bab 3 peramalan v 2
TRANSCRIPT
Bab 3 –
Peramalan
3-1
3-2
Ramalan: Sebuah pernyataan tentang nilai di masa
mendatang dari sebuah variabel yang ingin diketahui, seperti permintaan (demand).
Peramalan digunakan untuk membuat keputusan bernilai.
Jangka panjang Jangka pendek
3-3
Ramalan Ramalan
Ramalan mempengaruhi keputusan-keputusan dan aktivitas dalam sebuah organisasi Akuntasi, Keuangan Sumberdaya Manusia Pemasaran Sistem Informasi Manajemen (SIM) Operasional Disain produk/jasa
3-4
Akuntansi Perkiraan biaya/keuntungan
Keuangan Arus kas dan pendanaan
Sumberdaya manusia Penerimaan pegawai/training
Pemasaran Penetapan harga, promosi, strategi
SIM TI/SI systems, layanan-layanan
Operasional Jadwal, MRP, beban kerja
Disain produk/jasa Produk baru dan jasa
Penggunaan RamalanPenggunaan Ramalan
3-5
Aku melihat kau akan memperoleh nilai A semester ini.
3-6
Beranggapan sistem kasualmasa lalu ==> masa depan
Ramalan jarang sempurna, oleh karena tingkat keacakan
Ramalan lebih akurat untuk group daripada individu
Tingkat akurasi ramalan menurun sejalan dengan meningkatnya cakrawala waktu
Ciri-ciri ramalanCiri-ciri ramalan
3-7
Unsur-unsur ramalan yang baikUnsur-unsur ramalan yang baik
Tepat waktu
AkuratHandal
Berar
tiTertulis
Mudah
digunak
an
3-8
Langkah-langkah proses peramalanLangkah-langkah proses peramalan
1) Tetapkan maksud /tujuandari ramalan
2) Tetapkan batas waktu
3) Pilih teknik ramalan
4) Dapatkan, “bersihkan” dan analisa data
5) Lakukan peramalan
6) Monitor ramalan
“The forecast /ramalan”
3-9
Jenis-jenis RamalanJenis-jenis Ramalan
Pendapat – menggunakan masukan secara subjektif
Serial waktu – menggunakan data historis dan mengasumsikan masa depan akan sama dengan masa lalu
Model Asosiatif (Associative Model)– menggunakan variabel-variabel untuk meramalkan masa depan
3-10
Ramalan berdasarkan penilaian (Judgmental Ramalan berdasarkan penilaian (Judgmental Forecast)Forecast)
Pendapat atasan
Pendapat tenaga penjual
Survei konsumen
Pendapat dari luar Metode Delphi
Pendapat dari manajer dan staf
Mencapai ramalan secara kosensus
3-11
Ramalan serial waktu (times series)Ramalan serial waktu (times series)
Tren – pergerakan jangka panjang dalam data
Musiman- variasi tetap jangka pendek dalam data
Siklus – variasi-variasi bergelombang dari lebih dari satu tahun
Variasi tak beraturan – disebabkan kejadian-kejadian yang tidak biasanya
Variasi acak – disebabkan karena kesempatan
3-12
Variasi-variasi RamalanVariasi-variasi Ramalan
Tren (kecenderungan)
Variasi tak beraturan
Variasi musiman
908988
Gambar 3.1
Siklus
Peramalan berdasarkan data Peramalan berdasarkan data runut waktu (serial data)runut waktu (serial data)
Metode Naif (Naïve Method) Teknik Perata-rataan
Metode rata-rata bergerak Metode rata-rata bergerak tertimbang Metode pemulusan pangkat (exponential
smoothing)
Teknik untuk tren Tren linear
3-13
Metode NaifMetode Naif
Periode ke-1 = 200 Periode ke-2 = 230 Periode ke-3 = ?
3-14
3-15
Teknik-teknik Perata-rataanTeknik-teknik Perata-rataan
Rata-rata bergerak (Moving average)
Rata-rata bergerak tertimbang(Weighted moving average)
Exponential smoothing
3-16
Rata-rata BergerakRata-rata Bergerak
Rata-rata Bergerak – Sebuah teknik yang merata-ratakan sebuah angka dari nilai aktual terbaru, diperbaharui sebagai nilai-nilai baru yang tersedia.
Rata-rata bergerak tertimbang – Nilai-nilai baru dalam sebuah rangkaian diberikan berat lebih dalam peramalan.
