Tuas Rcsumc Analisis Pcramalan

(IORLCASTINGi
Kclompok 4
Momo onggofo IeIompok:
1. Ni Luh Wisayani 105030200111046
2. Dimas Hendika Wibowo, 105030203111013
3. Violita Saraswati 105030200111044
4. Saraya Rahma 105030207111020

Peramalan adalah seni dan ilmu untuk memprediksi masa depan.Peramalan adalah tahap
awal, dan hasil ramalan merupakan basis bagi seluruh tahapan pada perencanaan produksi.
Proses peramalan dilakukan pada level agregat (part family bila data yang dimiliki adalah data
item, maka perlu dilakukan agregasi terlebih dahulu. Metode: KualitatiI dan kuantitatiI.
Terminologi: perioda, horison, lead time, fitting error, forecast error, data dan hasil ramalan.
Peramalan Eksplanatoris dan Deret Berkala
Kedua pendekatan ini saling melengkapi dan dimaksudkan untuk jenis penggunaan yg
berbeda. Pendekatan ekspalanatoris mengasumsikan adanya hubungan sebab akibat di antara
input dengan output dari suatu sistem.

Peramalan Deret Berkala memperlakukan system sebagai suatu kotak hitam

Langkah-Langkah Peramalan
DeIinisikan tujuan peramalan.
Plot data (part family masa lalu.
Pilih metode-metode yang paling memenuhi tujuan peramalan dan sesuai dengan plot
data.
Hitung parameter Iungsi peramalan untuk masing-masing metode.
Hitung fitting error untuk semua metode yang dicoba.
Pilih metode yang terbaik, yaitu metode yang memberikan error paling kecil.
Ramalkan permintaan untuk periode mendatang
Lakukan veriIikasi peramalan.
Teknik Teknik Peramalan ada 3 teknik, antara lain :
1. Model KualitatiI
a. Metode Delphy
Ada tiga jenis peserta dalam metode Delphi: pengambil keputusan,
karyawan, dan responder. pengambil keputusan biasanya terdiri dari 5 hingga 10
orang pakar yang akan melakukan peramalan. Karyawan membantu pengambil
keputusan dengan menyiapkan, menyebarkan, mengumpulkan, Berta meringkas
sejumlah kuesioner dan hasil survei. Responder adalah sekelompok orang,
biasanya ditempatkan di tempat yang berbeda, di mana penilaian dilakukan.
Kelompok ini memberikan input pada pengambil keputusan sebelum peramalan
dibuat
Sebagai contoh, negara bagian Alaska menggunakan metode Delphi untuk
meramalkan ekonomi jangka panjangnya. Sekitar 90 anggaran negara bagian
dihasilkan dari 1,5 juta barel minyak yang dipompa setiap, hari melalui pipa
minyak di Prudhoe Bay. Sekumpulan besar pakar harus mewakili semua
kelompok dan pendapat dalam negara bagian dan wilayah. Delphi merupakan alas
peramalan yang sempurna, karena perjalanan para panelis dapat dihindari. Hal ini
juga berarti bahwa Para pemimpin Alaska dapat berperan Berta karena jadwal
mereka tidak dipengaruhi oleh pertemuan dan jarak.

b. Metode Jury Executive
Pendekatan ini berdasar pendapat dari sekelompok kecil eksekutiI tingkat atas.
Karena pendapatnya lebih dari satu orang maka diharapkan lebih akurat


c. Sales Force Composite
Tenaga penjual merupakan sumbangan inIormasi yang baik tentang permintaan
konsumen. Tiap tenaga penjual meramalkan tingkat penjualan didaerah, lalu
digabung pada tingkat propinsi kemudian digabung hingga tingkat nasional untuk
mencapai peramalan menyeluruh.

d. Consumers Market Survey
Metode ini meminta input dari konsumen mengenai rencana pembelian
mereka di masa depan. Hal ini membantu tidak hanya dalam menyiapkan
peramalan tetapi juga memperbaiki desain produk dan perencanaan produk baru.
Survei konsumen dan gabungan tenaga penjualan bisa jadi tidak benar, karena
peramalan yang berasal dari input konsumen yang terlalu optimis.

2. Model Time Series.
a. Moving Average
Rata-rata bergerak (moving averages diperoleh melalui penjumlahan dan
pencarian nilai rata-rata dari sejumlah periode tertentu, setiap kali meghilangkan
nilai terlama dan menambah nilai baru. (Subagyo, 1986: 7
1. Rata-rata Bergerak Orde Satu (single moving average
Cara membuat peramalan (forecasting dengan metode Rata-rata bergerak
orde satu (single moving averages sangat sederhana.

