Peramalan Penganggaran Perusahaan
Haris Karyadi,SST,MM 1
PERAMALAN
(forecasting)
Pertemuan ke #2
Dosen: Haris Karyadi,SST,MM
Mata Kuliah
PENGANGGARAN
What is Forecasting?
Process of
predicting a future
event
Underlying basis
of
all business
decisions
Production
Inventory
Personnel
Facilities
??
Definisi Peramalan
3
Peramalan (forecasting) : adalah
seni dan ilmu memprediksi
peristiwa-peristiwa yang akan
terjadi dengan menggunakan data
historis dan memproyeksikannya ke
masa depan dengan beberapa
bentuk model matematis.
Ramalan (forecasting) merupakan proses
aktifitas meramalkan suatu kejadian yang
mungkin terjadi di masa mendatang
dengan cara mengkaji data yang ada
Definisi Peramalan
4
Ramalan jualan (sales forecasting) merupakan
proses aktifitas memperkirakan produk yang
akan dijual di masa mendatang dalam keadaan
tertentu dan dibuat berdasarkan data yang
pernah terjadi dan atau mungkin akan terjadi.
Ramalan jualan menentukan anggaran jualan
Anggaran jualan menentukan anggaran
produk, anggaran biaya pabrik, anggaran
beban usaha, anggaran kas, anggaran laba
rugi, dan anggaran neraca
5
Peramalan biasanya diklasifikasikan
berdasarkan HORIZON WAKTU MASA
DEPAN yang melingkupinya.
Horizon waktu terbagi menjadi beberapa
kategori:
1. Peramalan Jangka pendek
2. Peramalan jangka menengah
3. Peramalan jangka panjang
Forecasting Time Horizons
6
1. Peramalan jangka pendek:
Peramalan ini meliputi jangka waktu hingga
satu tahun, tetapi umumnya kurang dari 3
bulan.
Peramalan ini digunakan untuk merencanakan:
Pembelian
Penjadwalan kerja
Jumlah tenaga kerja
Penugasan kerja
Tingkat produksi
Forecasting Time Horizons
Peramalan Penganggaran Perusahaan
Haris Karyadi,SST,MM 2
7
2. Peramalan jangka Menengah:
Peramalan ini meliputi jangka waktu bulan
hingga tiga tahun
Peramalan ini digunakan untuk merencanakan:
Penjualan
Perencanaan dan anggaran produksi
Anggaran kas
Menganalisis bermacam-maam rencana
operasi
Forecasting Time Horizons
8
2. Peramalan jangka Panjang:
Peramalan ini meliputi jangka waktu tiga tahun
Peramalan ini digunakan untuk merencanakan:
Produk baru
Pembelanjaan modal
Lokasi atau pengembangan fasilitas
Penelitian dan pengembangan (R&D)
Forecasting Time Horizons
Short-range forecast
Up to 1 year, generally less than 3
months
Purchasing, job scheduling, workforce
levels, job assignments, production levels
Medium-range forecast
3 months to 3 years
Sales and production planning, budgeting
Long-range forecast
3+ years
New product planning, facility location,
research and development
Forecasting Time Horizons
10
Siklus Hidup Produk (PLC)
Faktor lain yg harus dipertimbangkan saat
membuat peramalan penjualan, terutama
peramalan penjualan jangka panjang, adalah
siklus hidup produk (product life cycle).
Penjualan produk bahkan jasa tidak terjadi pada
tingkat yagg konstan sepanjang hidupnya.
Hampir semua produk yg berhasil melalui empat
tahapan, yaitu :
Introduction – Growth – Maturity – Decline
Product Life Cycles
Produk-produk dilahirkan.
Mereka hidup dan mati
Mereka disingkirkan oleh masyarakat
yang terus berubah.
Oleh sebab itu: terdapat tuntutan terus
menerus untuk menghasilkan produkproduk
baru
Product Life Cycles
May be any length from a few
hours to decades
The operations function must be
able to introduce new products
successfully
Setiap produk memiliki siklus perputaran
terhadap kehidupannya, yang waktunya
bervariasi tergantung dari jenis dan
karakteristik produk tersebut
Peramalan Penganggaran Perusahaan
Haris Karyadi,SST,MM 3
Product Life Cycle
Best period to
increase market
share
R&D engineering
is critical
Practical to
change price or
quality image
Strengthen niche
Poor time to
change image,
price, or quality
Competitive costs
become critical
Defend market
position
Cost control
critical
Introduction Growth Maturity Decline
Company Strategy/Issues
Internet search engines
Sales
Xbox
360
Drivethrough
restaurants
CD-ROMs
3 1/2”
Floppy
disks
LCD & plasma TVs
Analog TVs
iPods
Product Life Cycle - Introduction
Perkenalan, tahap paling awal dari masa
hidup suatu produk, masih menyesuaikan
pasar, dan banyak biaya yang dibutuhkan
Fine tuning may warrant unusual
expenses for
Research
Product development
Process modification and enhancement
Supplier development
1
4
Product Life Cycle - Growth
Product design begins to stabilize
Effective forecasting of capacity becomes
necessary
Adding or enhancing capacity may be
necessary
Pertumbuhan, Desain produk sudah stabil
sehingga perlu peramalan kebutuhan
kapasitas yang effektif dan perlu
peningkatan kapasitas agar dapat
memenuhi permintaan
1
5
Product Life Cycle - Maturity
Competitors now established
High volume, innovative production may be
needed
Improved cost control, reduction in options,
paring down of product line
Tahap kedewasaan, Pesaing sudah
dipastikan ada dan memerlukan inovasi.
