Makalah Peramalan

PENDAHULUAN

Setiap hari para manajer seperti halnya manajer Tupperware membuat keputusan tanpa mengetahui apa yang akan terjadi dimasa depan. Mereka memesan persediaan tanpa mengetahui bagaimana penjualan, membeli peralatan baru tanpa kejelasan mengenai permintaan produk, dan membuat investasi tanpa mengetaui bagaimana keuntungannya. Para manajer selalu berusaha membuat prediksi apa yang akan terjadi dimasa depan dalam lingkup ketidakpastian. Membuat prediksi yang baik adalah tujuan utama dari peramalan. Didalam makalah ini akan terlihat jenis-jenis peramalan yang menyajikan beragam model peramalan. Tujuannya adalah untuk menunjukkan bahwa ada banyak jalan bagi para manajer untuk membuat peramalan, dalam makalah ini juga membahas peramalan penjualan bisnis dan menjelaskan cara untuk menyiapkan, mengawasi dan menentukan ketepatan suatu peramalan. Peramalan yang baik adalah bagian yang sangat penting dari operasi pelayanan dan manuaktur yang eisien.

Titles you can't find anywhere else

Try Scribd FREE for 30 days to access over 125 million titles without ads or interruptions! Start Free Trial Cancel Anytime.







APAKAH APAKAH PERAMALAN ITU? Peramalan (Forecasting ! adalah seni dan ilmu untuk memperkirakan

kejadian di masa depan. "al ini dapat dilakukan dengan melibatkan pengambilan data masa lalu dan menempatkannya kemasa yang akan datang dengan suatu bentuk model matematis. #isa juga merupakan prediksi intuisi yang bersiat subjekti. $tau bisa juga dengan menggunakan kombinasi model matematis yang disesuaikan dengan pertimbangan yang baik dari seorang manajer. Meramal Horizon Waktu

Peramalan biasanya diklasiikasikan berdasarkan hori%on waktu, masa depan yang dicakupkan. "ori%on waktu terbagi atas beberapa kategori & '. Peramalan Peramalan jangka jangka pendek. pendek. Peramalan Peramalan ini mencakup mencakup jangka jangka waktu waktu hingga hingga ' tahun tetapi umumya kurang dari ( bulan. Peramalan ini digunakan untuk merencanakan pembelian, penjadwalan kerja, jumlah tenaga kerja, penugasan kerja, dan tingkat produksi. ). Peramalan Peramalan jangka jangka menengah menengah.. Peramalan Peramalan jangka jangka menengah menengah atau intermediate, umumnya mencakup hitungan bulanan hingga ( tahun.

Peramalan ini berguna untuk merencanakan penjualan, perencanaan dan anggaran produksi, anggaran kas, dan menganalisis bermacam-macam rencana operasi. (. Peramalan Peramalan jangka jangka panjang. panjang. *mumnya *mumnya untuk untuk perencana perencanaan an ( tahun atau atau lebih. Peramalan jangka panjang digunakan untuk merencanakan produk baru, pembelanjaan modal, lokasi atau pengembangan asilitas, serta penelitian dan pengembangan +litbang! Peramalan jangka menengah dan jangka panjang dapat dibedakan dari peramalan jangka pendek dengan melihat tiga hal & '. Peramalan Peramalan jangka jangka menengah menengah dan dan jangka jangka panjang panjang berkaitan berkaitan dengan permasalahan yang lebih menyeluruh dan mendukung keputusan manajemen yang berkaitan dengan perencanaan produk, pabrik, dan proses. ). Peramalan Peramalan jangka jangka pendek, pendek, teknik teknik matematika, matematika, seperti seperti rata-rata bergerak, bergerak, penghalusan eksponensial, dan eksplorasi tren. (. aktor-aktor aktor-aktor yang yang mempengaruh mempengaruhii perubahan perubahan permintaan permintaan berubah setiap hari. Dengan demikian sejalan dengan semakin panjangnya hori%on







