus menetapkan hubungan antara upah lokal dan penjualan – dibuat diagram
39
Penjualan, y Upah, x x2 xy
2,0 1 1 2,0
3,0 3 9 9,0
2,5 4 16 10,0
2,0 2 4 4,0
2,0 1 1 2,0
3,5 7 49 24,5
Σy = 15,0 Σx = 18 Σx2 =80 Σxy = 51,5
0
0.5
1
1.5
2
2.5
3
3.5
4
0 2 4 6 8
Upah lokal (ratusan juta dolar)
Pe
nju
ala
n N
od
el
(ra
tus
an
rib
u d
olla
r)
40
1,75 0,25(3) - 2,5 xb - y a
0,25(6)(32)80
(6)(3)(2,5)51,5
xn Σx
yxn -Σxy b
2,56
15
n
Σyy 3
6
18
n
Σxx
22
Persamaan regresi : y = 1,75 + 0,25 x atau
Penjualan = 1,75 + 0,25 (upah)
Jika perusahaan memperkirakan upah wilayah West Bloomfield menjadi $ 600 juta tahun depan, maka dapat diperkirakan penjualan Nodel sbb :
Penjualan (ratusan ribu dollar) = 1,75 + 0,25 (6) = 3,25
Atau penjualan = $ 325.000
41
Kesalahan standar dari suatu estimasi Peramalan $ 325.000 untuk contoh di atas : titik prediksi y Titik prediksi : rata-rata atau nilai harapan dari suatu distribusi
nilai penjulan yang mungkin Keakuratan regresi : Standard error of the estimate, Sy,x
Standard deviation of the regression : menghitung kesalahan variabel terikat,y, terhadap garis regresi bukan terhadap rata-rata.
2
2
1 11
2
1
2
,
n
yxbyay
n
yyS
n
i
n
iiii
n
ii
n
ici
xy
26
)5,51(25,0)0,15(75,15,39,
xSy = 0,306 (dalam ratusan ribu dollar)
Maka kesalahan standar estimasi adalah $ 30.600 dalam penjualan
42
Koefisien Korelasi
Persamaan regresi : satu cara untuk menyatakan hubungan antara variabel hubungan antar variabel
Koefisien korelasi (r) : hubungan antar variabel derajat/kekuatan hubungan linier
n
i
n
iii
n
i
n
iii
n
i
n
i
n
iiiii
yynxxn
yxyxnr
43
Penjualan, y Upah, x x2 xy y2
2,0 1 1 2,0 4,0
3,0 3 9 9,0 9,0
2,5 4 16 10,0 6,25
2,0 2 4 4,0 4,0
2,0 1 1 2,0 4,0
3,5 7 49 24,5 12,25
Σy = 15,0 Σx = 18 Σx2 =80 Σxy = 51,5 Σy2 = 39,5
Dari contoh West Bloomfield
])0,15()5,39)(6][()18()80)(6[(
)0,15)(18()5,51)(6(22
r
r = 39 / 43,3 = 0,901
r = 0,901 : korelasi yang cukup kuat antara dua variabel tersebut
44
4 Nilai Koefisien Korelasi
r = 1 r = -1
0 < r < 1 r = 0
Y
X
Yi = a + b X i
^
Y
X
Y
X
Y
X
Yi = a + b X i
^ Yi = a + b X i
^
Y i = a + b X i^
45
Pengawasan dan Pengendalian Peramalan
• Tracking signal (TS) : perhitungan seberapa baik peramalan memprediksikan nilai aktual
• Rasio dari : Running Sum Of Forecast Errors (RSFE) terhadap Mean Absolute Deviation (MAD)
• TS yang bagus Nilai RSFE rendah
• Harus berada di antara upper dan lower control limits
MAD
errorforecast
MAD
yy
MAD
RSFETS
n
iii
-
46
• TS dihitung dan dibandingkan untuk menetapkan batas kendali
• TS melebihi batas kendali atas atau bawah masalah dengan metode peramalan manajemen mngevaluasi kembali cara meramalkan permintaan
Waktu
Batas kendali bawah
Batas kendali atas
Sinyal melebihi batas
Tracking signal
MA
D
+
0
-
Rentang yang dapat diterima
47
Tidak ada yang pasti bagaimana perusahaan menentukan batas atas dan bawah
George Plossl & Oliver Wight max ± 4 MAD : produk dengan persediaan tinggi dan ± 8 MAD : produk dengan persediaan rendah
Peramal lain :
± 1 MAD = ± 0,8 deviasi standar, ± 2 MAD = ± 1,6 deviasi standar, 3 MAD = ± 2,4 deviasi standar, dan 4 MAD = ± 3,2 deviasi standar
Hal ini menyarankan sebuah peramalan untuk bisa berada dalam “rentang kendali”
89% kesalahan diharapkan jatuh dalam rentang ± 2 MAD,
98 % kesalahan diharapkan jatuh dalam rentang ± 3 MAD
99,9 % kesalahan diharapkan jatuh dalam rentang ± 4 MAD
48
Contoh ; Penjualan croissant toko roti Rick Carlson (dalam satuan ribuan) ditunjukkan pada tabel berikut secara kuartal. Bagaiman TS dan apakah permalan yang dibuat memadai ?Kwt Permintaan
aktualPeramalan permintaan
Kesalahan RSFE Kesalahan peramalan absolut
Kumulatif kesalahan absolut peramalan
Kumulatif MAD
TS (RSFE/MAS)
1 90 100 -10 -10 10 10 10,0 -10/10= -1
2 95 100 -5 -15 5 15 7,5 15/7,5=-2
3 115 100 +15 0 15 30 10,0 0/10= 0
4 100 110 -10 -10 10 40 10,0 -10/10=-1
5 125 110 +15 +5 15 55 11,0 +5/11=+0,5
6 140 110 +30 +35 30 85 14,2 35/14,2=+2,5
49
Peramalan pada Sektor Jasa Memiliki tantangan yang unik Memerlukan catatan jangka pendek yang sangat teliti Memperhatikan waktu-waktu tertentu : liburan atau
event lainnya Unusual events
Peramalan Penjualan di Restoran Fast Food
0
5
10
15
20
+11-12+1-2 +3-4 +5-6 +7-8 +9-1011-12 12-1 1-2 2-3 3- 4 4 - 5 5 - 6 6 - 7 7- 8 8-9 9-10 10-11
Top Related