Pengendalian biaya harus lebih baik,
meningkatkan keuntungan dengan
pembatasan lini produksi
1
6
Product Life Cycle - Decline
Unless product makes a special
contribution to the organization, must
plan to terminate offering
Tahap penurunan, pasar sudah tidak
menyenangi produk tsb, penjualan
merosot tajam, produk hampir mati,
mungkin perlu menghentikan produk
tersebut dan menggantinya dengan desain
produk baru
1
7
Product Life Cycle
Product design
and
development
critical
Frequent
product and
process design
changes
Short
production runs
High production
costs
Limited models
Attention to
quality
Introduction Growth Maturity Decline
OM Strategy/Issues
Forecasting
critical
Product and
process
reliability
Competitive
product
improvements
and options
Increase
capacity
Shift toward
product focus
Enhance
distribution
Standardization
Less rapid
product
changes – more
minor changes
Optimum
capacity
Increasing
stability of
process
Long production
runs
Product
improvement
and cost cutting
Little product
differentiatio
n
Cost
minimization
Overcapacity
in the
industry
Prune line to
eliminate
items not
returning
good margin
Reduce
capacity
Figure 2.5
Peramalan Penganggaran Perusahaan
Haris Karyadi,SST,MM 4
Product Life Cycles
Negative
cash flow
Introduction Growth Maturity Decline
Sales, cost, and cash flow
Cost of development and production
Cash
flow
Net revenue (profit)
Sales revenue
Loss
Types of Forecasts
Jenis-jenis Peramalan
Economic forecasts
Address business cycle – inflation rate,
money supply, housing starts, etc.
Technological forecasts
Predict rate of technological progress
Impacts development of new products
Demand forecasts
Predict sales of existing products and
services
21
Types of Forecasts
Pada umumnya Berbagai organisasi menggunakan
tiga jenis peramalan yg utama dalam perencanaan
operasi di masa depan :
1. Peramalan Ekonomi.
Menjelaskan siklus bisnis dengan
memprediksikan tingkat inflasi, ketetersediaan
uang, dana yang dibutuhkan untuk
pembangunan, dan indikator perencanaan
lainnya.
2. Peramalan Teknologi
Memperhatikan tingkat kemajuan teknologi
yang dapat meluncurkan produk baru yang
membutuhkan pabrik & peralatan baru 22
Types of Forecasts
Pada umumnya Berbagai organisasi menggunakan
tiga jenis peramalan yg utama dalam perencanaan
operasi di masa depan :
3. Peramalan Permintaan
Proyeksi permintaan untuk produk atau
layanan suatu perusahaan.
Peramalan ini juga disebut peramalan
penjualan yang mengendalikan produksi,
kapasitas, serta sistem penjadwalan dan
menjadi input bagi perencanaan keuangan,
pemasaran, dan sumber daya manusia
Seven Steps in Forecasting
(7 langkah sistem Peramalan)
Ada 7 langkah sistematis untuk memulai,
merancang, dan menetapkan sistem
Peramalan.
1. Menetapkan tujuan Peramalan
2. Memilih unsur yang akan diramalkan
3. Menentukan horizon waktu peramalan
4. Memilih jenis model peramalan
5. Mengumpulkan data yang diperlukan
6. Membuat peramalan
7. Memvalidasi dan menerapkan hasil
peramalan
Seven Steps in Forecasting
(7 langkah sistem Peramalan)
Disney world digunakan sebagai contoh untuk
aplikasi setiap 7 langkah sistematis diatas:
1. Menetapkan tujuan Peramalan
Disney menggunakan peramalan pengunjung
untuk mengendalikan jumlah pekerja, jam buka
taman hiburan, ketersediaan wahana, dan
banyaknya makanan yang disediakan.
2. Memilih unsur yang akan diramalkan
Disney world memiliki 6 taman hiburan utama.
Peramalan jumlah pengunjung harian dari setiap
taman adalah angka utama yang menentukan
jumlah pekerja, perawatan, da penjadwalan.
Peramalan Penganggaran Perusahaan
Haris Karyadi,SST,MM 5
Seven Steps in Forecasting
(7 langkah sistem Peramalan)
Disney world digunakan sebagai contoh untuk
aplikasi setiap 7 langkah sistematis diatas:
3. Menentukan horizon waktu peramalan
Apakah ini merupakan peramalan jangka
pendek, menengah, atau jangka panjang?
Disney menyusun prediksi penjualan harian,
mingguan, bulanan, tahunan, dan lima tahunan
4. Memilih jenis model peramalan
Disney menggunakan beragam model statistik
(kuantitatif).
