1

II. PERAMALAN (FORECASTING)

Outline

1. APAKAH PERAMALAN ITU?

2. JENIS - JENIS PERAMALAN

3. FUNGSI PERAMALAN

4. PENDEKATAN PERAMALAN

5. METODE PERAMALAN KUALITATIF

6. METODE PERAMALAN KUANTITATIF

2

1. APA ITU PERAMALAN ?

Forecasting : ilmu dan seni dalam memprediksi kejadian di masa depan

Data masa lalu dan menempatkannya ke masa yang akan datang dengan suatu bentuk model matematis

Prediksi intuisi bersifat subyektif

Kombinasi model matematis dan intuisi

Tidak ada satu metode tunggal yang unggul

Setiap organisasi/perusahaan berbeda

3

• Pendek (Short Range Forecast) :

1 tahun tetapi umumnya < 3 bulan. Perencanaan pembelian bahan, jadwal kerja, tugas

kerja

• Menengah (Medium Range Forecast)

3 bulan – 3 tahun. Perencanaan penjualan, perencanaan dan anggaran

produksi, cash budgeting, analisis perencanaan operasi

• Panjang (Long Range Forecast)

3 tahun atau lebih. Perencanaan produk baru, pengeluaran modal, lokasi

pabrik dan ekspansi, R&D

Jangka Waktu :

4

Pengenalan Pertumbuhan Kejenuhan Penurunan

Pe

nju

ala

n

Pengaruh Siklus Hidup Produk /Product Life Cycle

Tahap Pengenalan & Pertumbuhan memerlukan peramalan yang lebih lama daripada tahap kejenuhan dan penurunan

Peramalan bermanfaat dalam : Penentuan tenaga kerja, Tingkat persediaan Kapasitas pabrik

5

2. JENIS - JENIS PERAMALAN

1. Peramalan Ekonomi Siklus bisnis dengan memprediksi rata-rata inflasi, dan indikator ekonomi lainnya

2. Peramalan Teknologi perkembangan teknologi yang menyebabkan munculnya produk baru, menentukan pabrik dan peralatan baru.

3. Peramalan permintaan/penjualan Produksi perusahaan, kapasitas dan sistem penjadwalan, digunakan untuk input terhadap perencanaan finansial, pemasaran dan SDM

1. Sumber Daya Manusia

2. Kapasitas

3. Manajemen Rantai Pasokan

Kepentingan Strategis Peramalan Penjualan

6

3. FUNGSI PERAMALAN

INPUTRiset PasarData Perm intaan

m asa Lalu Iklan Prom osi Pendapat

MODELPERAMALAN

OUTPUTPerm intaan yangdiharapkan : ProdukKonsum enW ilayah

BATASANKebijakan

m anajem en Sum ber daya yg

tersediaKondisi pasar Teknologi

LINGKUNGAN Ekonom i Sosial PolitikBudaya

Sumber : R.J. Tersine & John H. Campbell (1977)

7

Tujuh Tahapan Peramalan

1. Menentukan tujuan peramalan

2. Memilih item yang akan diramal

3. Menentukan jangka waktu peramalan

4. Memilih model peramalan

5. Mengumpulkan data

6. Memproses peramalan

7. Validasi dan Implementasi Hasil

Namun demikian :

1. Peramalan jarang ada yang sempurna

2. Hampir semua teknik peramalan mengasumsikan kondisi stabil

3. Peramalan kelompok produk maupun keseluruhan lebih akurat daripada peramalan produk individu

8

Metode Peramalan

Kuantitatif

Kualitatif

· Pendapat ahli/Jury of Executive Opinion

· Perkiraan Penjualan· Metode Delphi· Survai pasar

Model deret berkala(Time Series )

Model Kausal(Associative Models)