"ampir semua produk yang berhasil melalui empat tahapan & +'! perkenalan, +)! pertumbuhan, +(! kematangan, +! penurunan. Produk dalam dua tahapan pertama siklus produk + seperti virtual dengan vitur beresolusi tinggi! membutuhkan peramalan yang lebih reality dengan panjang daripada produk yang berada pada tahapan matang dan penurunan. Peramalan yang menggambarkan siklus hidup, berguna dalam memproyeksikan tingkat penempatan pekerja yang berbeda-beda, penentuan tingkat persediaan dan kapasitas pabrik sepanjang produk melewati tahapan awal hingga akhir. #ENIS PERAMALAN

rganisasi pada umumnya menggunakan tiga tipe peramalan yang utama dalam merencanakan operasi di masa depan& '. Pera Perama mala lan n ekon ekonom omii + economic forecast ! menjelaskan siklus bisnis dengan memprediksikan tingkat inlasi, ketersediaan uang, dana yang dibutuhkan untuk membangun perumahan dan indikator perencanaan lain ). Pera Peramal malan an tekno teknolog logii +technical forecast ! memperhatikan tingkat kemajuan teknologi yang dapat meluncurkan produk baru yang menarik, yang membutuhkan pabrik dan peralatan baru. (. Pera Peramal malan an permin perminta taan an + demand forecast ! adalah proyeksi permintaan untuk produk atau layanan suatu perusahaan. KEPENTIN$AN STRA STR ATE$IS PERAMALAN

Peramalan yang baik sangat penting dalam semua aspek bisnis& peramalan merupakan satu-satunya prediksi atas permintaan yang sebenarbenarnya diketahui. Peramalan permintaan mengendalikan keputusan di banyak bidang. Dampak peramalan produk pada tiga aktivitas & '. Sumb Sumber er Day Daya a Manu Manusi sia a Mempekerjakan, melatih, dan memberhentikan pekerja, semua tergantung pada permintaan. /ika departemen sumber daya manusia harus mempekerjakan pekerja tambahan tanpa adanya persiapan, akibatnya







Saat kapasitas tidak mencukupi, kekurangan yang diakibatkannya bisa berarti tidak terjaminnya pengiriman, kehilangan konsumen, dan kehilangan pangsa pasar. (. Mana Manajem jemen en 1ant 1antai ai Paso Pasoka kan n "ubungan yang baik dengan pemasok, dan harga barang dan komponen yang bersaing, bergantung pada peramalan yang akurat TU#UH LAN$KAH SISTEM PERAMALAN PER AMALAN

'. ). (. . 2. 3. 4.

Menet Menetap apkan kan tuju tujuan an perama peramalan lan Memilih Memilih unsu unsurr apa apa yang yang akan akan diramal diramal Menentuk Menentukan an hori%o hori%on n waktu waktu peram peramalan alan Memil Memilih ih tipe tipe mode modell perama peramalan lan Mengumpulkan Mengumpulkan data yang diperlukan diperlukan untuk melakukan melakukan peramalan peramalan Memb Membua uatt pera perama mala lan n Memvalid Memvalidasi asi dan dan menerapk menerapkan an hasil hasil peramal peramalan an Tujuh langkah ini menyajikan jalan yang sistematis untuk memulai,

mendesain, dan menerapkan sistem peramalan. $pabila sistem tersebut digunakan untuk menghasilkan ramalan berkala, maka data harus dikumpulkan secara rutin. Terlepas dari sistem yang digunakan oleh perusahaan, setiap perusahaan menghadapi beberapa kenyataan& '. Peramal Peramalan an jaran jarang g ada ada yang yang sempur sempurna na ). "ampir semua teknik peramalan peramalan mengasumsika mengasumsikan n bahwa bahwa sistem sistem akan tetap stabil. (. #aik peramalan peramalan kelompok produk maupun peramalan peramalan secara secara keseluruhan keseluruhan lebih akurat daripada produk individu. PENDEKATAN DALAM PERAMALAN

Terdapat dua pendekatan umum peramalan, +'! $nalisis kuantitati kuantitati + quantitative forecast ! menggunakan model matematis yang beragam dengan data masa lalu dan variabel sebab akibat untuk meramalkan permintaan. +)! Peramalan Peramalan kualitati + qualitative forecast ! menggabungkan aktor seperti intuisi, emosi, pengalaman pribadi, dan sistem nilai pengambil keputusan untuk meramal.







