Forecasting 1

  • Published on
    06-Dec-2014

  • View
    12.109

  • Download
    0

Embed Size (px)

DESCRIPTION

 

Transcript

<ul><li> 1. FORECASTING Seni dan Ilmu untuk memperkirakan atau memprediksi kejadian dimasa depan </li> <li> 2. <ul><li>Hampir tidak ada bisnis yang luput dari proses peramalan </li></ul><ul><li>Perncanaan yang efektif baik jangka pendek maupun panjang sangat tergantung pada Peramalan Permintaan </li></ul></li> <li> 3. HORIZON WAKTU <ul><li>Peramalan Jk. Pendek digunakan untuk merencanakan: </li></ul><ul><li><ul><li>Pembelian </li></ul></li></ul><ul><li><ul><li>Penjadwalan kerja </li></ul></li></ul><ul><li><ul><li>Jumlah tenaga kerja </li></ul></li></ul><ul><li><ul><li>Tingkat produksi, dll. </li></ul></li></ul><ul><li>Jangka waktu hingga 1 tahun tetapi umumnya kurang dari 3 bulan </li></ul>JK. MENENGAH JK. PANJANG JK. PENDEK PERAMALAN </li> <li> 4. HORIZON WAKTU <ul><li>Peramalan Jangka Menengah digunakan untuk merencanakan: </li></ul><ul><li><ul><li>Penjualan </li></ul></li></ul><ul><li><ul><li>Anggaran produksi </li></ul></li></ul><ul><li><ul><li>Anggaran kas </li></ul></li></ul><ul><li>Jangka waktu Bulanan hingga 3 tahun </li></ul>JK. MENENGAH JK. PANJANG JK. PENDEK PERAMALAN </li> <li> 5. HORIZON WAKTU <ul><li>Peramalan Jangka Panjang digunakan untuk merencanakan: </li></ul><ul><li><ul><li>Produk baru </li></ul></li></ul><ul><li><ul><li>Pengembangan Pabrik </li></ul></li></ul><ul><li><ul><li>Litbang </li></ul></li></ul><ul><li>Jangka waktu diatas 3 tahun </li></ul>JK. MENENGAH JK. PANJANG JK. PENDEK PERAMALAN </li> <li> 6. TYPES OF FORECASTING Economic Forecast Technological Forecast Demand Forecast </li> <li> 7. <ul><li>Economic Forecast </li></ul><ul><li>Merencanakan indikator ekonomi yang berguna membantu organisasi untuk menyiapkan peramalan. (inflasi) </li></ul><ul><li>Technological Forecast </li></ul><ul><li>Peramalan jangka panjang yang memperhatikan tingkat kemajuan teknologi. </li></ul><ul><li>Demand Forecast </li></ul><ul><li>Meramalkan penjualan suatu perusahaan pada setiap periode dalam horizon waktu. </li></ul></li> <li> 8. FORECASTING APPROACH Peramalan Kualitatif Peramalan Kuantitatif </li> <li> 9. PERAMALAN KUALITATIF <ul><li>Peramalan yang menggabungkan faktor-faktor seperti intuisi pengambilan keputusan, emosi, pengalaman pribadi dll </li></ul></li> <li> 10. PERMALAN KUALITATIF <ul><li>Jury of Executive Opinion </li></ul><ul><li>(Keputusan Pendapat Juri Eksekutif) </li></ul><ul><li>Delphi Method (Metode Delphi) </li></ul><ul><li>Sales Force Composite </li></ul><ul><li>(Gabungan Tenaga Penjualan) </li></ul><ul><li>Consumer Market Survey </li></ul><ul><li>(Survei Pasar Konsumen) </li></ul></li> <li> 11. Jury of Executive Opinion <ul><li>Teknik peramalan yang meminta segolongan kecil manajer tingkat tinggi dan menghasilkan estimasi permintaan kelompok </li></ul></li> <li> 12. Delphi Method <ul><li>Teknik peramalan yang menggunakan proses kelompok (expert, employee, respondent) dimana para pakar melakukan peramalan </li></ul></li> <li> 13. Sales Force Composite <ul><li>Teknik peramalan berdasarkan prediksi tenaga penjualan terhadap besarnya penjualan yang memungkinkan dimasa yang akan datang </li></ul> Orang-orang yang dapat memprediksi masa depan tidak akan pernah dihargai di masanya sendiri Pakar Kualitas PHILIP CROSBY </li> <li> 14. Consumer Market Demand <ul><li>Metode peramalan yang meminta input dari para konsumen mengenai rencana pembelian mereka di masa yang akan datang </li></ul></li> <li> 15. PERAMALAN KUANTITATIF Peramalan yang menggunakan satu atau lebih model matematis dengan data masa lalu dan variabel sebab akibat untuk meramalkan permintaan </li> <li> 16. PERAMALAN KUANTITATIF <ul><li>NAIVE APPROACH </li></ul><ul><li>MOVING AVERAGE </li></ul><ul><li>EXPONENTIAL SMOOTHING </li></ul><ul><li>TREND PROJECTION </li></ul><ul><li>LINIER REGRESSION ANALYSIS </li></ul>Menggunakan sekumpulan data masa lalu untuk peramalan MODEL TIME SERIES Model Asosiatif (Hubungan sebab akibat) </li> <li> 17. NAIVE APPROACH <ul><li>Teknik peramalan yang mengasumsikan permintaan di periode mendatang sama dengan permintaan pada periode terakhir </li></ul></li> <li> 18. MOVING AVERAGE <ul><li>Metode peramalan yang menggunakan rata-rata dari sejumlah (n) data terkini untuk meramalkan periode mendatang </li></ul>(20+30+45)/3=31,7 31,7 April 45 Maret 30 Februari 20 Januari Rata2 Bergerak 3-Bulan Penjualan Aktual Bulan </li> <li> 19. Moving Average dengan Pombobotan { (3x45) + (2x30) + (1x20) / 6 = 35,8 35,8 April 45 Maret 30 Februari 20 Januari Rata2 Bergerak dengan Pembobotan 3-Bulan Penjualan Aktual Bulan Total bobot 6 Tiga bulan lalu (Januari) 1 Dua bulan lalu (Februari) 2 Bulan lalu (Maret) 3 Periode Bobot yg diberikan </li> <li> 20. MODEL ASOSIATIF TREND PROJECTION LINEAR REGRESSION </li> <li> 21. TREND PROJECTION <ul><li>Trend Projection (proyeksi tren) merupakan metode peramalan yang menyesuaikan sebuah garis tren pada sekumpulan data masa lalu, dan kemudian diproyeksikan dalam garis untuk meramalkan masa depan </li></ul>a = b = Y = Variabel Terikat (penjualan) X = Variabel Bebas (waktu) a = Konstanta b = Koefisien Tren n = Jumlah data (pengamatan) </li> <li> 22. Perkembangan Penjualan PT.X ? 2009 ? 2008 7.639 2007 5.789 2006 4.065 2005 3.685 2004 2.847 2003 Volume Penjualan (ton) Tahun </li> <li> 23. a = Y/n = 24.052 / 5 = 4.810,4 b = XY/X = 11.634 / 10 = 1.164,4 Y = 4.810,4 + 1.164,4 X Y2008 = 4.810,4 + 1.164,4 (3) =8.300,6 Y2009= 4.810,4 + 1.164,4 (4) =9.464 =10 =11.634 =24.052 =0 4 155.278 7.639 2 7.639 2007 1 5.789 5.789 1 5.789 2006 0 0 4.065 0 4.065 2005 1 -3.685 3.685 -1 3.685 2004 4 -5.748 2.847 -2 2.874 2003 X XY Y X Penjualan Th </li> <li> 24. SIMPLE LINEAR REGRESSION <ul><li>Model matematis garis lurus yang menjelaskan hubungan fungsional antara satu variabel terikat ( dependent variable) </li></ul>b = Y = Variabel Terikat X = Variabel Bebas (bukan waktu) a = Konstanta b = Koefisien regresi n = Jumlah data (pengamatan) </li> <li> 25. Case: Perusahaan Konstruksi Nodel, West Bloomfield <ul><li>Perusahaan Konstruksi Nodel merenovasi sejumlah rumah tua di West Bloomfield, Michigan. </li></ul><ul><li>Sejalan dengan waktu, perusahaan mendapati bahwa biaya pekerjaan renovasinya tergantung pada tingkat penghasilan penduduk yaitu upah lokal di West Bloomfield. </li></ul><ul><li>Tabel berikut ini menunjukkan penjualan Nodel dan upah lokal selama masa 6 tahun </li></ul>Jika kantor perdagangan lokal memperkirakan upah wilayah West Bloomfield tahun 2008 adalah 6, Tentukan perkiraan penjualan Nodel tahun 2008? 7 35 2007 1 20 2006 2 20 2005 4 25 2004 3 30 2003 1 20 2002 Wages Sales Years </li> <li> 26. b = = = 2,5 XY=515 X =80 X=18 Y=150 245 49 7 35 2007 20 1 1 20 2006 40 4 2 20 2005 100 16 4 25 2004 90 9 3 30 2003 20 1 1 20 2002 XY X Wages (X) Sales (Y) Years </li> <li> 27. 1 2 3 4 5 6 7 10 20 30 40 Garis Regresi Y= 17,5 + 2,5 X a= 17,5 WAGES SALES 32,5 </li> <li> 28. Untuk menghitung keakuratan regresi yang diperkirakan, harus dihitung Kesalahan Standar Estimasi ( Standard error of the estimate ). Perhitungan ini disebut Deviasi Standar Regresi ( Standard Deviation of the Regression ) </li> <li> 29. Case: Perusahaan Konstruksi Nodel Maka kesalahan standar estimasi adalah 3,06 dalam Penjualan (Sales) </li> <li> 30. KOEFISIEN KORELASI Suatu teknik statistik untuk menentukan kekuatan hubungan antara dua variabel </li> <li> 31. KOEFISIEN KORELASI </li> <li> 32. Case: Nodel </li> </ul>