· Naive approach· Moving Averages· Exponential Smoothing

· Trend Projection· Regresi Linier

9

Perbedaan Metode Kualitatif dan Kuantitatif

A. Digunakan ketika situasi “stabil” dan tersedia data historis Existing products Current technology

B. Melibatkan teknik matematika

Contoh : peramalan penjualan TV

Metode Kuantitatif

A. Digunakan ketika kondisinya baru dan data yang tersedia sedikit

Produk baru

Teknologi baru

B. Melibatkan intuisi dan pengalaman

Contoh: peramalan penjualan di internet

Metode Kualitatif

10

Kelompok Kecil (small group) : high-level managers Kelompok memperkirakan permintaan

secara bersama-sama Menggabungkan pengalaman manajerial

dengan model statistik Relatif cepat Pemikiran Kelompok

(‘Group-think’) tertentu

5.1. Jury of Executive Opinion

5. Metode Kualitatif

11

5.2. Perkiraan Penjualan

Memperkirakan setiap penjualan individu, yang kemudian diagregatkan

Setiap penjual memberikan data penjualannya

Menggabungkan penjualan antara cabang/daerah dengan pusat

Para penjual mengetahui apa yang diinginkan konsumen

Cenderung lebih optimis

SalesSales

12

5.3. Delphi Method

Panel para ahli (experts), dilakukan secara iteratif 3 elemen yang terlibat : Decision makers Staff Respondents

Mengurangi ‘group-think’

Respondents Respondents

Staff Staff

Decision MakersDecision Makers(Sales?)

What will sales be?survey)

Sales will be 45,50 and 55

Sales will be 50!

13

5.4. Survey Pasar (Consumer Market Survey)

Menanyakan kepada konsumen tentang rencana pembelian

Apa yang dikatakan konsumen, dan apa yang dilakukannya seringkali berbeda

Seringkali sulit untuk dijawab

How many hours will you use the

internet next week?

14

6. Metode Kuantitatif

1. Naïve approach

2. Moving averages

3. Exponential smoothing

4. Trend projection

5. Linear regression

Time-series Models

Associative models

15

A. Model Time Series

• Berdasarkan periode tertentu (mingguan, bulanan. kwartal. tahunan)

• Tersedia informasi masa lalu• Informasi dapat dikuatitatifkan dalam bentuk data numerik• Asumsi: pola masa lalu terus berlanjut di masa mendatang

Empat Komponen :

1. Tren : pergerakan data sedikit demi sedikit meningkat atau menurun.

perubahan pendapatan, populasi, penyebaran umur, pandangan budaya Pergerakan Tren

2. Musim : Pola data yang berulang pada periode tertentu (hari, minggu, bulan, kuartal)

3. Siklus : pola yang terjadi setiap beberapa tahun

Terkait dengan siklus bisnis dan merupakan satu hal penting dalam analisis dan perencanaan bisnis jangka pendek

4. Variasi acak : satu titik khusus dalam data disebabkan peluang dan situasi yang tidak biasa

16

Grafik Permintaan Produk selama 4 tahun dengan tipe trend dan musiman

Year1

Year2

Year3

Year4

Seasonal peaks Trend component

Actual demand line

Average demand over four years

Dem

and

for p

rodu

ct o

r ser

vice

Random variation

17

6.1. Naive Approach

Asumsi : Permintaan di periode mendatang sama dengan permintaan pada saat ini

Contoh : Jika penjualan HP bulan Mei 48 unit, maka pada bulan Juni, penjualannya = 48 unit

Kadang-kadang efektif dan efisien

18

6.2. Moving Average (MA)

Merupakan rata-rata aritmatik Tidak banyak menggunakan trend Asumsi;permintaan pasar tetap stabil setiap waktu

Persamaan

MAMAnn

nn Demand inDemand in PreviousPrevious PeriodsPeriods

19

You’re manager of a museum store that sells historical replicas. You want to forecast sales (000) for 2003 using a 3-period moving average.

1998 41999 62000 52001 32002 7

Contoh MA :

20

Jawaban :

Time Response Yi

Moving Total (n=3)

Moving Average

(n=3) 1998 4 NA NA 1999 6 NA NA 2000 5 NA NA 2001 3 4+6+5=15 15/3=5.0 2002 7 6+5+3=14 14/3=4.7 2003 NA 5+3+7=15 15/3=5.0

21

Digunakan ketika ada trend Data yang lama seringkali tidak berguna

Bobot berdasarkan intuisi Nilainya 0 & 1,dengan jumlah keseluruhan 1.0

Persamaan

WMA =WMA =Σ Σ (Weight for period (Weight for period nn) (Demand in period ) (Demand in period nn) )

Σ Σ WeightsWeights

Weighted Moving Average (WMA)