'. 0eputusan 0eputusan dari pendapat pendapat juri eksekusi, eksekusi, dalam dalam metode ini, pendapat pendapat sekumpulan kecil manajer atau pakar tingkat tinggi, sering dikombinasikan dengan model statistik, dikumpulkan untuk mendapatkan prediksi permintaan kelompok. ). Metode Delphi. Delphi. $da tiga jenis jenis peserta peserta dalam motode motode Delphi& Delphi& pengambil pengambil keputusan, karyawan, dan responden. (. 5abungan 5abungan dari dari tenaga tenaga penjualan, penjualan, setiap setiap tenaga tenaga penjualan penjualan memperkirakan memperkirakan berapa penjualan yang bisa ia lakukan dalam wilayahnya. . Surv Survey ey pas pasar ar kons konsume umen n + consumer market survey !. !. Metode ini meminta input dari konsumen mengenai rencana pembelian mereka dimasa depan. "al ini membantu tidak hanya dalam menyiapkan peramalan tetapi juga memperbaiki desain produk dan perencanaan produk baru. Tu%uan Tu%uan Meto!e Kuantiati&

6ima metode peramalan yang menggunakan data masa lalu, metode ini dibagi kedalam dua kategori& '. ). (. . 2.

Pend Pendek ekat atan an naik naik 1ata-rata bergerak Peng Pengha halus lusan an ekspo eksponen nensi sial al Proy royeksi eksi tren tren 1egr 1egres esii line linear ar

model time series

Model asosiati

Model tim series, membuat prediksi dengan asumsi bahwa masa depan merupakan ungsi masa lalu. Dengan kata lain. Mereka melihat apa yang terjadi selama kurun waktu tertentu, dan menggunakan data masa lalu tersebut untuk melakukan peramalan. Model asosiati +hubungan sebab-akibat!, seperti regresi linear, mengabungkan variabel atau aktor yang mungkin mempengaruhi kuantitas yang sedang diramalkan. PERAMALAN TIME SERIES

Time-series didasarkan pada waktu yang berurutan atau yang berjarak sama +minggu, bulanan, kuartalan, dan lainnya!. Meramalkan data time series berarti nilai masa depan diperkirakan hanya dari nilai masa lalu dan bahwa variabel lain diabaikan, walaupun variabel-variabel tersebut mungkin







Menganalisis time-series berarti membagi data masa lalu menjadi komponen-komponen, dan kemudian memproyeksikannya ke masa depan. Time-series mempunyai empat komponen& '. Tren, Tren, merupakan merupakan pergerakan pergerakan data sedikit sedikit demi sedikit meningkat meningkat atau menurun. Perubahan pendapatan, populasi, penyebaran umur, atau pandangan budaya dapat mempengaruhi pergerakan tren. ). Musim adalah adalah pola data yang yang berulang berulang pada pada kurun waktu waktu tertentu tertentu seperti seperti hari, minggu, bulan atau kuartal. (. Siklus, adalah pola pola dalam dalam data yang yang terjadi terjadi setiap beberapa beberapa tahun. Siklus Siklus ini biasanya terkait pada siklus bisnis dan merupakan satu hal penting dalam analisis dan perencanaan bisnis jangka pendek. . 7ariasi 7ariasi acak, acak, merupakan merupakan satu satu titik khusus khusus dalam dalam data, yang yang disebabkan disebabkan oleh peluang dan situasi yang tidak biasa. 7ariasi acak tidak mempunyai pola khusus, jadi tidak dapat diprediksi. Pen!ekatan Nai&

Pendekatan naik + naïve approach! merupakan model peramalan objekti yang paling eekti dan eisien dari segi biaya. Paling tidak pendekatan nai memberikan titik awal untuk perbandingan dengan model lain. Rata'Rata (ergerak

