PERAMALAN

E. Susy Suhendra

3-1

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

3-2

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

Penggunaan Ramalan
Akuntansi Keuangan Sumberdaya manusia Pemasaran SIM Perkiraan biaya/keuntungan Arus kas dan pendanaan Penerimaan pegawai/training Penetapan harga, promosi, strategi TI/SI systems, layananlayanan

Operasional
Disain produk/jasa

Jadwal, MRP, beban kerja

Produk baru dan jasa
3-4

Aku melihat kau akan memperoleh nilai A semester ini.

3-5

Ciri-ciri ramalan
Beranggapan sistem kasual masa lalu ==> masa depan
Ramalan jarang sempurna, oleh karena tingkat keacakan

Ramalan lebih akurat untuk group daripada individu

Tingkat akurasi ramalan menurun sejalan dengan meningkatnya cakrawala waktu

3-6

Unsur-unsur ramalan yang baik

Tepat waktu

Handal

Akurat

Tertulis

3-7

Langkah-langkah proses peramalan

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

3-8

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 variabelvariabel untuk meramalkan masa depan
3-9

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

3-10

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
3-11

Variasi-variasi Ramalan
Gambar 3.1
Variasi tak beraturan

Tren (kecenderungan)

Siklus
90 89 88 Variasi musiman

3-12

Peramalan berdasarkan data runut waktu (serial data)

Metode Naif (Nave Method) Teknik Perata-rataan
Metode rata-rata bergerak Metode rata-rata bergerak tertimbang Metode pemulusan pangkat (exponential smoothing)

Teknik untuk tren

Tren linear

3-13

Metode Naif
Periode ke-1 = 200 Periode ke-2 = 230 Periode ke-3 = ?

3-14

Teknik-teknik Perata-rataan
Rata-rata bergerak (Moving average) Rata-rata bergerak tertimbang(Weighted moving average) Exponential smoothing

3-15

Rata-rata Bergerak
Rata-rata Bergerak Sebuah teknik yang merata-ratakan sebuah angka dari nilai aktual terbaru, diperbaharui sebagai nilai-nilai baru yang tersedia. At-n + At-2 + At-1 Ft = MAn=

Rata-rata bergerak tertimbang Nilai-nilai baru dalam sebuah rangkaian diberikan berat lebih dalam peramalan. wnAt-n + wn-1At-2 + w1At-1 Ft = WMAn=

3-16

Rata-rata Bergerak Sederhana

Actual

MA5

47 45 43 41 39 37 35 1 2 3 4 5 6 7 8 9 10 11 12
MA3

Ft = MAn=

At-n + At-2 + At-1

n
3-17

Contoh Metode Moving Average

3-18

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)

3-19

Contoh 3 - Exponential Smoothing

Period 1 2 3 4 5 6 7 8 9 10 11 12 Actual 42 40 43 40 41 39 46 44 45 38 40 Alpha = 0.1 Error 42 41.8 41.92 41.73 41.66 41.39 41.85 42.07 42.36 41.92 41.73 -2.00 1.20 -1.92 -0.73 -2.66 4.61 2.15 2.93 -4.36 -1.92 Alpha = 0.4 Error 42 41.2 41.92 41.15 41.09 40.25 42.55 43.13 43.88 41.53 40.92 -2 1.8 -1.92 -0.15 -2.09 5.75 1.45 1.87 -5.88 -1.53

3-20

Nilai Alpha
Nilai 0 < < 1 Semakin dekat nilai dengan 0, semakin jauh nilai ramalan dengan nilai aktual. Sebaliknya, semakin besar dekat nilai dengan 1, semakin dekat nilai ramalan aktual.

3-21

Memilih Nilai Alpha

Actual

50
Demand

.4

45 40 35 1 2 3 4 5 6 7 8

.1

9 10 11 12

Period

3-22

Kencenderungan umum nonlinear

Gambar 3.5

Parabolic

Exponential

Growth

3-23

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

3-24

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

y - b t a = n

3-25

Contoh Rumus Tren Linear

t Week 1 2 3 4 5 t2 1 4 9 16 25 y Sales 150 157 162 166 177 ty 150 314 486 664 885

t = 15 t2 = 55 2 ( t) = 225

y = 812 ty = 2499

3-26

Penghtiungan Tren Linear

b = 5 (2499) - 15(812) 5(55) - 225 = 12495 -12180 275 -225 = 6.3

812 - 6.3(15) a = = 143.5 5

y = 143.5 + 6.3t
3-27

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.
3-28

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
3-29

Model linear nampak beralasan

X 7 2 6 4 14 15 16 12 14 20 15 7 Y 15 10 13 15 25 27 24 20 27 44 34 17

Hubungan yang dihitung

50 40 30 20 10 0 0 5 10 15 20 25

Sebuah garis lurus dicocokan ke suatu rangakaian nilai

3-30

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-variabel lain juga penting
3-31

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)

3-32

MAD, MSE, and MAPE

MAD = Actual forecast

n
MSE = ( Actual forecast)
2

n -1
( Actual forecast / Actual*100) n
3-33

MAPE =

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
3-34

Contoh
Period 1 2 3 4 5 6 7 8 Actual 217 213 216 210 213 219 216 212 Forecast 215 216 215 214 211 214 217 216 (A-F) 2 -3 1 -4 2 5 -1 -4 -2 |A-F| 2 3 1 4 2 5 1 4 22 (A-F)^2 4 9 1 16 4 25 1 16 76 (|A-F|/Actual)*100 0.92 1.41 0.46 1.90 0.94 2.28 0.46 1.89 10.26

MAD= MSE= MAPE=

2.75 10.86 1.28

3-35

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
3-36

Sumber-sumber kesalahan ramalan

Model peramalan mungkin tidak cukup Variasi-variasi yang tak beraturan Kesalahan penggunaan teknik peramalan

3-37

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)

3-38

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
3-39

Ramalan rantai suplai

Membagi ramalan dengan suplai dapat
Memperbaiki kualitas dalam rantai suplai Menurunkan biaya-biaya Memperpendek waktu tunggu

3-40

Exponential Smoothing

3-41

Rumus Tren Linear

3-42

Regresi Linear Sederhana

3-43

Pertanyaan?

3-44