22

Bentuk WMA : Bobot menurun secara eksponensial Data yang ada diberikan bobot

Memerlukan smoothing constant (α) Kisaran dari 0 - 1 Dipilih secara subjektif

Melibatkan data di masa lalu

6.3. Exponential Smoothing

Ft = α At - 1 + α(1- α)At - 2 + α(1- α)2·At - 3+ α (1- α)3At - 4 + ... + α(1- α)t-1·A0

Ft = F t-1 + α (At-1 – Ft-1)

Ft = Peramalan yang baruFt-1 = Peramalan sebelumnyaα = Konstanta pemulusan ( 0 < α < 1)At-1 = Permintaan aktual periode sebelumnya At = Nilai Aktual

23

Contoh : Exponential SmoothingCth: Pada bln Januari, agen perjalanan Bogor-Bandung memprediksikan bahwa pada

bulan Februari permintaan sebesar 142 orang per minggu. Namun ternyata permintaan aktual bln Febr. sebesar 153 orang. Dgn menggunakan konstanta pemulusan =0,20. maka ramalan permintaan untuk bulan Maret adalah:

Ft = F t-1 +α (At-1 – Ft-1)

Ft (Maret) = 142 + 0,2 (153-142)Ft = 144,2 144 orang

Nilai α secara umum 0,05- 0,5 untuk aplikasi bisnis (Heizer & Render,1998)

Pengukuran kesalahan peramalan :

MAD (Mean Absolute Deviation) = Σ kesalahan peramalan n

MSE (Mean Square Error) = (Σ kesalahan peramalan)2

n MAPE (Mean Absolute Percent Error)

n

aktualramalanaktualMAPE

n

iii i

1

100

24

Pelabuhan Tanjung Priok mrp pelabuhan terbesar dalam pengiriman ikan tuna selama delapan kwartal terakhir. Manajer operasi pelabuhan ingin mencoba exponential smothing untuk melihat bagimanan teknik tersebut dapat digunakan dalam peramalan. Dia meramalkan bahwa pada kwartal pertama mendatang pengiriman tuna sebesar 175 ton. Nila α yang digunakan adalah 0,1 dan 0,50. Berapa ton tuna yg akan dikirim pada kwartal ke-9? Nilai α manakah yang akan dipilih oleh manajer tsb?

Kwartal Pengiriman Aktual

(ton)

Ramalan

( α = 0,1)

Ramalan

( α = 0,5)

1 180 175 175

2 168 175 + 0,1 (180 - 175) = 176 178

3 159 175,5 + 0,1(168 -175,50)= 175 173

4 175 174,75 + 0,1 (159-174,75) = 173 166

5 190 173,18 + 0,1(175- 173,18 ) = 173 170

6 205 173,36 + 0,1 (190- 173,36) = 175 180

7 180 175,02 + 0,1(205-175,02) = 178 193

8 182 178,02 + 0,1 (180-178,02) = 178 186

9 ? 178,22 + 0,1(182- 178,22 ) =179 184

25

Kwartal Pengiriman Aktual

(ton)

Ramalan

( α = 0,1)

Deviasi mutlak

Ramalan

( α = 0,5)

Deviasi mutlak

1 180 175 5 175 5

2 168 176 8 178 10

3 159 175 16 173 14

4 175 173 2 166 9

5 190 173 17 170 20

6 205 175 30 180 25

7 180 178 2 193 13

8 182 178 4 186 4

Jumlah Deviasi mutlak 84 100

MAD 10,50 12,50

Nilai α yang dipilih adalah α = 0,1 karena MAD-nya < α = 0,50

26

6.4. Trend Projection

Deviation

Deviation

Deviation

Deviation

Deviation

Deviation

Deviation

Time

Valu

es o

f Dep

ende

nt V

aria

ble

bxaY ˆ

Actual observation

Point on regression line

27

Used for forecasting linear trend line Assumes relationship between response variable, Y, and

time, X, is a linear function

Estimated by least squares method

Minimizes sum of squared errors Relationship is assumed to be linear. Plot the data first - if

curve appears to be present, use curvilinear analysis. Relationship is assumed to hold only within or slightly

outside data range. Do not attempt to predict time periods far beyond the range of the data base.

