PERAMALAN

1. PERAMALAN E. Susy Suhendra

2. Ramalan: • Sebuah pernyataan tentang nilai di masa mendatang dari sebuah variabel yang ingin diketahui, seperti permintaan (demand). • Peramalan digunakan untuk membuat keputusan bernilai. • Jangka panjang • Jangka pendek

3. Ramalan • Ramalan mempengaruhi keputusan-keputusan dan aktivitas dalam sebuah organisasi • Akuntasi, Keuangan • Sumberdaya Manusia • Pemasaran • Sistem Informasi Manajemen (SIM) • Operasional • Disain produk/jasa

4. PenggunaanRamalan

5. Aku melihat kau akan memperoleh nilai A semester ini.

6. Ciri-ciriramalan • Beranggapansistemkasualmasalalu ==> masadepan • Ramalanjarangsempurna, olehkarenatingkatkeacakan • Ramalanlebihakuratuntuk group daripadaindividu • Tingkat akurasiramalanmenurunsejalandenganmeningkatnyacakrawalawaktu

7. Unsur-unsurramalan yang baik Tepat waktu Akurat Handal Mudah digunakan Tertulis Berarti

8. Langkah-langkahprosesperamalan “The forecast /ramalan” 6) Monitor ramalan 5) Lakukan peramalan 4) Dapatkan, “bersihkan” dan analisa data 3) Pilih teknik ramalan 2) Tetapkan batas waktu 1) Tetapkan maksud /tujuandari ramalan

9. Jenis-jenisRamalan • 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

10. Ramalanberdasarkanpenilaian (Judgmental Forecast) • Pendapat atasan • Pendapat tenaga penjual • Survei konsumen • Pendapat dari luar • Metode Delphi • Pendapat dari manajer dan staf • Mencapai ramalan secara kosensus

11. 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

12. Variasi-variasiRamalan Gambar 3.1 Variasi tak beraturan Tren (kecenderungan) Siklus 90 89 88 Variasi musiman

13. Peramalanberdasarkan data runutwaktu (serial data) • Metode Naif (Naïve Method) • Teknik Perata-rataan • Metode rata-rata bergerak • Metode rata-rata bergerak tertimbang • Metode pemulusan pangkat (exponential smoothing) • Teknik untuk tren • Tren linear

14. MetodeNaif • Periode ke-1 = 200 • Periode ke-2 = 230 • Periode ke-3 = ?

15. Teknik-teknikPerata-rataan • Rata-rata bergerak (Moving average) • Rata-rata bergerak tertimbang(Weighted moving average) • Exponential smoothing

16. Rata-rata Bergerak At-n+ … At-2 + At-1 Ft = MAn= n wnAt-n+ … wn-1At-2 + w1At-1 Ft = WMAn= n • Rata-rata Bergerak – Sebuah teknik yang merata-ratakan sebuah angka dari nilai aktual terbaru, diperbaharui sebagai nilai-nilai baru yang tersedia. • Rata-rata bergerak tertimbang – Nilai-nilai baru dalam sebuah rangkaian diberikan berat lebih dalam peramalan.

17. Rata-rata BergerakSederhana At-n+ … At-2 + At-1 Ft = MAn= n Actual MA5 MA3

18. ContohMetode Moving Average

19. Exponential Smoothing • Dasarpikiran (Premise) –Observasi-observasiterbarumungkinmemilikinilairamalantertinggi (akurasi). • Olehkarenanya, kitasebaiknyamemberikanbebanlebihkeperiode-periodewaktuterbarupadasaatperamalan. • Metode rata-rata tertimbangdidasarkanpadaramalansebelumnyaditambahpersentasekesalahanramalan • A-F adalahperiodekesalahan, adalah % umpanbalik (feedback) Ft = Ft-1 + (At-1 - Ft-1)

20. Contoh 3 - Exponential Smoothing

21. Nilai Alpha Nilaiα  0 <α< 1 Semakindekatnilaiαdengan 0, semakinjauhnilairamalandengannilaiaktual. Sebaliknya, semakinbesardekatnilaiαdengan 1, semakindekatnilairamalanaktual.

22. MemilihNilai Alpha Actual .4  .1

23. Kencenderunganumum nonlinear Parabolic Exponential Growth Gambar 3.5

24. RumusTren 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

25. Menghitung a dan b n (ty) - t y    b = 2 2 n t - ( t)   y - b t   a = n

26. ContohRumusTren Linear

27. PenghtiunganTren 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 + 6.3t

28. Teknik-teknikuntukMusiman • Variasi-variasi Musiman • Pergerakan tetap yang berulang dalam rangakaian-rangkaian 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.

29. PeramalanAsosiatif (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

30. Model linear nampakberalasan Hubungan yang dihitung Sebuah garis lurus dicocokan ke suatu rangakaian nilai

31. Asumsi-asumsiRegresi 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-variabel lain juga penting

32. AkurasiRamalan • 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)

33. MAD, MSE, and MAPE 2 ( Actual  forecast)  MSE = n - 1  ( Actual forecast / Actual*100) MAPE = n   Actual forecast MAD = n

34. 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

35. Contoh

36. PengawasanRamalan • Grafik Pengawasan (Control Chart) • Alat untuk mengawasi kesalahan-kesalahan ramalan secara visual • Digunakan untuk menemukan ketidak-serempangan dalam kesalahan-kesalahan • Kesalahan-kesalahan peramalan berada dalam kendali jika • Semua kesalahan berada dalam batas kendali • Muncul dengan tidak berbentuk, seperti tren atau siklus

37. Sumber-sumberkesalahanramalan • Model peramalan mungkin tidak cukup • Variasi-variasi yang tak beraturan • Kesalahan penggunaan teknik peramalan

38. Memilihteknikperamalan • 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)

39. StrategiOperasi • 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

40. Ramalanrantaisuplai • Membagi ramalan dengan suplai dapat • Memperbaiki kualitas dalam rantai suplai • Menurunkan biaya-biaya • Memperpendek waktu tunggu

41. Exponential Smoothing

42. RumusTren Linear

43. Regresi Linear Sederhana

44. Pertanyaan?