FORECASTING

Seni dan Ilmu untuk

memperkirakan atau memprediksi
kejadian dimasa depan
 Hampir tidak ada bisnis
yang luput dari proses
peramalan

600 Perncanaan yang efektif

2006 baik jangka pendek
400
2007
200 maupun panjang sangat
2008
2009 0 tergantung pada
2006 2008 Peramalan Permintaan
 HORIZON WAKTU
Peramalan Jk. Pendek JK.
PENDEK
digunakan untuk
merencanakan:
Pembelian
Penjadwalan kerja
Jumlah tenaga kerja
PERAMALAN

Tingkat produksi, dll.

JK. JK.
Jangka waktu hingga 1 MENENGAH PANJANG

tahun tetapi umumnya

kurang dari 3 bulan
 HORIZON WAKTU
Peramalan Jangka JK.
PENDEK
Menengah digunakan
untuk merencanakan:
Penjualan
Anggaran produksi PERAMALAN

Anggaran kas
JK. JK.
MENENGAH PANJANG

Jangka waktu Bulanan

hingga 3 tahun
HORIZON WAKTU
Peramalan Jangka
JK.
PENDEK
Panjang digunakan
untuk merencanakan:
Produk baru
Pengembangan Pabrik
Litbang
PERAMALAN

JK. JK. Jangka waktu diatas 3

MENENGAH PANJANG
tahun
TYPES OF FORECASTING

Economic Forecast
Technological Forecast
Demand Forecast
 Economic Forecast
Merencanakan indikator ekonomi yang berguna
membantu organisasi untuk menyiapkan peramalan.
(inflasi)
Technological Forecast
Peramalan jangka panjang yang memperhatikan tingkat
kemajuan teknologi.
Demand Forecast
Meramalkan penjualan suatu perusahaan pada setiap
periode dalam horizon waktu.
FORECASTING APPROACH

Peramalan Kualitatif
Peramalan Kuantitatif
PERAMALAN KUALITATIF

Peramalan yang
menggabungkan faktor-
faktor seperti intuisi
pengambilan
keputusan, emosi,
pengalaman pribadi dll
PERMALAN KUALITATIF

Jury of Executive Opinion

(Keputusan Pendapat Juri Eksekutif)
Delphi Method (Metode Delphi)
Sales Force Composite
(Gabungan Tenaga Penjualan)
Consumer Market Survey
(Survei Pasar Konsumen)
Jury of Executive Opinion
Teknik peramalan yang
meminta segolongan
kecil manajer tingkat
tinggi dan
menghasilkan estimasi
permintaan kelompok
Delphi Method

Teknik peramalan yang

menggunakan proses
kelompok (expert, employee,
respondent) dimana para
pakar melakukan peramalan
Sales Force Composite
Teknik peramalan
berdasarkan prediksi
tenaga penjualan
terhadap besarnya
penjualan yang
memungkinkan dimasa
Orang-orang yang dapat yang akan datang
memprediksi masa depan tidak
akan pernah dihargai di masanya
sendiri
Pakar Kualitas PHILIP CROSBY
Consumer Market Demand

Metode peramalan
yang meminta input
dari para konsumen
mengenai rencana
pembelian mereka
di masa yang akan
datang
PERAMALAN
KUANTITATIF
Peramalan yang menggunakan satu
atau lebih model matematis dengan
data masa lalu dan variabel sebab
akibat untuk meramalkan permintaan
PERAMALAN KUANTITATIF
MODEL TIME
NAIVE APPROACH SERIES
MOVING AVERAGE
EXPONENTIAL SMOOTHING Menggunakan
sekumpulan data masa
lalu untuk peramalan

TREND PROJECTION Model Asosiatif

LINIER REGRESSION ANALYSIS (Hubungan sebab

akibat)
NAIVE APPROACH
100 Teknik peramalan yang
80
mengasumsikan
permintaan di periode
60
mendatang sama
40 dengan permintaan
20 pada periode terakhir
0
Januari Februari

Januari Februari
MOVING AVERAGE
Metode Bulan Penjualan Rata2 Bergerak 3-
Aktual Bulan
peramalan yang
Januari 20
menggunakan
rata-rata dari Februari 30
sejumlah (n) data Maret 45
terkini untuk April 31,7 (20+30+45)/3=31,7
meramalkan 50
periode
mendatang
0
J F M A
J F M A
 Moving Average dengan Pombobotan
Bobot yg Periode
diberikan
3 Bulan lalu (Maret)
2 Dua bulan lalu (Februari)
1 Tiga bulan lalu (Januari)
6 Total bobot

Bulan Penjualan Rata2 Bergerak dengan Pembobotan

Aktual 3-Bulan
Januari 20
Februari 30
Maret 45
April 35,8 {(3x45) + (2x30) + (1x20) / 6 = 35,8
MODEL ASOSIATIF

