PERTEMUAN 4 - univbsi.idunivbsi.id/pdf/2017/790/790-P04.pdf · Contoh : Tupperware →13 pabrik di...
Transcript of PERTEMUAN 4 - univbsi.idunivbsi.id/pdf/2017/790/790-P04.pdf · Contoh : Tupperware →13 pabrik di...
![Page 1: PERTEMUAN 4 - univbsi.idunivbsi.id/pdf/2017/790/790-P04.pdf · Contoh : Tupperware →13 pabrik di seluruh dunia, ... Penghalusan eksponensial 4. Proyeksi tren 5. Regresi linear Time](https://reader031.fdocuments.net/reader031/viewer/2022020206/5d290ab188c99324158c20e6/html5/thumbnails/1.jpg)
PERTEMUAN 4
FORECASTING
![Page 2: PERTEMUAN 4 - univbsi.idunivbsi.id/pdf/2017/790/790-P04.pdf · Contoh : Tupperware →13 pabrik di seluruh dunia, ... Penghalusan eksponensial 4. Proyeksi tren 5. Regresi linear Time](https://reader031.fdocuments.net/reader031/viewer/2022020206/5d290ab188c99324158c20e6/html5/thumbnails/2.jpg)
FORECASTING ???
“Seni dan ilmu untuk memperkirakan kejadian di masa depan.”
Contoh :
Tupperware → 13 pabrik di seluruh dunia,dengan penjualan di lebih dari 100 negara.
![Page 3: PERTEMUAN 4 - univbsi.idunivbsi.id/pdf/2017/790/790-P04.pdf · Contoh : Tupperware →13 pabrik di seluruh dunia, ... Penghalusan eksponensial 4. Proyeksi tren 5. Regresi linear Time](https://reader031.fdocuments.net/reader031/viewer/2022020206/5d290ab188c99324158c20e6/html5/thumbnails/3.jpg)
FORECASTING BERDASARKAN HORIZON WAKTU :
• Forecasting jangka pendek → < 3 bulan – 1 tahun (forecasting pembelian, penjadwalan kerja, tingkat produksi)
• Forecasting jangka menengah → bulanan – 3 tahun (forecasting penjualan, anggaran produksi, anggaran kas)
• Forecasting jangka panjang → > 3 tahun (forecasting produk baru, pembelanjaan modal, pengembangan fasilitas, litbang)
![Page 4: PERTEMUAN 4 - univbsi.idunivbsi.id/pdf/2017/790/790-P04.pdf · Contoh : Tupperware →13 pabrik di seluruh dunia, ... Penghalusan eksponensial 4. Proyeksi tren 5. Regresi linear Time](https://reader031.fdocuments.net/reader031/viewer/2022020206/5d290ab188c99324158c20e6/html5/thumbnails/4.jpg)
PENGARUH SIKLUS HIDUP PRODUK TERHADAP FORECASTING PENJUALAN
![Page 5: PERTEMUAN 4 - univbsi.idunivbsi.id/pdf/2017/790/790-P04.pdf · Contoh : Tupperware →13 pabrik di seluruh dunia, ... Penghalusan eksponensial 4. Proyeksi tren 5. Regresi linear Time](https://reader031.fdocuments.net/reader031/viewer/2022020206/5d290ab188c99324158c20e6/html5/thumbnails/5.jpg)
JENIS FORECASTING
1. Economic Forecast
Menjelaskan siklus bisnis dengan memprediksikan tingkat
inflasi, ketersediaan uang, anggaran, dsb
2. Technological Forecast
Memperhatikan tingkat kemajuan teknologi yang
berhubungan dengan peluncuran produk baru, peralatan
atau fasilitas pabrik, dsb
3. Demand Forecast / Sales Forecast
Proyeksi permintaan untuk produk suatu perusahaan
![Page 6: PERTEMUAN 4 - univbsi.idunivbsi.id/pdf/2017/790/790-P04.pdf · Contoh : Tupperware →13 pabrik di seluruh dunia, ... Penghalusan eksponensial 4. Proyeksi tren 5. Regresi linear Time](https://reader031.fdocuments.net/reader031/viewer/2022020206/5d290ab188c99324158c20e6/html5/thumbnails/6.jpg)
7 LANGKAH SISTEM PERAMALAN
1. Menetapkan tujuan forecasting
2. Memilih unsur apa yang akan diramal
3. Menentukan horizon waktu
4. Memilih tipe model forecasting
5. Mengumpulkan data yang diperlukan
6. Membuat forecasting
7. Memvalidasi dan menerapkan hasilforecasting