Peramalan rata-rata bergerak + moving average! menggunakan sejumlah data actual masa lalu untuk menghasilkan peramalan. 1ata-rata bergerak berguna jika dapat mengasumsikan bahwa permintaan pasar akan stabil sepanjang masa yang kita ramalkan. 1ata-rata bergerak empatbulanan ditemukan secara sederhana, yaitu menjumlahkan permintaan selama masa empat bulan yang lalu, dibagi empat. Sewaktu satu bulan berlalu, data bulanan yang terbaru ditambahkan pada penjumlahan data tiga bulan sebelumnya, dan data bulan paling awal dihapus. Praktik semacam ini cenderung meminimumkan ketidaknormalan dalam data berseri. Rata− ratabergerak =

permin taann n periode sebelumnya ∑ permintaan n

Pemilihan bobot merupakan hal yang tidak pasti karena tidak ada rumus untuk menetapkannya. leh karena itu, pemutusan bobot yang mana









Rata− ratabergera ratabergerakk dengan dengan pembobot pembobotan an =

bobot pada pada periode periode n )( permintaan permintaan pada perio ∑ ( bobot ∑ bobot

#aik rata-rata bergerak sederhana maupun rata-rata bergerak dengan pembobotan sangat eekti didalam meredam luktuasi pada pola permintaan untuk menghasilkan prediksi yang staabil. 1ata-rata bergerak mempuyai tiga masalah& '. #ert #ertamb ambah ahny nya a jumla jumlah h n +jumlah periode yang rata-rata! memang meredam luktuasi dengan lebih baik, tetapi membuat metode ini kurang sensitive terhadap perubahan nyata pada data. ). 1ata-rata 1ata-rata bergerak bergerak tidak dapat menggamba menggambarkan rkan tren dengan baik. baik. 0arena 0arena merupakan rata-rata, mereka akan selalu berada dalam tingkat yang sebelumnya dan tidak akan memprdiksi perubahan ke tingkat yang lebih tinggi atau lebih rendah, yang merupakan nilai actual sesungguhnya. (. 1ata-rata 1ata-rata bergerak bergerak membutuhkan membutuhkan data data masa masa lalu lalu yang yang ekstensi ekstensi Penghaluan Ek"onenial

Penghalusan eksponensial + eksponensial smoothing ! merupakan metode peramalan rata-rata bergerak dengan pembobotan yang canggih, metode ini menggunakan sangat sedikit pencatatan data masa lalu. F i i = = F t-1 (A t-1 - F t-1 t-1 + α (A t-1!

Dimana

'

8 Pera Perama mala lan n baru baru

 t-1 = Peramalan sebelumnya

α

8 0onstan 0onstanta ta pengha penghalus lus +pembob +pembobot! ot! +9 ≤ α ≤ '!

$ t-1 8 permintaan actual periode lalu 0onstanta penghalusan α, untuk penerapan dibidang bisnis biasanya berkisar 9,92 hingga 9,2. 0onstanta ini bisa diubah untuk memberi bobot lebih pada data sekarang +saat α tinggi! atau bobot lebih pada data masa lalu +saat rendah!. Saat mencapai titik ekstren ',9 maka semua nilai lebih lama







Mean A)olute De*iation+

nilai ini dihitung dengan mengambil umlah nilai absolute dari tiap kesalahan peramalan dibagi dengan jumlah periode data + n!

∑ ¿ aktual− peramalan∨¿ n MAD=¿

Mean S,uare Error -MSE.

Merupakan rata-rata selisih kuadrat antara nilai yang diramalkan dan yang diamati. MSE =

∑ (kesalahan peramalan) n

0ekurangan pengunaan MS: adalah ia cenderung menonjolkan deviasi yang besar karena adanya pengkuadratan. Mean A)olute Per/ent Error

M$P: dihitung sebagai rata-rata dierensiasi absolute antara nilai yang diramal dan actual, dinyatakan sebagai persentase nilai actual Penghaluan Ek"onenial !engan Pen0euaian Tren

Dengan penghalusan eksponensial dengan penyesuaian tren, estimasi rata-rata maupun tren dihaluskan. Prosedur ini membutuhkan dua konstanta penghalusan, α untuk rata-rata dan β untuk tren, kemudian menghitung ratarata dan tren untuk setiap periode. Penghalusan eksponensial sederhana sering disebut sebagai penghalusan tingkat pertama + firs order smoothing ! dan penghalusan dengan penyesuaian tren disebut sebagai penghalusan tingkat kedua + second order !. atau double smoothing !.