TREND PROJECTION
LINEAR REGRESSION
TREND PROJECTION
Trend Projection
(proyeksi tren)
y a bx
merupakan metode
a=
peramalan yang y
menyesuaikan sebuah n
garis tren pada
b=
xy
sekumpulan data masa
lalu, dan kemudian x 2

diproyeksikan dalam Y = Variabel Terikat (penjualan)

garis untuk meramalkan X = Variabel Bebas (waktu)
masa depan a = Konstanta
b = Koefisien Tren
n = Jumlah data (pengamatan)
Perkembangan Penjualan PT.X
Tahun Volume Penjualan (ton)
2003 2.847
2004 3.685
2005 4.065
2006 5.789
2007 7.639
2008 ?
2009 ?
 Th Penjualan X Y XY X
2003 2.874 -2 2.847 -5.748 4
2004 3.685 -1 3.685 -3.685 1
2005 4.065 0 4.065 0 0
2006 5.789 1 5.789 5.789 1
2007 7.639 2 7.639 155.278 4
=0 =24.052 =11.634 =10

y a bx Y = 4.810,4 + 1.164,4 X
a = Y/n = 24.052 / 5 = 4.810,4 Y2008 = 4.810,4 + 1.164,4 (3) =8.300,6
b = XY/X = 11.634 / 10 = 1.164,4 Y2009= 4.810,4 + 1.164,4 (4) =9.464
SIMPLE LINEAR REGRESSION

Model matematis
garis lurus yang y a bx
menjelaskan
hubungan fungsional
xy nx. y
b = x (x)2 2

antara satu variabel

terikat (dependent a y bx
variable) Y = Variabel Terikat
X = Variabel Bebas (bukan waktu)
a = Konstanta
b = Koefisien regresi
n = Jumlah data (pengamatan)
 Case:
Perusahaan Konstruksi Nodel, West Bloomfield
Perusahaan Konstruksi Nodel Years Sales Wages
merenovasi sejumlah rumah
tua di West Bloomfield,
2002 20 1
Michigan. 2003 30 3
Sejalan dengan waktu, 2004 25 4
perusahaan mendapati bahwa
biaya pekerjaan renovasinya 2005 20 2
tergantung pada tingkat 2006 20 1
penghasilan penduduk yaitu
2007 35 7
upah lokal di West
Bloomfield. Jika kantor perdagangan lokal
Tabel berikut ini memperkirakan upah wilayah
menunjukkan penjualan West Bloomfield tahun 2008
Nodel dan upah lokal selama adalah 6, Tentukan perkiraan
masa 6 tahun penjualan Nodel tahun 2008?
 Years Sales (Y) Wages (X) X XY
2002 20 1 1 20
2003 30 3 9 90
2004 25 4 16 100
2005 20 2 4 40
2006 20 1 1 20
2007 35 7 49 245
Y=150 X=18 X=80 XY=515
Y 25 X 3
y a bx Y 17,5 2,5.(upah)
xy nx. y 515 (6).(3).(25) = 2,5
b=
x x
2 2
=
80 (6).(3)2
Y 17,5 2,5.(6)
a y bx 25 2,5.(3) 17,5 Sales (2008) 32,5
 SALES

40

32,5
30 Garis Regresi
Y= 17,5 + 2,5 X

20

a= 17,5
10

1 2 3 4 5 6 7 WAGES
 Untuk menghitung keakuratan regresi yang
diperkirakan, harus dihitung Kesalahan Standar
Estimasi (Standard error of the estimate). Perhitungan
ini disebut Deviasi Standar Regresi (Standard
Deviation of the Regression)

S y. x
a y b xy
y 2

n2
Case: Perusahaan Konstruksi Nodel

S y. x
a y b xy
y 2

n2

3950 17,5.(150) 2,5(515)
62
3,06

Maka kesalahan standar estimasi adalah 3,06 dalam

Penjualan (Sales)
 KOEFISIEN KORELASI

Suatu teknik statistik untuk menentukan

kekuatan hubungan antara dua variabel
 KOEFISIEN KORELASI

n xy x. y
r
n x 2

( x ) 2 . n y 2 ( y ) 2
 Case: Nodel
n xy x. y
r
n x ( x) . n y ( y)
2 2 2 2

r 0,901

Correlations
Model Summaryb
y x
y Pears on Correlation 1 .901*
Sig. (2-tailed) .014 Adjusted Std. Error of Durbin-
N 6 6 Model R R Square R Square the Estimate Watson
x Pears on Correlation .901* 1 1 .901 a .813 .766 3.062 2.333
Sig. (2-tailed) .014
N 6 6
a. Predictors: (Constant), x
*. Correlation is s ignificant at the 0.05 level (2-tailed). b. Dependent Variable: y