Deviations around least squares line are assumed to be random

iY a bX

i= +

Linear Trend Projection

28

Least Squares Equations

Equation:ii bxaY

Slope:

xnx

yxnyxb

i

n

i

ii

n

i

Y-Intercept: xbya

29

X i Y i X i2

Y i2

X iY i

X 1 Y 1 X 12

Y 12

X 1Y 1

X 2 Y 2 X 22

Y 22

X 2Y 2

: : : : :

X n Y n X n2

Y n2

X nY n

Σ X i Σ Y i Σ X i2

Σ Y i2

Σ X iY i

Tabel perhitungan

30

Example : Trend Line

Year Demand

1997 74

1998 79

1999 80

2000 90

2001 105

2002 142

2003 122

The demand for electrical power at N.Y.Edison over the years 1997 – 2003 is given at the below. Find the overall trend.

31

Finding a Trend Line

Year Time Period

Power Demand

x2 xy

1997 1 74 1 741998 2 79 4 1581999 3 80 9 2402000 4 90 16 3602001 5 105 25 5252002 6 142 36 8522003 7 122 49 854

x=28 y=692 x2=140 xy=3,063

32

The Trend Line Equation

megawatts 151.56 10.54(9) 56.70 2005in Demand

megawatts 141.02 10.54(8) 56.70 2004in Demand

56.70 10.54(4) - 98.86 xb - y a

10.5428

295

(7)(4)140

86)(7)(4)(98.3,063

xnΣx

yxn -Σxy b

98.867

692

n

Σyy 4

7

28

n

Σxx

222

33

Variasi Musiman pada Data

Pergerakan reguler baik meningkat atau menurun pada periode tertentu dan terjadi berulang

Musim : jam, hari, minggu, bulan, kwartal atau pola berulang lainnya

Memerlukan penyesuaian peramalan garis tren Variasi : jumlah nilai aktual yang berbeda dari nilai rata-rata

dalam time series

Indeks musim Model variasi musiman multiplikatif

Faktor musiman dikalikan dengan prediksi permintaan rata-rata untuk peramalan musiman

34

Tahapan :1. Hitung Rata-rata permintaan historis untuk setiap musim

Misal : 1 musim 1 bulan. Cth. penjualan bulan januari selama 3 tahun : 8,6 dan 10 permintaan bln januari =(8+6+10)/3 = 8 unit

2. Hitung rata-rata permintaan untuk semua bulan membagi rata-rata permintaan tahunan total dengan jumlah musim.

Cth : rata-rata permintaan total untuk 1 tahun =120 unit dan ada 12 musim (1 bulan) rata-rata permintaan bulanan = 120/12 = 10 unit

3. Hitung indeks musiman untuk setiap musim : membagi permintaan historis aktual bulan itu (dari langkah 1) dengan rata-rata permintaan pada seluruh bulan (dari langkah 2)

Langkah 1 dan 2 : indeks musiman = 8/10 = 0,80 : bulan januari

4. Estimasikan permintaan tahunan total untuk tahun depan

5. Bagi prediksi permintaan tahunan total dengan jumlah musim kalikan dengan indeks musiman bulan tersebut :Peramalan Musiman

35

Contoh: permintaan bulanan komputer laptop IBM di Glodok untuk tahun 2002 sampai 2004 sebagai berikut :

Bulan Permintaan Permintaan rata-rata 2002-2004

Permintaan bulanan rata-rata*

Indeks Musiman**2002 2003 2004

Jan 80 85 105 90 94 0,957

Feb 70 85 85 80 94 0,851

Mrt 80 93 82 85 94 0,904

Apr 90 95 115 100 94 1,064

Mei 113 125 131 123 94 1,309

Jun 110 115 120 115 94 1,223

Juli 100 102 113 105 94 1,117

Agt 88 102 110 100 94 1,064

Sep 85 90 95 90 94 0,957

Okt 77 78 85 80 94 0,851

Nov 75 82 83 80 94 0,851

Des 82 78 80 80 94 0,851

Permintaan tahunan rata-rata total 1.128

36

* Permintaan bulanan rata-rata = 1.128 / 12 bulan = 94**Indeks musiman = permintaan bulanan rata-rata 2002-2004 permintaan bulanan rata-rata