meminimalkan jumlah kuadrat dari devasi vertical garis pada setiap hasil pengamatan actual. ;atatan dalam penggunaan metode kuadrat terkecil, tiga persyaratan berikut harus dipenuhi untuk menggunakan metode kuadrat terkecil& '. Selalu petakan petakan data dkarena data kuadrat kuadrat terkecil mengasumsikan mengasumsikan adanya hubungan linear. /ika yang didapatkan adalah sebuah garis lengkung, maka analisis kurva linear mungkin diperlukan. ). /angan memprediksikan memprediksikan periode periode waktu terlalu jauh didepan didepan data yang yang diberikan. (. Deviasi disekitar disekitar garis kuadrat terkecil terkecil diasumsikan diasumsikan acak. acak. Mereka Mereka biasanya tersebar merata dengan hampir seluruh pengamatan dekat pada garis dan hanya sebagian kecil data jauh dari garis. 1ariai Muiman Pa!a Data

7ariasi musiman + seasonal variation ! pada data adalah pergerakan yang regular baik meningkat maupun menurun dalam kurun waktu tertentu yang terkait dengan kejadian berulang seperti cuaca atau liburan. Menganalisis data dalam waktu bulanan atau kuartalan, biasanya memudahkan pakar statistik untuk melihat pola musiman. Dengan apa yang disebut sebagai model variasi musiman multiplicative + multiplicative seasonal model !, !, aktor musiman dikalikan dengan suatu prediksi permintaan rata-rata untuk menghasilkan peramalan musiman. #erikut adalah langkah yang akan diikuti oleh sebuah perusahaan yang memiliki musim ' bulan& '. Temukan rata-rata rata-rata permintaan permintaan historis historis untuk untuk setiap setiap musim dengan dengan menjumlahkan permintaan bulan tersebut dalam setiap bulan, dibagi dengan jumlah tahun yang tersedia.







Siklus + cycle! adalah layaknya variasi musiman dalam data, tetapi berlangsung setiap beberapa tahun, bukan mingguan, bulanan atau kuartalan. ;ara terbaik untuk memprediksi siklus bisnis adalah dengan menemukan variabel pendahulu + leading variable ! yang berhubungan dengan data. MET2DE PERAMALAN AS2SIATI3 AS2SIATI3 4 ANALISIS RE$RESI DAN D AN K2RELASI

Model peramalan asosiati biasanya mempertimbangkan beberapa variabel yang berhubungan dengan kuantitas yang diprediksi. Saat variabel terkait ini ditentukan, model statistic dibuat dan digunakan untuk meramalkan. Pendekatan ini lebih berdaya guna daripada metode time-series yang hanya menggunakan nilai historis variabel yang diramalkan Menggunakan Analii Regrei Untuk Peramalan

7ariabel terikat yang diramalkan akan tetap sama yaitu  = a + b!

dimana 

= nilai variabel terikat

a

= perpotongan sumbu y

b

= kemiringan garis regresi

!

= variabel bebas

Kealahan Stan!ar Dari Suatu Etimai

*ntuk menghitung keakuratan regresi yang diperkirakan, kita harus menghitung kesalahan standar estimasi + standar error of the estimate !.







menunjukkan bagaimana satu variabel berhubungan pada nilai dan perubahan pada variabel lain. ;ara lain untuk mengevaluasi hubungan antara dua variabel adalah dengan menghitung koe&iien korelai +coefficient of correlation !. *kuran ini menyatakan derajat atau kekuatan hubungan linear. #iasanya diidentiikasikan sebagai r , koeisien korelasi adalah suatu bilangan antara >' dan -'. 2

x ¿

¿ y ¿ ¿ n . y −¿ n . x −¿ √ ¿ n ( xy )−( x ) . ( y ) r= ¿ 2

2

2

Perhitungan lain yang juga biasa digunakan untuk menjelaskan hubungan antara dua variabel yaitu koeisien determinasi + coefficient determination! dan merupakan pengkuadratan sederhana koeisien korelasi