Ft = MAn= n
At-n + … At-2 + At-1
Ft = WMAn= n
wnAt-n + … wn-1At-2 + w1At-1
3-17
Rata-rata Bergerak SederhanaRata-rata Bergerak Sederhana
35
37
39
41
43
45
47
1 2 3 4 5 6 7 8 9 10 11 12
Actual
MA3
MA5
Ft = MAn= n
At-n + … At-2 + At-1
3-18
Exponential SmoothingExponential Smoothing
• Dasar pikiran (Premise) –Observasi-observasi terbaru mungkin memiliki nilai ramalan tertinggi (akurasi).
Oleh karenanya, kita sebaiknya memberikan beban lebih ke periode-periode waktu terbaru pada saat peramalan.
Metode rata-rata tertimbang didasarkan pada ramalan sebelumnya ditambah persentase kesalahan ramalan
A-F adalah periode kesalahan, adalah % umpanbalik (feedback)
Ft = Ft-1 + (At-1 - Ft-1)
3-19
Period Actual Alpha = 0.1 Error Alpha = 0.4 Error1 422 40 42 -2.00 42 -23 43 41.8 1.20 41.2 1.84 40 41.92 -1.92 41.92 -1.925 41 41.73 -0.73 41.15 -0.156 39 41.66 -2.66 41.09 -2.097 46 41.39 4.61 40.25 5.758 44 41.85 2.15 42.55 1.459 45 42.07 2.93 43.13 1.87
10 38 42.36 -4.36 43.88 -5.8811 40 41.92 -1.92 41.53 -1.5312 41.73 40.92
Contoh 3 - Exponential SmoothingContoh 3 - Exponential Smoothing
Nilai AlphaNilai Alpha
Nilai α 0 < α < 1
Semakin dekat nilai α dengan 0, semakin jauh nilai ramalan dengan nilai aktual. Sebaliknya, semakin besar dekat nilai α dengan 1, semakin dekat nilai ramalan aktual.
3-20
3-21
Memilih Nilai AlphaMemilih Nilai Alpha
35
40
45
50
1 2 3 4 5 6 7 8 9 10 11 12
Period
Dem
and .1
.4
Actual
3-22
Kencenderungan umum nonlinearKencenderungan umum nonlinear
Parabolic
Exponential
Growth
Gambar 3.5
3-23
Rumus Tren LinearRumus Tren Linear
Ft = Forecast for period t t = Specified number of time periods a = Value of Ft at t = 0 b = Slope of the line
Ft = a + bt
0 1 2 3 4 5 t
Ft
3-24
Menghitung a dan bMenghitung a dan b
b = n (ty) - t y
n t2 - ( t)2
a = y - b t
n
3-25
Contoh Rumus Tren LinearContoh Rumus Tren Linear
t yW e e k t 2 S a l e s t y
1 1 1 5 0 1 5 02 4 1 5 7 3 1 43 9 1 6 2 4 8 64 1 6 1 6 6 6 6 45 2 5 1 7 7 8 8 5
t = 1 5 t 2 = 5 5 y = 8 1 2 t y = 2 4 9 9( t ) 2 = 2 2 5
3-26
Penghtiungan Tren LinearPenghtiungan Tren Linear
y = 143.5 + 6.3t
a = 812 - 6.3(15)
5 =
b = 5 (2499) - 15(812)
5(55) - 225 =
12495-12180
275 -225 = 6.3
143.5
3-27
Teknik-teknik untuk MusimanTeknik-teknik untuk Musiman
Variasi-variasi Musiman Pergerakan tetap yang berulang dalam rangakaian-
rangkaian nilai yang bisa dihubungkan dengan kejadian-kejadian berulang.
Musiman relatif Persentase dari rata-rata atau tren (kecenderungan)
Rata-rata Sebuah rata-rata bergerak yang ditempatkan pada
pusat data yang telah digunakan untuk menghitungnya.