$ifat-sifat 830Rata-rata Bergerak
Metode single moving average menurut Subagyo (1986 : 60 mempunyai siIat
khusus.
1. &ntuk menentukan ramalan pada periode yang akan datang memerlukan data
hitoris selama jangka waktu tertentu.
2. Semakin panjang jangka waktu moving average, akan menghasilkan moving
average yang semakin halus. Artinya pada moving averages yang jangka
waktunya lebih panjang, perbedaan ramalan terkecil dengan ramalan terbesar
menjadi kecil.metode Rata-rata bergerak orde satu (single moving average ini
biasanya lebik cocok digunakan untuk melakukan Iorecast hal-hal yang
bersiIat random, artinya tidak ada gejala trend naik maupun turun, musiman,
dan sebagainya, melainkan sulit diketahui polanya. Metode ini mudah
menghitungnya dan sederhana, tetapi mempunyai kelemahan-kelemahan
sebagai berikut
1. perlu data historis yang cukup,
2. data tiap periode diberi eight (bobot sama,
3. kalau Iluktuasi data tidak random tidak menghasilkan peramalan
(forecasting yang baik (Subagyo, 1986: 11.
2. Rata-rata Bergerak Orde Dua (double moving average)
Dalam metode ini pertama-tama dicari rata-rata bergerak (moving average,
ditaruh pada periode terakhir. Kemudian dicari rata-rata bergerak (moving
average) lagi dari rata-rata bergerak (moving averge pertama, baru kemudian
dibuat forecast.

b. Exponential Smothing
etode Exponential $moothing

Kesalahan peramalan masa lalu digunakan untuk koreksi peramalan berikutnya.
Dihitung berdasarkan hasil peramalan kesalahan peramalan sebelumnya.

etode Exponensial $moothing 2

ES dideIinisikan sebagai :

Keterangan:
Ft1 Ramalan untuk periode berikutnya
Dt Demand aktual pada periode t
Ft Peramalan yg ditentukan sebelumnya untuk periode t
a Faktor bobot

a besar, smoothing yg dilakukan kecil
a kecil, smoothing yg dilakukan semakin besar
a optimum akan meminimumkan MSE, MAPE

etode $easoanal

Demand meningkat karena pengaruh tertentu atau berdasarkan waktu.
Nilai/harga Iaktor seasonal antar 0 dan 1.
Formulasi peramalan pada tahun ke i :
d`i a bt
Keterangan :
d`i peramalan untuk saat ke i
t perioda waktu (bulan, minggu, dll
t t t
F D F 1 (
1
+ =
+
Formulasi Peramalan Seasonal :
SF(i (Si.(d`t


Contoh etode Linear trend

t dt tdt t2 d`t (dt-d`t2
1 2050 2050 1 2108,5 3.422,2
2 2235 4470 4 2210,1 620,0
3 2420 7260 9 2311,7 11.728.9
4 2360 9440 16 2413,3 2.840,9
5 2490 12450 25 2514,9 620,0
6 2620 15720 36 2616,5 12,3
21 14175 51390 91 19.244,3
d`t a bt
2006,9 101,6t





2
n
1 t
n
1 t
2
n
1 t
n
1 t
t
n
1 t
t
t t n
t d td n
b

=


= =
= = =
n
t b d
a
n
1 t
n
1 t
t
= =

= 101,6 b dan 9 , 2006 a = =

Contoh etode Quadratic

9 9 9 9 /9 9/9 9/9

2 4 8 24 48 9
9 27 8 4 2
4 4 25 4 84 7
5 25 25 25 5
$ 5 55 225 979 8 5 254








Contoh etode Eksponensial

300 225 ( 5 ( 55 ( 15 ( = =
50 55 ( 5 ( 15 (
2
= =
1870 979 ( 5 ( 55 (
2
= =
550 650 ( 5 ( 180 ( 15 ( = = o
3370 2654 ( 5 ( 180 ( 55 ( = =
5
300 ( 50 ( 1870 (
300 ( 3370 ( 550 ( 1870 (
`
2
=


= b
1
1870
1870 (
` =

= c
10
5
55
5
15 ( 5 (
5
180
` = = a
60 5 5 ( 5 10 5 ( ' 5 10 ( '
2 2
= + + = + + = d t t t d
5 . 0
225 55 ( 5 (
15 ( 60 . 9 ( 8 . 33 ( 5 (
`
=

= b
t dt Ln(dt tLn(dt t2
1 2.50 0.92 0.92 1
2 4.12 1.42 2.84 4
3 6.80 1.92 5.76 9
4 11.20 2.42 9.68 16
5 18.47 2.92 14.60 25
15 9.60 33.8 55


Contoh etode oving Average

Bulan t dt MA 3 bulan MA 5 bulan
Jan 1 10 - -
Feb 2 12 - -
Mar 3 13 - -
Apr 4 16 (101213/311,66 -
Mei 5 19 (121316/313,66 -
Jun 6 23 (131619/316,00 (1012131619/5 14
Jul 7 26 (161923/319,33 (1213161923/5 16,6


42 . 0
5
15 ( 5 . 0 (
5
60 . 9
` ln( = = a
a e anti ` 50 . 2 42 . 0 ln(
42 . 0
= = =
50 5 . 2 6 ( ' 5 . 2 ( ` ( '
3 5 . 0
`
= = = = e d e e a t d
t t b
n
d
MA
n
1 t
t
n

