Anda di halaman 1dari 44

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

3-3
Penggunaan Ramalan

Akuntansi Perkiraan biaya/keuntungan

Keuangan Arus kas dan pendanaan

Sumberdaya manusia Penerimaan pegawai/training

Pemasaran Penetapan harga, promosi,


strategi
SIM TI/SI systems, layanan-
layanan
Operasional Jadwal, MRP, beban kerja

Disain produk/jasa 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 variabel-
variabel 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 (Naïve 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=
n
 Rata-rata bergerak tertimbang – Nilai-nilai baru
dalam sebuah rangkaian diberikan berat lebih
dalam peramalan.
wnAt-n + … wn-1At-2 + w1At-1
Ft = WMAn=
n
3-16
Rata-rata Bergerak Sederhana
Actual
MA5
47
45
43
41
39
37 MA3
35
1 2 3 4 5 6 7 8 9 10 11 12

At-n + … At-2 + At-1


Ft = MAn=
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 Actual Alpha = 0.1 Error Alpha = 0.4 Error


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

3-20
Nilai Alpha
Nilai α  0 < α < 1

Semakin dekat nilai α dengan 0, semakin jauh


nilai ramalan dengan nilai aktual. Sebaliknya,
semakin besar dekat nilai α dengan 1, semakin
dekat nilai ramalan aktual.

3-21
Memilih Nilai Alpha

Actual
50
.4
 .1
Demand

45

40

35
1 2 3 4 5 6 7 8 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
n t - (  t) 2

 y - b t
a =
n

3-25
Contoh Rumus Tren Linear
t y
2
Week t Sales ty
1 1 150 150
2 4 157 314
3 9 162 486
4 16 166 664
5 25 177 885

 t = 15 t = 55  y = 812  ty = 2499


2
2
(t) = 225

3-26
Penghtiungan Tren 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

3-27
Teknik-teknik untuk Musiman
 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.

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 Y Hubungan yang dihitung
7 15
2 10
6 13 50

4 15 40

14 25 30

15 27 20

10
16 24
0
12 20 0 5 10 15 20 25

14 27
20 44
15 34 Sebuah garis lurus dicocokan ke suatu
7 17 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

 Actual  forecast
MAD =
n
2
 ( Actual  forecast)
MSE =
n -1

( Actual  forecast / Actual*100)


MAPE =
n

3-33
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 Actual Forecast (A-F) |A-F| (A-F)^2 (|A-F|/Actual)*100


1 217 215 2 2 4 0.92
2 213 216 -3 3 9 1.41
3 216 215 1 1 1 0.46
4 210 214 -4 4 16 1.90
5 213 211 2 2 4 0.94
6 219 214 5 5 25 2.28
7 216 217 -1 1 1 0.46
8 212 216 -4 4 16 1.89
-2 22 76 10.26

MAD= 2.75
MSE= 10.86
MAPE= 1.28

3-35
Pengawasan Ramalan
 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
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