Jika mengharapkan permintaan tahunan komputer pada tahun 2003 sebesar 1.200 unit, maka akan menggunakan indeks musiman tsb untuk meramalkan permintaan bulanan sebagai berikut :

Bulan Permintaan Bulan Permintaan

Jan 1.200/12 * 0,957 = 96 Juli 1.200/12 * 1,117 = 112

Feb 1.200/12 *0,851 = 85 Agt 1.200/12 *1,064 = 106

Mrt 1.200/12 *0,904 = 90 Sep 1.200/12 * 0,957 = 96

Apr 1.200/12 * 1,064 = 106 Okt 1.200/12 * 0,851 = 85

Mei 1.200/12 *1,309 = 131 Nov 1.200/12 * 0,851 = 85

Jun 1.200/12 *1,223 = 122 Des 1.200/12 * 0,851 = 85

37

6.5. Analisis Regresi dan Korelasi

Mempertimbangkan beberapa variabel yang berhubungan dengan kuantitas yang diprediksi

Adanya variabel dependen dan independen

Cth. Penjualan teh botol sosro dipengaruhi oleh iklan, harga, harga pesaing, strategi promosi, kondisi perekonomian dan tingkat pengangguran

Mengembangkan hubungan statistik terbaik antara penjualan teh botol sosro dengan variabel bebas

Paling umum digunakan : Analisis regresi linier

ii bxaY

38

Penjualan

($000.000), y

Upah lokal

(($000.000.000), x

Penjualan

($000.000), y

Upah lokal

(($000.000.000), x

2,0 1 2,0 2

3,0 3 2,0 1

2,5 4 3,5 7

Perusahaan konstruksi Nodel merenovasi sejumlah rumah tua di West Bloomfield. Sejalan dengan waktu, perusahaan mendapati bahwa biaya renovasi tergantung pada tingkat penghasilan penduduk yaitu jumlah upah lokal di West Bloomfield. Tabel berikut menunjukkan penjualan rumah dan upah lokal selama 6 tahun

Manajemen Nodel ingin membuat hubungan matematis untuk memprediksi penjualan. Oleh karena itu, harus menetapkan hubungan antara upah lokal dan penjualan – dibuat diagram

39

Penjualan, y Upah, x x2 xy

2,0 1 1 2,0

3,0 3 9 9,0

2,5 4 16 10,0

2,0 2 4 4,0

2,0 1 1 2,0

3,5 7 49 24,5

Σy = 15,0 Σx = 18 Σx2 =80 Σxy = 51,5

0

0.5

1

1.5

2

2.5

3

3.5

4

0 2 4 6 8

Upah lokal (ratusan juta dolar)

Pe

nju

ala

n N

od

el

(ra

tus

an

rib

u d

olla

r)

40

1,75 0,25(3) - 2,5 xb - y a

0,25(6)(32)80

(6)(3)(2,5)51,5

xn Σx

yxn -Σxy b

2,56

15

n

Σyy 3

6

18

n

Σxx

22

Persamaan regresi : y = 1,75 + 0,25 x atau

Penjualan = 1,75 + 0,25 (upah)

Jika perusahaan memperkirakan upah wilayah West Bloomfield menjadi $ 600 juta tahun depan, maka dapat diperkirakan penjualan Nodel sbb :

Penjualan (ratusan ribu dollar) = 1,75 + 0,25 (6) = 3,25

Atau penjualan = $ 325.000

41

Kesalahan standar dari suatu estimasi Peramalan $ 325.000 untuk contoh di atas : titik prediksi y Titik prediksi : rata-rata atau nilai harapan dari suatu distribusi

nilai penjulan yang mungkin Keakuratan regresi : Standard error of the estimate, Sy,x

Standard deviation of the regression : menghitung kesalahan variabel terikat,y, terhadap garis regresi bukan terhadap rata-rata.