1). 0oeisien determinasi adalah persen variasi pada variabel terikat + y ! yang dijelaskan dengan persamaan regresi Analii Regrei (ergan!a

1egresi berganda + multiple regression ! membolehkan kita membangun sebuah model dengan beberapa variabel bebas, dan bukan hanya satu variabel.  = a + b 1 ! 1 b" ! " "

dimana 

= nilai variabel terikat

a

= sebuah konstanta









penelusuran adalah sebuah perhitungan seberapa baik peramalan memprediksikan nilai actual. Sinyal penelusuran dihitung sebagai running sum of the forecast errors +1SP:! dibagi dengan mean absolute deviation +M$D!. RSFE Tracking signal = MAD Permintaanaktual pada periode periode i −ramalan permintaan pada pada periode periode i

¿ ¿ ¿¿

Dimana

∑ ¿ aktual− pramalan∨¿ n MAD =¿

Sinyal penelusuran positi menandakan permintaan lebih besar dari ramalan. Sinyal negati berarti permintaan lebih sedikit daripada ramalan. Sinyal penelusuran yang baik adalah yang memiliki 1S: rendahmempunyai kesalahan positi yang sama dengan kesalahan negati harus seimbang satu sama lain, dan pusat sinyal penelusuran sekitar nol. 0ecenderungan konsisten peramalan untuk bisa lebih besar atau lebih kecil dari nilai actual +yaitu untuk 1S: tinggi! disebut sebagai kesalahan bias. Sinyal penelusuran dihitung dan dibandingkan untuk menetapkan batas kendali. Disaat sinyal penelusuran melebihi batas kendali atau batas







Peramalan ocus didasakan pada dua prinsip& '. Model peramalan peramalan yang canggih canggih tidak selalu selalu lebih lebih baik dari model model yang yang sederhana ). Tidak Tidak ada satu satu teknik teknik yang dapat dapat dipergunaka dipergunakan n untuk semua produk produk dan jasa PERAMALAN PADA SEKT2R #ASA

Teknik utama pada sektor eceran adalah melihat permintaan dan membuat catatan jangka pendek yang teliti. Sebagai contoh tempat potong rambut pria mengharapkan puncak bisnisnya pada hari jumat dan sabtu. 0arenanya hampri semua tempat potong rambut tutup pada hari minggu dan senin, dan terdapat banyak permintaan pada hari jumat dan sabtu.







DA3TAR PUSTAKA

Diebold, .?. #lemen of Forecasting$ )nd ed. ;incinnati& South-@estern ;ollege Publishing. )99'. 5eograi, D.M., dan 1.5. Murdick, < %anager&s 'uide to Forecasting "avvard #ussines 1eview. 3 +/anuari-ebruari 'AB3!& ''9-')9. 5renger, ;. @. dan /.M. "ashem Pesaran. #conomic and )tatistical %easures of Forecasting 'A, Co. +Desember )999!& 2(4-239 "aksever. ;.#. 1ender dan 1. 1ussell. Service Management and perations, )nd ed. *pper Saddle 1iver, C/& Prectice "all, )999 "enke, /.:., $. 5. 1eitsch, dan D.@. @ichern. *usiness Forecasting$ 4th ed. *pper Saddle 1iver, C/& Prentice "all, )99'. "ei%er, /ay. <orecasting with Stagger ;harts. # )olutions  +/uni )99)!& 3A. "erbig, P.,/. Milewic%, dan /.: 5olden. <orecasting @ho, @hat, @hen, and "ow=. ,he ournal of *usiness Forecasting$ ') Co. ) +Musim Panas 'AA(!& '3-)). 6i, ?. <$n telligent #usiness orecaster or Strategic #usiness Planning.= ournal of Forecasting of Forecasting 'B, Co. ( +Mei 'AAA!& 'B'-)92. Meade, Cigel. <:vidence or the selection o orecasting models. < ournal of Forecasting 'A, Co. 3 +Covember )999! & 2'2-2(2.







Makalah Peramalan

Recommend Documents