PERAMALAN FORECASTING DEFINISI Peramalan adalah seni dan ilmu

PERAMALAN (FORECASTING)

DEFINISI Peramalan adalah seni dan ilmu untuk memprediksi kejadian di masa depan, dengan melibatkan pengambilan data masa lalu dan menempatkannya ke masa yang akan datang dengan suatu bentuk model matematis. Peramalan diklasifikasikan berdasarkan Horizon Waktu Masa Depan, sbb: 1. Peramalan Jangka Pendek, mencakup waktu hingga 1 tahun namun pada umumnya kurang dari 3 bulan. Contoh: merencanakan pembelian, jumlah tenaga kerja, penugasan kerja dan tingkat produksi. 2. Peramalan Jangka Menengah, mencakup bulanan hingga 3 tahun. Contoh: merencanakan penjualan, anggaran produksi dan kas, menganalisa rencana operasi. 3. Peramalan Jangka Panjang, mencakup perencanaan 3 tahun atau lebih. Contoh: produk baru, pengembangan fasilitas, lokasi, litbang.

PERBEDAAN P. J. PANJANG DAN MENENGAH MENURUT P. J. PENDEK 1. Peramalan jangka menengah dan jangka panjang berkaitan dengan permasalahan yang lebih menyeluruh dan mendukung keputusan manajemen yang berkaitan dengan perencanaan produk, pabrik dan proses. 2. Peramalan jangka pendek biasanya menerapkan metodologi yang berbeda dibandingkan peramalan jangka panjang. Ø Contoh peramalan jangka pendek: rata-rata bergerak, penghalusan eksponensial dan ekstrapolasi tren. 3. Peramalan jangka pendek cenderung lebih tepat dibandingkan peramalan jangka panjang.

SIKLUS HIDUP PRODUK DALAM PENJUALAN JANGKA PANJANG Tahapan Siklus Hidup Produk 1. Perkenalan, 2. Pertumbuhan, 3. Kematangan, dan 4. Penurunan. Siklus hidup berguna untuk memproyeksikan tingkat penempatan pekerja yang berbeda-beda, penentuan tingkat persediaan dan kapasitas pabrik sepanjang produk melewati tahapan awal hingga akhir.

JENIS PERAMALAN 1. Peramalan Ekonomi, menjalankan siklus bisnis dengan memprediksikan tingkat inflasi, ketersediaan uang, dana yang dibutuhkan untuk membangun perumahan dan indikator perencanaan lainnya. 2. Peramalan Teknologi, memperhatikan tingkat kemajuan tekhnologi yang dapat meluncurkan produk baru yang menarik, yang membutuhkan pabrik dan peralatan baru. 3. Peramalan Permintaan, proyeksi permintaan untuk produk atau layanan suatu perusahaan. Peramalan ini disebut peramalan penjualan yaitu mengendalikan produksi, kapasitas, serta sistem penjadwalan dan menjadi input bagi perencanaan keuangan, pemasaran dan sumber daya manusia.

KEPENTINGAN PERAMALAN Peramalan merupakan satu-satunya prediksi atas permintaan hingga permintaan yang sebenarnya diketahui. Dampak Peramalan Produk dapat dilihat pada aktivitas berikut: 1. Sumber Daya Manusia, 2. Kapasitas, dan 3. Manajemen Rantai Pasokan (supply chain management).

7 LANGKAH SISTEM PERAMALAN 1. 2. 3. 4. 5. Menetapkan tujuan peramalan, Memilih unsur apa yang akan diramal, Menentukan horizon waktu peramalan, Memilih tipe model peramalan, Mengumpulkan data yang diperlukan untuk melakukan peramalan, 6. Membuat peramalan, 7. Memvalidasi dan menerapkan hasil peramalan.

PENDEKATAN DALAM PERAMALAN 1. Peramalan Kuantitatif, yaitu peramalan yang menggunakan satu atau lebih model matematis dengan data masa lalu dan variabel sebab akibat untuk meramalkan permintaan. 2. Permalan Subjective atau Kualitatif, yaitu peramalan yang menggabungkan faktor-faktor seperti intuisi pengambil keputusan, emosi, pengalaman pribadi dan sistem nilai.