3-28
Peramalan Asosiatif (Peramalan Asosiatif (Associative ForecastingAssociative Forecasting))
Variable-variabel peramal – digunakan untuk meramal nilai-nilai dari variabel sejenis
Regresi – sebuah teknik untuk mencocokkan sebuah garis ke dalam serangkaian nilai-nilai
Garis pangkat terkecil (Least squares line) – memperkecil jumlah pangkat penyimpangan-penyimpangan di sekitar sebuah garis
3-29
Model linear nampak beralasanModel linear nampak beralasan
Sebuah garis lurus dicocokan ke suatu rangakaian nilai
0
10
20
30
40
50
0 5 10 15 20 25
X Y7 152 106 134 15
14 2515 2716 2412 2014 2720 4415 347 17
Hubungan yang dihitung
3-30
Asumsi-asumsi Regresi Linear Asumsi-asumsi Regresi Linear
Variasi-variasi di sekitar garis adalah acak Penyimpangan-penyimpangan di sekitar garis
didistribusikan secara normal Prediksi-prediksi dibuat hanya dalam jangkauan nilai
yang diteliti Untuk hasil terbaik:
Selalu tandai data untuk membuktikan linearitasnya
Memeriksa data bergantung waktu Hubungan kecil bisa menyatakan bahwa variabel-
variabel lain juga penting
3-31
Akurasi RamalanAkurasi Ramalan
Kesalahan (Error) – perbedaan antara nilai aktual dan nilai ramalan
Mean Absolute Deviation (MAD) Rata-rata kesalahan mutlak (Average absolute error)
Mean Squared Error (MSE) Rata-rata kesalahan berpangkat (Average of squared
error)
Mean Absolute Percent Error (MAPE) Rata-rata persentase kesalahan mutlak (Average
absolute percent error)
3-32
MAD, MSE, and MAPEMAD, MSE, and MAPE
MAD = Actual forecast
n
MSE = Actual forecast)
-1
2
n
(
MAPE = Actual forecast
n
/ Actual*100)
3-33
MAD, MSE dan MAPEMAD, MSE dan MAPE
MAD Mudah dihitung Menimbang (menghitung) kesalahan secara linear
MSE Kesalahan dipangkatkan dua Beban lebih untuk kesalahan (erorr) yang lebih
besar
MAPE Menempatkan kesalahan-kesalahan (errors)
berdasarkan penyebabnya
3-34
Contoh Contoh
Period Actual Forecast (A-F) |A-F| (A-F)^2 (|A-F|/Actual)*1001 217 215 2 2 4 0.922 213 216 -3 3 9 1.413 216 215 1 1 1 0.464 210 214 -4 4 16 1.905 213 211 2 2 4 0.946 219 214 5 5 25 2.287 216 217 -1 1 1 0.468 212 216 -4 4 16 1.89
-2 22 76 10.26
MAD= 2.75MSE= 10.86
MAPE= 1.28
3-35
Pengawasan RamalanPengawasan Ramalan
Grafik Pengawasan (Control Chart) Alat untuk mengawasi kesalahan-kesalahan
ramalan secara visual Digunakan untuk menemukan ketidak-
serempangan dalam kesalahan-kesalahan
Kesalahan-kesalahan peramalan berada dalam kendali jika Semua kesalahan berada dalam batas kendali Muncul dengan tidak berbentuk, seperti tren
atau siklus
3-36
Sumber-sumber kesalahan Sumber-sumber kesalahan ramalanramalan
Model peramalan mungkin tidak cukup Variasi-variasi yang tak beraturan Kesalahan penggunaan teknik
peramalan
3-37
Memilih teknik peramalanMemilih teknik peramalan
Tidak ada teknik yang berfungsi di setiap situasi
Dua faktor yang paling penting Biaya Akurasi
Faktor lain termasuk ketersediaan dari: Data historis (masa lalu) Komputer Waktu yang dibutuhkan untuk mengumpulkan
dan menganalisa data Cakrawala ramalan (forecast horizon)
3-38
Strategi OperasiStrategi Operasi
Ramalan-ramalan adalah berbasis pada banyak keputusan-keputusan
Berusaha untuk memperbaiki ramalan jangka pendek
Akurasi ramalan-ramalan jangka pendek memperbaiki: Keuntungan Menurunkan tingkat persediaan Mengurangi keterbatasan persediaan Memperbaiki tingkat layanan konsumen Mempertinggi tingkat kepercayaan terhadap ramalan
3-39
Ramalan rantai suplaiRamalan rantai suplai
Membagi ramalan dengan suplai dapat Memperbaiki kualitas dalam rantai suplai Menurunkan biaya-biaya Memperpendek waktu tunggu
3-40
Exponential SmoothingExponential Smoothing
3-41
Rumus Tren LinearRumus Tren Linear
3-42
Regresi Linear SederhanaRegresi Linear Sederhana
Pertanyaan?Pertanyaan?
3-43