![Page 7: PERTEMUAN 4 - univbsi.idunivbsi.id/pdf/2017/790/790-P04.pdf · Contoh : Tupperware →13 pabrik di seluruh dunia, ... Penghalusan eksponensial 4. Proyeksi tren 5. Regresi linear Time](https://reader031.fdocuments.net/reader031/viewer/2022020206/5d290ab188c99324158c20e6/html5/thumbnails/7.jpg)
2 PENDEKATAN UMUM FORECASTING
1. Analisis Kualitatif
Menggabungkan faktor, seperti intuisi, emosi, pengalaman pribadi, dan sistem nilai pengambil keputusan
2. Analisis Kuantitatif
Menggunakan model matematis yang beragam dengan data masa lalu dan variabel sebab akibat untuk meramalkan permintaan
![Page 8: PERTEMUAN 4 - univbsi.idunivbsi.id/pdf/2017/790/790-P04.pdf · Contoh : Tupperware →13 pabrik di seluruh dunia, ... Penghalusan eksponensial 4. Proyeksi tren 5. Regresi linear Time](https://reader031.fdocuments.net/reader031/viewer/2022020206/5d290ab188c99324158c20e6/html5/thumbnails/8.jpg)
METODE KUALITATIF
1. Keputusan dari pendapat juri eksekutif
2. Metode delphi
3. Gabungan dari tenaga penjualan
4. Survey pasar konsumen
![Page 9: PERTEMUAN 4 - univbsi.idunivbsi.id/pdf/2017/790/790-P04.pdf · Contoh : Tupperware →13 pabrik di seluruh dunia, ... Penghalusan eksponensial 4. Proyeksi tren 5. Regresi linear Time](https://reader031.fdocuments.net/reader031/viewer/2022020206/5d290ab188c99324158c20e6/html5/thumbnails/9.jpg)
METODE KUANTITATIF
1. Pendekatan naif
2. Rata-rata bergerak
3. Penghalusan eksponensial
4. Proyeksi tren
5. Regresi linear Time series
Asosiatif
![Page 10: PERTEMUAN 4 - univbsi.idunivbsi.id/pdf/2017/790/790-P04.pdf · Contoh : Tupperware →13 pabrik di seluruh dunia, ... Penghalusan eksponensial 4. Proyeksi tren 5. Regresi linear Time](https://reader031.fdocuments.net/reader031/viewer/2022020206/5d290ab188c99324158c20e6/html5/thumbnails/10.jpg)
4 KOMPONEN TIME SERIES1. Tren
Pergerakan data sedikit demi sedikt meningkat
atau menurun
2. Musim
Pola data yang berulang pada kurun waktu tertentu
(hari, minggu, bulan, atau kuartal)
3. Siklus
Pola dalam data yang terjadi setiap beberapa
tahun
4. Variasi acak
Satu titik dalam data, yang disebabkan oleh
peluang dan situasi yang tidak biasa.
![Page 11: PERTEMUAN 4 - univbsi.idunivbsi.id/pdf/2017/790/790-P04.pdf · Contoh : Tupperware →13 pabrik di seluruh dunia, ... Penghalusan eksponensial 4. Proyeksi tren 5. Regresi linear Time](https://reader031.fdocuments.net/reader031/viewer/2022020206/5d290ab188c99324158c20e6/html5/thumbnails/11.jpg)
PENDEKATAN NAIF
➔ Permintaan di periode mendatang sama dengan permintaan pada periode terakhir.
![Page 12: PERTEMUAN 4 - univbsi.idunivbsi.id/pdf/2017/790/790-P04.pdf · Contoh : Tupperware →13 pabrik di seluruh dunia, ... Penghalusan eksponensial 4. Proyeksi tren 5. Regresi linear Time](https://reader031.fdocuments.net/reader031/viewer/2022020206/5d290ab188c99324158c20e6/html5/thumbnails/12.jpg)
RATA-RATA BERGERAK
![Page 13: PERTEMUAN 4 - univbsi.idunivbsi.id/pdf/2017/790/790-P04.pdf · Contoh : Tupperware →13 pabrik di seluruh dunia, ... Penghalusan eksponensial 4. Proyeksi tren 5. Regresi linear Time](https://reader031.fdocuments.net/reader031/viewer/2022020206/5d290ab188c99324158c20e6/html5/thumbnails/13.jpg)
Contoh :Data penjualan sepatu di Good’s Shoes adalah sebagai berikut :
Hitunglah forecasting untuk bulan April dan Mei (jika permintaan aktual bulan April adalah 15) dengan metode rata-rata bergerak dan rata-rata bergerak dengan pembobotan !