=
=




Contoh etode Exponential $moothing

Period Demand Forecast ,
Ft1
a0.3 a0.5
1 37 - -
2 40 37 37
3 41 37.9 38.5
4 37 38.83 39.75
5 45 38.28 38.37
6 50 40.29 41.68
7 43 43.20 45.84
8 47 43.14 44.42
9 56 44.30 45.71
10 52 47.81 50.85
11 55 49.06 51.42
t t t
F D F 1 (
1
+ =
+
12 54 50.84 53.21

Contoh etode $easonal (

Year
Demand (x 1000
Kwartal-1 Kwartal-2 Kwartal-3 Kwartal-4 Total
1992 12.6 8.6 6.3 17.5 45
1993 14.1 10.3 7.5 18.2 50.1
1994 15.3 10.6 8.1 19.6 53.6
42 29.5 21.9 55.3 148.7

Perhitungan faktor bobot:
S1 D1/SD 42/148.7 0.28
S2 0.20
S3 0.15
S4 0.37

Contoh etode $easonal (2

a 40.97 b 4.3
y 497 + 4 t
2
n
1 t
n
1 t
2
n
1 t
n
1 t
t
n
1 t
t
t t n
t d td n
b

=


= =
= = =
n
t b d
a
n
1 t
n
1 t
t
= =

=
&ntuk tahun 1995 (t 4 diperoleh 58.17
Peramalan untuk tiap kwartal:
SF1 S1.F5 .28 (58.7 16.28
SF2 11.63
SF3 8.73
SF4 21.53


1. Hipotesis Pertama

Teknik analisis yang digunakan untuk menguji hipotesis pertama (1 dalam penelitian
ini adalah dengan menggunakan analisis regresi berganda (Sugiono, 2005

Y a b x b x b x b x e
1 1 2 2 3 3 4 4

Di mana :

Y penggunaan inIormasi akunatnsi

a konstanta

b1 koeIisien regresi x1

b2 koeIisien regresi x2

b3 koeIisien regresi x3

b4 koeIisien regresi x4

x1 pengetahuan akuntansi

x2 skala usaha

x3 pengalaman usaha

x4 jenis usaha

e Iaktor kesalahan (error

2. Hipotesis Kedua

Teknik aanalisis yang dipergunakan untuk menguji hipotesis dua (2 adalah

metode statistik regresi interaksi atau Moderate Regression Analysis (MRA

yang merupakan pengembangan dari analisis regresi berganda seperti

persamaan berikut :

Y a b X b X b X b X b Z b X Z b X Z b X Z b X Z e
1 1 2 2 3 3 4 4 5 6 1 7 2 8 3 9 4


Z ketidakpastian lingkungan

a konstanta

b1 koeIisien regresi x1

b2 koeIisien regresi x2

b3 koeIisien regresi x3


b4 koeIisien regresi x4

x1 pengetahuan akuntansi

x2 skala usaha

x3 pengalaman usaha

x4 jenis usaha

xZ interaksi pengetahuan akuntansi, skala usaha, pengalaman usaha dan

jenis usaha dengan ketidakpastian lingkungan

e Iaktor kesalahan (error
c. Trend Projyection
Perencanaan dan pembuatan keputusan membutuhkan dugaan-dugaan tentang apa
yang akan terjadi dimasa yang akan datang. Karena itu analisis diharapkan untuk
membuat ramalan-ramalan, salah satunya adalah dengan model time series.
%ime series adalah serangakain nilai-nilai variabel yang disusun berdasarkan
waktu (Sri Mulyono, 1998:60. Analisis time series mempelajari pola gerakan-
gerakan nilai nilai variabel pada satu interval waktu (misal minggu, bulan, dan
tahun yang teratur. Makridakis (1992 : 9 mengemukakan bahwa pendugaan
masa depan dilakukan berdasarkan nilai masa lalu. Tujuan metode peramalan
deret berkala (time series seperti ini adalah menemukan pola dalam deret historis
dan mengekstrapolasikan pola tersebut kemasa depan. Langkah penting dalam
memilih suatu deret berkala (time series yang tepat adalah dengan
mempertimbangkan jenis pola data, sehingga metode yang paling tepat dengan
pola tersebut dapat diuji. Pola data menurut Spyros Makridakis (199 :10 dapat
dibedakan menjadi empat jenis siklis dan trend

3. Model Kausal
a. Regression Analysis
Metodestatistik yang digunakan untuk menentukan hubungan antar paling tidak
satu/lebih variable bebas(independentvariable dan satu variable bergantung
(dependent variable dengan tujuan untuk meramalkan nilai variable bergantung
dalam hubungan dengan nilai variable bebas tertentu. Bentuk umum persamaan
regresi linier untuk dua variable (regresilinier sederhana adalah sbb:
Y a b. X
Dimana: Y variable tidak bebas (yang diramalkan
X variable bebas, a nilai daripadaY bilaX 0
b perubahan rata-rata Y terhadap perubahan per unit X.

b. Multiple Regression
Mengukur derajat hubungan antara dua atau lebih variabel-variabel tanpa melihat
bentuk hubungan dengan menggunakan koeIisien r Bentuk umum persamaan
matematikanya adalah sbb:

Dimana nilai koeIisien korelasi r terletak diantara 1 dan 1