2

2

1 11

2

1

2

,

n

yxbyay

n

yyS

n

i

n

iiii

n

ii

n

ici

xy

26

)5,51(25,0)0,15(75,15,39,

xSy = 0,306 (dalam ratusan ribu dollar)

Maka kesalahan standar estimasi adalah $ 30.600 dalam penjualan

42

Koefisien Korelasi

Persamaan regresi : satu cara untuk menyatakan hubungan antara variabel hubungan antar variabel

Koefisien korelasi (r) : hubungan antar variabel derajat/kekuatan hubungan linier

n

i

n

iii

n

i

n

iii

n

i

n

i

n

iiiii

yynxxn

yxyxnr

43

Penjualan, y Upah, x x2 xy y2

2,0 1 1 2,0 4,0

3,0 3 9 9,0 9,0

2,5 4 16 10,0 6,25

2,0 2 4 4,0 4,0

2,0 1 1 2,0 4,0

3,5 7 49 24,5 12,25

Σy = 15,0 Σx = 18 Σx2 =80 Σxy = 51,5 Σy2 = 39,5

Dari contoh West Bloomfield

])0,15()5,39)(6][()18()80)(6[(

)0,15)(18()5,51)(6(22

r

r = 39 / 43,3 = 0,901

r = 0,901 : korelasi yang cukup kuat antara dua variabel tersebut

44

4 Nilai Koefisien Korelasi

r = 1 r = -1

0 < r < 1 r = 0

Y

X

Yi = a + b X i

^

Y

X

Y

X

Y

X

Yi = a + b X i

^ Yi = a + b X i

^

Y i = a + b X i^

45

Pengawasan dan Pengendalian Peramalan

• Tracking signal (TS) : perhitungan seberapa baik peramalan memprediksikan nilai aktual

• Rasio dari : Running Sum Of Forecast Errors (RSFE) terhadap Mean Absolute Deviation (MAD)

• TS yang bagus Nilai RSFE rendah

• Harus berada di antara upper dan lower control limits

MAD

errorforecast

MAD

yy

MAD

RSFETS

n

iii

-

46

• TS dihitung dan dibandingkan untuk menetapkan batas kendali

• TS melebihi batas kendali atas atau bawah masalah dengan metode peramalan manajemen mngevaluasi kembali cara meramalkan permintaan

Waktu

Batas kendali bawah

Batas kendali atas

Sinyal melebihi batas

Tracking signal

MA

D

+

0

-

Rentang yang dapat diterima

47

Tidak ada yang pasti bagaimana perusahaan menentukan batas atas dan bawah

George Plossl & Oliver Wight max ± 4 MAD : produk dengan persediaan tinggi dan ± 8 MAD : produk dengan persediaan rendah

Peramal lain :

± 1 MAD = ± 0,8 deviasi standar, ± 2 MAD = ± 1,6 deviasi standar, 3 MAD = ± 2,4 deviasi standar, dan 4 MAD = ± 3,2 deviasi standar

Hal ini menyarankan sebuah peramalan untuk bisa berada dalam “rentang kendali”

89% kesalahan diharapkan jatuh dalam rentang ± 2 MAD,

98 % kesalahan diharapkan jatuh dalam rentang ± 3 MAD

99,9 % kesalahan diharapkan jatuh dalam rentang ± 4 MAD

48

Contoh ; Penjualan croissant toko roti Rick Carlson (dalam satuan ribuan) ditunjukkan pada tabel berikut secara kuartal. Bagaiman TS dan apakah permalan yang dibuat memadai ?Kwt Permintaan

aktualPeramalan permintaan

Kesalahan RSFE Kesalahan peramalan absolut

Kumulatif kesalahan absolut peramalan

Kumulatif MAD

TS (RSFE/MAS)

1 90 100 -10 -10 10 10 10,0 -10/10= -1

2 95 100 -5 -15 5 15 7,5 15/7,5=-2

3 115 100 +15 0 15 30 10,0 0/10= 0

4 100 110 -10 -10 10 40 10,0 -10/10=-1

5 125 110 +15 +5 15 55 11,0 +5/11=+0,5

6 140 110 +30 +35 30 85 14,2 35/14,2=+2,5

49

Peramalan pada Sektor Jasa Memiliki tantangan yang unik Memerlukan catatan jangka pendek yang sangat teliti Memperhatikan waktu-waktu tertentu : liburan atau

event lainnya Unusual events

Peramalan Penjualan di Restoran Fast Food

0

5

10

15

20

+11-12+1-2 +3-4 +5-6 +7-8 +9-1011-12 12-1 1-2 2-3 3- 4 4 - 5 5 - 6 6 - 7 7- 8 8-9 9-10 10-11