BULAN PENJUALAN AKTUAL
Januari 10
Februari 12
Maret 13
BOBOT PERIODE
3 Bulan lalu
2 Dua bulan lalu
1 Tiga bulan lalu
![Page 14: PERTEMUAN 4 - univbsi.idunivbsi.id/pdf/2017/790/790-P04.pdf · Contoh : Tupperware →13 pabrik di seluruh dunia, ... Penghalusan eksponensial 4. Proyeksi tren 5. Regresi linear Time](https://reader031.fdocuments.net/reader031/viewer/2022020206/5d290ab188c99324158c20e6/html5/thumbnails/14.jpg)
PENGHALUSAN EKSPONENSIAL
Keterangan :Ft = peramalan baruFt-1 = peramalan sebelumnyaα = konstanta penghalus (0≤α≤1)At-1 = permintaan aktual periodelalu
“Metode peramalan rata-rata bergerak dengan pembobotan yang lebih canggih”
![Page 15: PERTEMUAN 4 - univbsi.idunivbsi.id/pdf/2017/790/790-P04.pdf · Contoh : Tupperware →13 pabrik di seluruh dunia, ... Penghalusan eksponensial 4. Proyeksi tren 5. Regresi linear Time](https://reader031.fdocuments.net/reader031/viewer/2022020206/5d290ab188c99324158c20e6/html5/thumbnails/15.jpg)
Contoh :
Pada bulan Januari, sebuah dealer mobil memprediksi permintaan Ford Mustang di bulan Februari sebanyak 142 mobil. Permintaan aktual bulan Februari adalah 153 mobil. Dengan menggunakan konstanta penghalusan yang dipilih oleh pihak manajemen α = 0,2, hitunglah forecasting permintaan di bulan Maret dengan menggunakan model penghalusan eksponensial!
![Page 16: PERTEMUAN 4 - univbsi.idunivbsi.id/pdf/2017/790/790-P04.pdf · Contoh : Tupperware →13 pabrik di seluruh dunia, ... Penghalusan eksponensial 4. Proyeksi tren 5. Regresi linear Time](https://reader031.fdocuments.net/reader031/viewer/2022020206/5d290ab188c99324158c20e6/html5/thumbnails/16.jpg)
PROYEKSI TREN“Teknik yang mencocokkan garis tren pada serangkaian data masa lalu dan kemudian memproyeksikan garis pada masa
datang untuk peramalan jangka menengah atau jangka panjang.”
Keterangan :
y = variabel terikat
a = persilangan sumbu y
b = kemiringan garis regresi
X = variabel bebas (waktu)
![Page 17: PERTEMUAN 4 - univbsi.idunivbsi.id/pdf/2017/790/790-P04.pdf · Contoh : Tupperware →13 pabrik di seluruh dunia, ... Penghalusan eksponensial 4. Proyeksi tren 5. Regresi linear Time](https://reader031.fdocuments.net/reader031/viewer/2022020206/5d290ab188c99324158c20e6/html5/thumbnails/17.jpg)
Contoh :Permintaan daya listrik PLN dapat dilihat pada data berikut ini (dalam satuan megawatt) :
Hitunglah forecast tahun 2011 dengan menempatkan satu tren garis lurus yang paling sesuai dari data tersebut !
TAHUN PERMINTAAN DAYA LISTRIK
2004 74
2005 79
2006 80
2007 90
2008 105
2009 142
2010 122
![Page 18: PERTEMUAN 4 - univbsi.idunivbsi.id/pdf/2017/790/790-P04.pdf · Contoh : Tupperware →13 pabrik di seluruh dunia, ... Penghalusan eksponensial 4. Proyeksi tren 5. Regresi linear Time](https://reader031.fdocuments.net/reader031/viewer/2022020206/5d290ab188c99324158c20e6/html5/thumbnails/18.jpg)
REGRESI LINEAR
“Model matematis yang sama dengan yang digunakanpada metode kuadrat terkecil dari proyeksi tren.”
