PERAMALAN Memprediksi peristiwa masa depan Biasanya perlu kebiasaan
PERAMALAN § § § Memprediksi peristiwa masa depan Biasanya perlu kebiasaan selama jk waktu tertentu metode kualitatif Berdasarkan metode yg subjektif Metode kuantitatif ü Berdasarkan rumus matematika § Sebuah pernyataan tentang nilai di masa mendatang dari sebuah variabel yg ingin diketahui, (ex. permintaan) § Peramalan digunakan untuk membuat keputusan bernilai: § Jangka panjang § Jangka pendek 3 -1
Ramalan § Ramalan mempengaruhi keputusan 2 & aktivitas dlm sebuah organisasi § Akuntasi, Keuangan § SDM § Pemasaran § Sistem Informasi Manajemen (SIM) § Operasional § Disain produk/jasa 3 -2
Penggunaan Ramalan Akuntansi Perkiraan biaya/keuntungan Keuangan Arus kas & pendanaan Sumberdaya manusia Penerimaan pegawai/training Pemasaran Penetapan harga, promosi, strategi SIM TI/SI systems, layanan 2 Operasional Jadwal, Material Requirement Planning MRP, beban kerja Disain produk/jasa Produk baru & jasa 3 -3
Aku melihat kau akan memperoleh nilai A semester ini. 3 -4
Ciri-ciri ramalan § Beranggapan sistem kasual masa lalu masa depan § Ramalan jarang sempurna, oleh karena tingkat keacakan § Ramalan lebih akurat untuk grup daripada individu § Tingkat akurasi ramalan menurun sejalan dg meningkatnya cakrawala waktu 3 -5
Unsur 2 ramalan yg baik Tepat waktu Tertulis Mudah Digunakan Berarti Akurat Langkah-langkah proses peramalan 1) Tetapkan maksud /tujuan dari ramalan 2) Tetapkan batas waktu 3) Pilih teknik ramalan 4) Dapatkan, “bersihkan” & analisa data 5) Lakukan peramalan 6) Monitor ramalan 3 -6
Jenis-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 -7
Ramalan berdasarkan penilaian (Judgmental Forecast) § Pendapat atasan § Pendapat tenaga penjual § Survei konsumen § Pendapat dari luar § Metode Delphi § Pendapat dari manajer dan staf § Mencapai ramalan secara kosensus 3 -8
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 -9
Variasi-variasi Ramalan Gambar 3. 1 Variasi tak beraturan Tren (kecenderungan) Siklus 90 89 88 Variasi musiman 3 -10
Peramalan berdasarkan data runut waktu (serial data) § Metode Naif (Naïve Method) § Teknik Perata-rataan § Metode rata-rata bergerak tertimbang § Metode pemulusan pangkat (exponential smoothing) § Teknik untuk tren § Tren linear 3 -11
Metode Naif § Periode ke-1 = 200 § Periode ke-2 = 230 § Periode ke-3 = ? 3 -12
Teknik-teknik Perata-rataan § Rata-rata bergerak (Moving average) § Rata-rata bergerak tertimbang(Weighted moving average) § Exponential smoothing 3 -13
Rata-rata Bergerak § Rata-rata Bergerak – Sebuah teknik yang merata-ratakan sebuah angka dari nilai aktual terbaru, diperbaharui sebagai nilai-nilai baru yang tersedia. A +…A +A Ft = MAn= t-n t-2 t-1 n § Rata-rata bergerak tertimbang – Nilai-nilai baru dalam sebuah rangkaian diberikan berat lebih dalam peramalan. Ft = WMAn= wn. At-n + … wn-1 At-2 + w 1 At-1 n 3 -14
Rata-rata Bergerak Sederhana Actual MA 5 MA 3 Ft = MAn= At-n + … At-2 + At-1 n 3 -15
Contoh Metode Moving Average 3 -16
Exponential Smoothing Ft = Ft-1 + (At-1 - Ft-1) • 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) § 3 -17
Contoh 3 - Exponential Smoothing 3 -18
Nilai 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 -19
Memilih Nilai Alpha Actual . 4 . 1 3 -20
Kencenderungan umum nonlinear Gambar 3. 5 Parabolic Exponential Growth 3 -21
Rumus Tren Linear Ft Ft = a + bt 0 1 2 3 4 5 § § t Ft = Forecast for period t t = Specified number of time periods a = Value of Ft at t = 0 b = Slope of the line 3 -22
Menghitung a dan b n (ty) - t y b = 2 2 n t - ( t) y - b t a = n 3 -23
Contoh Rumus Tren Linear 3 -24
Penghtiungan Tren Linear 5 (2499) - 15(812) 12495 -12180 b = = = 6. 3 5(55) - 225 275 -225 812 - 6. 3(15) a = = 143. 5 5 y = 143. 5 + 6. 3 t 3 -25
Teknik-teknik untuk Musiman § Variasi-variasi Musiman § Pergerakan tetap yang berulang dalam rangakaianrangkaian 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 -26
Peramalan Asosiatif (Associative 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 -27
Model linear nampak beralasan Hubungan yang dihitung Sebuah garis lurus dicocokan ke suatu rangakaian nilai 3 -28
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 lain juga penting 3 -29
Akurasi 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 -30
MAD, MSE, and MAPE MAD = Actual forecast n MSE = ( Actual forecast) 2 n -1 MAPE = ( Actual forecast / Actual*100) n 3 -31
MAD, 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 -32
Contoh 3 -33
Pengawasan Ramalan § Grafik Pengawasan (Control Chart) § Alat untuk mengawasi kesalahan-kesalahan ramalan secara visual § Digunakan untuk menemukan ketidakserempangan 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 -34
Sumber-sumber kesalahan ramalan § Model peramalan mungkin tidak cukup § Variasi-variasi yang tak beraturan § Kesalahan penggunaan teknik peramalan 3 -35
Memilih 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 -36
Strategi 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 -37
Ramalan rantai suplai § Membagi ramalan dengan suplai dapat § Memperbaiki kualitas dalam rantai suplai § Menurunkan biaya-biaya § Memperpendek waktu tunggu 3 -38
Exponential Smoothing 3 -39
Rumus Tren Linear 3 -40
Regresi Linear Sederhana 3 -41
Berikut adalah data Biaya Promosi dan Volume Penjualan produk ABC Tahun Biaya Promosi Volume Penjualan (Juta Rupiah) (Ratusan) 2001 2002 2003 2004 2005 2006 2 4 5 7 8 9 5 6 8 10 11 14 Lakukan Peramalan dengan Regresi Linear Sederhana Perkirakan Volume penjualan jika dikeluarkan biaya promosi Rp. 10 juta ? 3 -42
- Slides: 42