TUJUAN METODE KUALITATIF 1. Keputusan dari pendapat juri eksekutif (jury of executive opinion). Tekhnik peramalan yang meminta pendapat segolongan kecil manajer tingkat tinggi dan menghasilkan estimasi permintaan kelompok. 2. Metode Delphi (delphi method). Tekhnik peramalan yang menggunakan dimana para pakar melakukan peramalan. 3. Gabungan dari Tenaga Penjualan (sales force composite). Tekhnik peramalan berdasarkan prediksi tenaga penjualan akan penjualan yang diharapkan. 4. Survei pasar konsumen (consumer market survey). Metode peramalan yang meminta input dari konsumen mengenai rencana pembelian mereka di masa depan.

METODE KUANTITATIF 1. 2. 3. 4. 5. Pendekatan Naif Rata-rata Bergerak Penghalusan Eksponensial Proyeksi Tren Regresi Linear Model Time Series Model Asosiatif

METODE KUANTITATIF 1. Model Time-Series, yaitu tekhnik peramalan yang menggunakan sekumpulan data masa lalu untuk melakukan peramalan. 2. Model Asosiatif (Hubungan Sebab Akibat), yaitu menggabungkan variabel atau faktor yang mungkin mempengaruhi kuantitas yang sedang diramalkan.

DEKOMPOSISI TIME SERIES 1. Tren, merupakan pergerakan data sedikit demi sedikit meningkat atau menurun. Contoh hal-hal yang dapat mempengaruhi: perubahan pendapatan, populasi, penyebaran umur, atau pandangan budaya. 2. Musim, merupakan pola data yang berulang pada kurun waktu tertentu. Contoh: restoran akan lebih sibuk pada hari libur. 3. Siklus, merupakan pola dalam data yang terjadi setiap beberapa tahun. 4. Variasi Acak, merupakan satu titik khusus dalam data, yang disebabkan oleh peluang dan situasi yang tidak biasa.

PENDEKATAN NAIF Merupakan tekhnik peramalan yang mengasumsikan permintaan di periode mendatang sama dengan permintaan terkini. Model ini adalah model peramalan objective yang paling efektif dan efisien dari segi biaya. Contoh: Hasil penjualan produk X dalam bulan ini mencapai 100 unit, maka peramalan untuk bulan berikutnya juga sebanyak 100 unit.

RATA-RATA BERGERAK •

CONTOH Bulan Penjualan Aktual Rata-rata Bergerak 3 bulanan Januari 10 Februari 12 Maret 13 April 16 (10+12+13)/3 = 11, 67 Mei 19 (12+13+16)/3 = 13, 67 Juni 23 (13+16+19)/3 = 16 Juli 26 (16+19+23)/3 = 19, 33 Agustus 30 (19+23+26)/3 = 22, 67 September 28 (23+26+30)/3 = 26, 33 Oktober 18 (26+30+28)/3 = 28 November 16 (30+28+18)/3 = 25, 33 Desember 14 (28+18+16)/3 = 20, 67

PEMBOBOTAN •

CONTOH Periode Bobot yang diberikan Bulan lalu 3 Dua bulan lalu 2 Tiga bulan lalu 1 Jumlah total bobot 6

HASIL PERAMALAN Bulan Penjualan Rata-rata bergerak dengan pembobotan 3 bulan Januari 10 Februari 12 Maret 13 April 16 [(3*13)+(2*12)+(10)]/6 = 12, 17 Mei 19 [(3*16)+(2*13)+(12)]/6 = 14, 33 Juni 23 [(3*19)+(2*16)+(13)]/6 = 17 Juli 26 [(3*23)+(2*19)+(16)]/6 = 20, 5 Agustus 30 [(3*26)+(2*23)+(19)]/6 = 23, 83 September 28 [(3*30)+(2*26)+(23)]/6 = 27, 5 Oktober 18 [(3*28)+(2*30)+(26)]/6 = 28, 33 November 16 [(3*18)+(2*28)+(30)]/6 = 23, 33 Desember 14 [(3*16)+(2*18)+(28)]/6 = 18, 67

MASALAH DALAM RATA-RATA BERGERAK 1. Bertambahnya jumlah n (jumlah periode yang dirata) kurang sensitif terhadap perubahan nyata pada data. 2. Rata-rata bergerak tidak dapat menggambarkan tren dengan baik. Nilai rata-rata akan selalu berada dalam tingkat yang sebelumnya dan tidak akan memprediksikan perubahan ke tingkat yang lebih tinggi atau lebih rendah, yang merupakan nilai aktual sesungguhnya. 3. Rata-rata bergerak memerlukan data masa lalu yang ekstensif.

