Professional Documents
Culture Documents
2017 1
Bukan menduga !
2
Masa depan bersifat tidak pasti (uncertain)
Permintaan tidak pasti karena:
-Kompetisi
-Perilaku konsumen
-Upaya penjualan
-Siklus hidup produk
dll.
3
Peramalan menjadi sangat penting jika diperlukan waktu yang lama
untuk membeli atau membuat komponen dan untuk membuat produk
tertentu, dibandingkan dengan kesediaan pelanggan untuk menunggu
pengiriman produk tersebut.
5
Horison peramalan: menunjukkan seberapa jauh ke
depan peramalan dilakukan dan terkait dengan
jangkauan perencanaan yang akan dilakukan
(misal: setahun ke depan)
Periode peramalan: menunjukkan basis waktu data
peramalan (misal: bulanan)
DATA FORECAST
Horison Peramalan
Periode
peramalan
6
Jangka pendek – sampai 1 tahun, biasanya
kurang dari 3 bulan. Merencanakan
pembelian, penjadwalan kerja, tingkat tenaga
kerja, pembagian tugas.
Jangka menengah – 3 bulan - 3 tahun.
Perencanaan penjualan, perencanaan
produksi, cash budgeting, mengevaluasi
rencana produksi
Jangka panjang – biasanya lebih dari 3 tahun.
Perencanaan produk baru, pengeluaran
modal, lokasi dan perluasan fasilitas
7
Model
kualitatif
regresi
Metode Moving
Time average
peramalan
series
smoothing
Model Exponential
kuantitatif smoothing
ekonometri
kausal
Regresi
multivariate
8
KUALITATIF KUANTITATIF
Karakteristik Berdasarkan pertimbangan Berdasarkan data kuantitatif
dan pendapat manusia dan matematis
(Subyektif)
Kelebihan Memperhitungkan Konsisten dan obyektif,
perkembangan terakhir dapat mempertimbangkan
dalam lingkungan dan banyak informasi dan data
informasi dari dalam sekaligus
Kelemahan Ramalan yang bias dan Data kuantitatif mungkin
akurasi yang rendah tidak mudah diperoleh
9
Opini individu : Opini peramalan berasal dari
individu (pribadi)
-> Pakar (Expert), yaitu:
- konsultan : ilmiah/ non ilmiah
- manajer pemasaran / produksi
- indvidu yang banyak bergerak pada
masalah tersebut
Opini kelompok (group) : Opini peramalan
diperoleh dari beberapa orang dengan
mencoba merata-ratakan hasil peramalan
yang lebih obyektif ( rasional)
10
Time Series Analysis
Hanya menggunakan data historis permintaan
Causal Methods
Mempergunakan relasi antara permintaan dan
faktor-faktor lain yang mempengaruhinya
11
Mengasumsikan bahwa sejarah permintaan
masa lalu adalah indikator yang baik untuk
permintaan di masa yang akan datang
Paling sesuai jika situasi lingkungan stabil
dan pola permintaan dasar tidak bervariasi
secara signifikan dari satu tahun ke tahun
berikutnya
Metode yang paling sederhana dan dapat
menjadi titik acuan awal untuk meramalkan
permintaan
12
Data relatif stabil untuk periode waktu tertentu
Terjadi variasi sepanjang waktu tetapi tidak
signifikan
Fungsi yang menunjukkan pola data konstan
d(t) = a
d(t) = permintaan selama periode t
a = konstanta
Teknik peramalan yang bisa dipakai antara lain:
◦ Rata-rata biasa
◦ Single Moving average
13
Berdasarkan metode least square
Peramalan:
14
Month Sales Peramalan:
n
Jan 90 dt
Feb 111 a t 1
d
Mar 99 n
Apr 89
May 87 a = 90 + 111 + 99…..+113/12
Jun 84 = 99.25 ~ 100 unit/bulan
Jul 104
Ags 102
Sept 95
Oct 114
Nov 103
Des 113
15
◦ Misal:
◦ Jika forecast dengan metode 3 bulan moving
averages untuk bulan April adalah
◦ Penjualan Januari 20.000 kg
Februari 21.000 kg
Maret 19.000 kg
X 3 X 2 X1
S4
3
19.000 21.000 20.000
S4
3
S4 20.000
16
Forecast
Bulan Permintaan 3 bulan 5 bulan
Januari 20000 - -
Februari 21000 - -
Maret 19000 - -
April 17000 20.000 -
Mei 22000 19.000 -
Juni 24000 19.333 19.800
Juli 18000 21.000 20.600
Agustus 23000 21.333 20.000
September 20000 21.670 20.800
Oktober 25000 20.333 21.400
November 22000 22.670 22.000
Desember 24000 22.333 21.600
17
Demand menunjukkan kecenderungan
meningkat (menurun) dari waktu ke waktu
Fungsi pola data trend adalah:
d(t) = a + bt
d(t) = permintaan pada periode t
a, b = parameter model
Teknik peramalan yang dipakai :
◦ Simple linear regression
18
Gunakan metode least square untuk
memperoleh parameter a dan b
n n n
n td t d t t
b t 1 t 1 t 1 a d bt
2
n t t
n n
2
t 1 t 1
19
Month Sales t dt t.dt t2
Jan 199 1 199 199 1
Feb 202 2 202 404 4
Mar 199 3 199 597 9
Apr 208 4 208 832 16
Mei 212 5 212 1060 25
Jun 194 6 194 1164 36
Jul 214 7 214 1498 49
Ags 220 8 220 1760 64
Sept 219 9 219 1971 81
Okt 234 10 234 2340 100
Nov 219 11 219 2409 121
Des 233 12 233 2796 144
78 2553 17030 650
21
Performansi diukur dari kesalahan peramalan
(forecasting error)
Cerminan dari akurasi peramalan: semakin kecil
kesalahan semakin akurat hasil ramalan
Kesalahan peramalan (et): deviasi antara observasi
aktual (dt) dengan nilai ramalannya (d’t) atau et =
dt – d’t
22
Kriteria Performansi Peramalan
Standar Error Of Estimate (SEE)
n
X t F
2
SEE
t 1 n f
f = derajat bebas
1 = untuk data konstan
2 = untuk data linier
3 = untuk data kwadratis
Contoh :
Dari12 bulan terakhir ini dicatat penjualan produk “x” sbb :
Bulan J F M A M J J A S O N D
Penjualan 30 20 45 35 30 60 40 50 45 65 50 35
Bagaimana ramalan permintaan produk “x” untuk 12 bulan
mendatang ?
23
Konstan :
n
dt n.a
t 1
n
dt
a t 1
n
→ a = 30 + 20 + …. + 50 + 35 = 42
12
dt ’ = 42
24
MENCARI SEE :