MGMT6170
Business Quantitative Methods
Week 3
Forecasting
2. Peserta diharapkan mampu menerapkan konsep matematika dengan benar dan konsep
matematis dalam menyelesaikan suatu masalah bisnis.
3.1.Introduction
3.2.Types of Forecasting Models
3.3.Components of Time-Series
3.4.Measures of Forecast Acuracy
3.5.Forecasting Models-Random Variations Only
3.6.Forecasting Models-Trend and Random Variation
3.7.Forecasting Models-Trend, Seasonal, and Random Variations
3.8.Monitoring and Controlling Forecast
Setiap hari, manajer membuat keputusan tanpa mengetahui apa yang akan terjadi
di masa depan. Inventory diadakan meskipun tidak ada yang tahu apa yang akan
dijual, peralatan baru dibeli meskipun tidak ada yang tahu permintaan untuk produk,
dan investasi dibuat meskipun tidak ada yang tahu apa keuntungannya. Manajer selalu
berusaha mengurangi ketidakpastian ini dan membuat perkiraan yang lebih baik
tentang apa yang akan terjadi di masa yang akan datang. Mencapai ini adalah tujuan
utama dari peramalan.
Ada banyak cara untuk meramalkan masa depan. Di banyak perusahaan (terutama
yang lebih kecil), seluruh proses bersifat subyektif, yang melibatkan metode-metode,
intuisi, dan pengalaman selama bertahun-tahun.
Ada juga teknik peramalan yang lebih formal, baik kuantitatif dan kualitatif. Fokus
sesi ini adalah memahami model deret waktu dan menentukan model mana yang
berfungsi paling baik dengan sekumpulan data tertentu.
Delphi Method. Proses kelompok iteratif ini memungkinkan para ahli, yang mungkin
berada di tempat yang berbeda, untuk membuat ramalan. Ada tiga jenis peserta yang
berbeda dalam proses Delphi: pengambil keputusan, personil staf, dan responden.
Kelompok pengambilan keputusan biasanya terdiri dari 5 hingga 10 ahli yang akan
membuat perkiraan yang sebenarnya. Personil staf membantu pengambil keputusan
dengan menyiapkan, mendistribusikan, mengumpulkan, dan merangkum serangkaian
kuesioner dan hasil survei. Responden adalah sekelompok orang yang penilaiannya
dinilai. Kelompok ini memberikan masukan kepada pengambil keputusan sebelum
ramalan dibuat.
Dalam metode Delphi, ketika hasil kuesioner pertama diperoleh, hasilnya dirangkum,
dan kuesioner dimodifikasi. Baik ringkasan hasil maupun kuesioner baru kemudian
dikirim ke responden untuk memperolah tanggapan. Para responden, setelah melihat
hasil dari kuesioner pertama, dapat melihat hal-hal secara berbeda dan dapat
mengubah tanggapan asli mereka. Proses ini diulang dengan harapan bahwa
Model Kausal
Berbagai model peramalan kuantitatif tersedia ketika data angka terakhir tersedia.
Model peramalan diidentifikasi sebagai model kausal jika variabel yang akan
diramalkan dipengaruhi oleh atau berkorelasi dengan variabel lain yang termasuk
dalam model. Misalnya, penjualan harian air botolan mungkin tergantung pada suhu
rata-rata, kelembaban rata-rata, dan sebagainya. Model kausal akan mencakup faktor-
faktor seperti ini dalam model matematika. Model regresi dan model lain yang lebih
kompleks akan diklasifikasikan sebagai model kausal.
3.3.Components of Time-Series
Deret waktu adalah urutan nilai yang dicatat pada interval waktu berturut-turut.
Interval dapat berupa hari, minggu, bulan, tahun, atau unit waktu lainnya. Contohnya
termasuk penjualan mingguan komputer pribadi HP, laporan penghasilan triwulan
Komponen acak (R) terdiri dari variasi yang tidak teratur dan tidak dapat
diprediksi dalam suatu deret waktu. Setiap variasi dalam rangkaian waktu yang tidak
dapat dikaitkan dengan variasi tren, musiman, atau siklus akan jatuh ke dalam
kategori ini. Jika data untuk rangkaian waktu cenderung sejajar tanpa tren yang dapat
dilihat atau pola musiman, variasi acak akan menjadi penyebab untuk setiap
perubahan dari satu periode waktu ke periode berikutnya. Deret 1 dalam Gambar 3.2
adalah contoh deret waktu hanya dengan komponen acak.