PENGHALUSAN EKSPONENSIAL •

EQUATION DALAM BENTUK LAIN Ft = Ft-1 + (At-1 - Ft-1) Dimana: Ft = peramalan baru Ft-1 = peramalan sebelumnya = konstanta penghalus (pembobot) (0 ≤ ≤ 1) At-1 = permintaan aktual periode lalu

CONTOH Diketahui sebuah perusahaan telah meramalkan penjualan di bulan Februari sebanyak 142 unit. Namun, permintaan aktualnya sebesar 153 unit. Konstanta yang dipilih oleh pihak manajemen yaitu sebesar 0, 20. Ditanya: Bagaimanakah peramalan bulan Maret menggunakan model penghalusan eksponensial? Jawab: Peramalan baru = 142 + 0, 2 (153 – 142) = 142 + 2, 2 = 144, 2 Jadi peramalan permintaan untuk bulan Maret yaitu sebesar 144 unit.

LATIHAN SOAL Berikut adalah data penjualan bulanan PT. TELCO. Bulan Penjualan Januari 20 Februari 21 Maret 15 April 14 Mei 13 Juni 16 Juli 17 Agustus 18 September 20 Oktober 20 November 21 Desember 23

PERTANYAAN Dari data penjualan tersebut, maka ramalkan penjualan bulan Januari tahun berikutnya menggunakan metode berikut: 1. Metode Naif. 2. Rata-Rata Bergerak 3 bulanan. 3. Rata-rata bergerak berbobot 6 bulanan menggunakan 0, 1 - 0, 2 – 0, 3 dengan bobot terberat untuk bulan lalu yang paling dekat. 4. Penghalusan eksponensial menggunakan = 0, 3 dan peramalan bulan Desember = 18

PENGHALUSAN EKSPONENSIAL DENGAN PENYESUAIAN TREN •

PENGHITUNGAN RATA-RATA DAN TREN UNTUK SETIAP PERIODE •

KETERANGAN Ft = peramalan dengan eksponensial yang dihaluskan dari data berseri pada periode t Tt = tren dengan eksponensial yang dihaluskan pada periode t At = permintaan aktual pada periode t = konstanta penghalusan untuk rata-rata (0 ≤ ≤ 1) Β = konstanta penghalusan untuk tren (0 ≤ β ≤ 1)

LANGKAH PERAMALAN DENGAN PENYESUAIAN TREN 1. Menghitung Ft peramalan eksponensial yang dihaluskan untuk periode t, menggunakan persamaan (1) 2. Menghitung tren yang dihaluskan, Tt, menggunakan persamaan (2) 3. Menghitung peramalan dengan tren, FITt, dengan formula FITt = Ft + Tt

PROYEKSI TREN Tekhnik ini mencocokkan garis tren pada serangkaian data masa lalu dan kemudian memproyeksikan garis pada masa datang untuk peramalan jangka menengah atau jangka panjang. Untuk proyeksi tren kita menerapkan Metode Kuadrat Terkecil (Least Square Method).

PENDEKATAN KUADRAT TERKECIL •

CON’T •

CATATAN PENGGUNAAN METODE KUADRAT TERKECIL 1. Selalu petakan data karena data kuadrat terkecil mengasumsikan adanya hubungan linear. 2. Jangan memprediksikan periode waktu terlalu jauh di depan mata data yang diberikan, misal 3 s/d 4 periode ke depan. 3. Deviasi disekitar garis kuadrat terkecil diasumsikan acak.

VARIASI MUSIMAN PADA DATA Variasi musiman, yaitu pergerakan reguler meningkat atau menurun dalam satu kurun waktu tertentu terkait dengan kejadian yang berulang. Contoh: cuaca, liburan, dll. Menggunakan peramalan time series.

METODE PERAMALAN ASOSIATIF 1. Analisis regresi, yaitu model matematis garis lurus yang menjelaskan hubungan fungsional antara variabel bebas dan variabel terikat. 2. Korelasi, yaitu suatu ukuran yang menunjukkan kekuatan hubungan antara dua variabel.

ANALISIS REGRESI •

EXAMPLE Total Penjualan (y) Upah (x) 2 1 3 3 2. 5 4 2 2 2 1 3. 5 7 15 18

CON’T Penjualan (y) Upah (x) X^2 xy 2 1 1 2 3 3 9 9 2. 5 4 16 10 2 2 4 4 2 1 1 2 3. 5 7 49 24. 5 15 18 80 51. 5 Total

KOEFISIEN KORELASI UNTUK GARIS REGRESI •

ANALISIS REGRESI BERGANDA •

PENGAWASAN DAN PENGENDALIAN PERAMALAN •