Keterangan :
y = variabel terikat
a = persilangan sumbu y
b = kemiringan garis regresi
X = variabel bebas
![Page 19: PERTEMUAN 4 - univbsi.idunivbsi.id/pdf/2017/790/790-P04.pdf · Contoh : Tupperware →13 pabrik di seluruh dunia, ... Penghalusan eksponensial 4. Proyeksi tren 5. Regresi linear Time](https://reader031.fdocuments.net/reader031/viewer/2022020206/5d290ab188c99324158c20e6/html5/thumbnails/19.jpg)
Contoh :Perusahaan konstruksi Nodel merenovasi sejumlah rumah tua di West Bloomfield. Sejalan dengan waktu, perusahaan mendapati bahwa biaya pekerjaan renovasinya bergantung pada tingkat penghasilan penduduk yaitu jumlah upah lokal di West Bloomfield. Data dapat dilihat pada tabel berikut ini :
Buatlah persamaan matematis dengan menggunakan pendekatan regresi!
PENJUALAN($000.000)
UPAH LOKAL($000.000.000)
2 1
3 3
2,5 4
2 2
2 1
3,5 7
![Page 20: PERTEMUAN 4 - univbsi.idunivbsi.id/pdf/2017/790/790-P04.pdf · Contoh : Tupperware →13 pabrik di seluruh dunia, ... Penghalusan eksponensial 4. Proyeksi tren 5. Regresi linear Time](https://reader031.fdocuments.net/reader031/viewer/2022020206/5d290ab188c99324158c20e6/html5/thumbnails/20.jpg)
Latihan Soal
1. Menjelaskan siklus bisnis dengan memprediksikan tingkat
inflasi, ketersediaan uang, anggaran, dsb merupakan jenis
forecasting yang disebut dengan:
a. Economic Forecast
b. Technological Forecast
c. Demand Forecast
d. Sales Forecast
e. Product Forecast
![Page 21: PERTEMUAN 4 - univbsi.idunivbsi.id/pdf/2017/790/790-P04.pdf · Contoh : Tupperware →13 pabrik di seluruh dunia, ... Penghalusan eksponensial 4. Proyeksi tren 5. Regresi linear Time](https://reader031.fdocuments.net/reader031/viewer/2022020206/5d290ab188c99324158c20e6/html5/thumbnails/21.jpg)
Latihan Soal
2. Memperhatikan tingkat kemajuan teknologi yang
berhubungan dengan peluncuran produk baru, peralatan
atau fasilitas pabrik, dsbmerupakan jenis forecasting yang
disebut dengan:
a. Economic Forecast
b. Technological Forecast
c. Demand Forecast
d. Sales Forecast
e. Product Forecast
![Page 22: PERTEMUAN 4 - univbsi.idunivbsi.id/pdf/2017/790/790-P04.pdf · Contoh : Tupperware →13 pabrik di seluruh dunia, ... Penghalusan eksponensial 4. Proyeksi tren 5. Regresi linear Time](https://reader031.fdocuments.net/reader031/viewer/2022020206/5d290ab188c99324158c20e6/html5/thumbnails/22.jpg)
Latihan Soal
3. Pergerakan data sedikit demi sedikt meningkat atau menurun,
dalam komponen time series disebut:
a. Tren
b. Musim
c. Siklus
d. Variasi acak
e. Fluktuatif
![Page 23: PERTEMUAN 4 - univbsi.idunivbsi.id/pdf/2017/790/790-P04.pdf · Contoh : Tupperware →13 pabrik di seluruh dunia, ... Penghalusan eksponensial 4. Proyeksi tren 5. Regresi linear Time](https://reader031.fdocuments.net/reader031/viewer/2022020206/5d290ab188c99324158c20e6/html5/thumbnails/23.jpg)
Latihan Soal
4. Pola data yang berulang pada kurun waktu tertentu
(hari, minggu, bulan, atau kuartal), dalam komponen
time series disebut:
a. Tren
b. Musim
c. Siklus
d. Variasi acak
e. Fluktuatif
![Page 24: PERTEMUAN 4 - univbsi.idunivbsi.id/pdf/2017/790/790-P04.pdf · Contoh : Tupperware →13 pabrik di seluruh dunia, ... Penghalusan eksponensial 4. Proyeksi tren 5. Regresi linear Time](https://reader031.fdocuments.net/reader031/viewer/2022020206/5d290ab188c99324158c20e6/html5/thumbnails/24.jpg)
Latihan Soal
5. Pola dalam data yang terjadi setiap beberapa
tahun dalam komponen time series disebut:
a. Tren
b. Musim
c. Siklus
d. Variasi acak
e. Fluktuatif