Ada dua bentuk umum model deret waktu dalam statistik. Yang pertama adalah
model multiplikatif, yang mengasumsikan bahwa permintaan adalah produk dari
empat komponen. Dinyatakan sebagai berikut:
Demand = T x S x C x R
Model aditif menambahkan komponen bersama untuk memberikan perkiraan.
Multiple regression (regresi berganda) sering digunakan untuk mengembangkan
model aditif. Hubungan aditif ini dinyatakan sebagai berikut:
Demand = T + S + C + R
Untuk mengilustrasikan cara menghitung ukuran akurasi, model naif akan digunakan
untuk memperkirakan satu periode ke masa depan. Model naif tidak mencoba untuk
mengatasi salah satu komponen dari rangkaian waktu, tetapi sangat cepat dan mudah
digunakan. Perkiraan naif untuk periode waktu berikutnya adalah nilai aktual yang
diamati dalam periode waktu saat ini. Misalnya, seseorang meminta Anda
memperkirakan suhu tinggi di kota Anda untuk besok. Jika Anda memperkirakan
suhu menjadi apa pun suhu tinggi hari ini, ramalan Anda akan menjadi ramalan yang
naif. Teknik ini sering digunakan jika ramalan dibutuhkan dengan cepat dan akurasi
bukanlah perhatian utama.
Pertimbangkan penjualan distributor Speaker nirkabel Walker yang ditunjukkan pada
Tabel 3.1. Misalkan di masa lalu, Walker meramalkan penjualan untuk setiap bulan
menjadi penjualan yang benar-benar tercapai di bulan sebelumnya. Tabel 3.1
memberikan perkiraan ini serta nilai absolut dari kesalahan. Dalam perkiraan untuk
periode waktu berikutnya (bulan 11), perkiraan akan menjadi 190. Perhatikan bahwa
tidak ada kesalahan dihitung untuk bulan 1, karena tidak ada perkiraan untuk bulan
ini, dan tidak ada kesalahan untuk bulan 11, karena sebenarnya nilai ini belum
diketahui. Jadi, jumlah kesalahan (n) adalah 9.
Tampak bahwa:
Hasil dari perkiraan rata-rata tertimbang Wallace Garden Supply ditunjukkan pada Tabel 3.3.
Dalam situasi peramalan khusus ini, Tampak bahwa pembobotan bulan terakhir lebih banyak
memberikan proyeksi yang jauh lebih akurat, dan menghitung MAD untuk masing-masing ini
akan memverifikasi ini.
Exponential smoothing adalah metode peramalan yang mudah digunakan dan ditangani
secara efisien oleh komputer. Meskipun ini adalah jenis teknik rata-rata bergerak, ini
melibatkan sedikit pencatatan data masa lalu. Rumus pemulusan eksponensial dasar dapat
ditunjukkan sebagai berikut:
Seasonal Variation
Indeks seasonal menunjukkan bagaimana musim (season) tertentu dibandingkan
dengan season rata-rata.
- Index 1 menunjukkan season rat-rata.
- Index > 1 menunjukkan season lebih tinggi dari rata-rata
- Index < 1 menunjukkan season lebih rendah dari rata-rata.
Seasonal Indices
Membagi nilai rata-rata untuk setiap season dengan rata-rata dari semua data
o Data penjualan dua tahun terakhir untuk satu model
o Membuat peramalan yang mencakup seasonality
b1 = 2.34 b0 = 124.78
Ŷ = 124.78 + 2.34X
Susunlah peramalan untuk kuartal 1, tahun 4 ( X = 13) menggunakan trend ini dan kalikan
peramalannya dengan indeks seasonal yang tepat.
Ŷ = 124.78 + 2.34(13)
= 155.2 (before seasonality adjustment)
Regresi berganda dapat digunakan untuk peramalan dengan rend maupun komponen seasonal
X2 = 1 jika kuartal 2
X3 = 1 jika kuartal 3
X4 = 1 jika kuartal 4
RSFE
Tracking signal =
MAD
=
å(forecast error)
MAD
MAD =
å forecast error
n
Heizer, Jay., Stair, Ralph M., Hanna, Michael E., and Hale, Trevor S. 2017. Quantitative
Analysis for Management. Golbal Edition. Thirteen Edition. Pearson Education Limited.