Disney juga menggunakan model dengan
penilaian subjektif atau non-kuantitatif
Seven Steps in Forecasting
(7 langkah sistem Peramalan)
Disney world digunakan sebagai contoh untuk
aplikasi setiap 7 langkah sistematis diatas:
5. Mengumpulkan data yang diperlukan
Tim peramalan Disney mempekerjakan 35 orang
analis dan 70 orang staf lapangan untuk
melakukan survey terhadap 1 juta
orang/perusahaan per tahun.
Disney juga menggunakan perusahaan Global
Insights untuk membuat peramalan perjalanan
kalangan industri dan mengumpulkan data
mengenai nilai tukar, jumlah pengunjung yang
memasuki Amerika, tariff khusus maskapai
penerbangan, tren Wall Street, dan jadwal
liburan sekolah.
Seven Steps in Forecasting
(7 langkah sistem Peramalan)
Disney world digunakan sebagai contoh untuk
aplikasi setiap 7 langkah sistematis diatas:
6. Membuat peramalan
7. Memvalidasi dan menerapkan peramalan
Di Disney, pengkajian terhadap peramalan
dilakukan setiap hari.
Pengkajian dilakukan untuk memastikan model,
asumsi, dan data yang digunakan sudah valid.
Perhitungan kesalahan dilakukan.
Kemudian peramalan digunakan untuk
menjadwalkan bahan, peralatan, dan pekerja
pada setiap taman.
Seven Steps in Forecasting
(7 langkah sistem Peramalan)
7 langkah ini menyajikan jalan yang
sistematis untuk memulai, merancang, dan
menerapkan sistem peramalan.
Apabila sistem tersebut digunakan untuk
menghasilkan ramalan berkala, maka data
harus dikumpulkan secara rutin. Kemudian
perhitungan aktualnya dibuat dengan
bantuan komputer.
The Realities!
Forecasts are seldom perfect
Most techniques assume an
underlying stability in the system
Product family and aggregated
forecasts are more accurate than
individual product forecasts
Seven Steps in Forecasting
(7 langkah sistem Peramalan)
Terlepas dari sistem yang digunakan, setiap
perusahaan menghadapi beberapa kenyataan:
1. Jarang ada peramalan yang sempurna
Berarti faktor luar yang tidak dapat kita duga
atau kendalikan sering mempengaruhi peramalan.
Perusahaan harus memberikan kelonggaran untuk
kenyataan ini
2. Hampir semua peramalan mengasumsikan
sistem akan stabil
Karena itu beberapa perusahaan membuat
ramalan otomatis menggunakan software khusus
Serta hanya mengawasi produk yang mempunyai
permintaan tidak menentu saja.
Peramalan Penganggaran Perusahaan
Haris Karyadi,SST,MM 6
Seven Steps in Forecasting
(7 langkah sistem Peramalan)
Terlepas dari sistem yang digunakan, setiap
perusahaan menghadapi beberapa kenyataan:
3. Peramalan kelompok produk dan peramalan
secara keseluruhan lebih akurat daripada
peramalan produk individual.
Contohnya Disney melakukan peramalan melalui
pengelompokan peramalan pengunjung taman
hiburan harian.
Pendekatan ini menolong menyeimbangkan
prediksi yang mungkin kurang atau berlebih
untuk ke-6 taman hiburan Disney.
Forecasting Approaches
(Berbagai pendekatan Peramalan)
Ada banyak metode peramalan yang bisa
digunakan.
Pemilihan metode forecasting dan "nilai" dari
hasil peramalan sangat bergantung pada
kendala-kendala yang ada dalam sistem
forecasting. Kendala-2 tersebut antara lain:
1. Waktu yang diperlukan untuk melakukan persiapan
peramalan.
2. Kurangnya data yang relevan, baik dari sumber
internal maupun eksternal.
3. Kualitas data-data yang tersedia
4. Fasilitas pengolahan data dan tenaga ahli
Forecasting Approaches
(Berbagai pendekatan Peramalan)
Efektivitas sistem peramalan dalam membantu
organisasi dapat dievaluasi berdasarkan empat
kriteria berikut:
1. Accuracy.
Ini merupakan aspek terpenting dari forecast,
karena perbedaan antara aktual dan forecast
berarti biaya.
Lebih jauh, forecast error dapat menjadi sumber
terjadinya kesulitan-kesulitan yang serius,
misalnya bila forecast lebih besar dari aktual
maka akan terjadi kapasitas menganggur dan
surplus persediaan, dan bila forecast lebih kecil
dari aktual maka dapat terjadi stockout atau
opportunity loss.
Forecasting Approaches
(Berbagai pendekatan Peramalan)
Efektivitas sistem peramalan dalam membantu
organisasi dapat dievaluasi berdasarkan empat
kriteria berikut:
2. Stability vs Responsiveness.
Artinya forecast harus mampu mengkover
kompleksitas dan ketidakpastian lingkungan baik
yang disebabkan oleh long term growth trend
maupun seasonal influences
3. Timing.
Agar sistem forecasting dapat efektif, maka
forecast harus tersedia tepat waktu.
Forecasting Approaches
(Berbagai pendekatan Peramalan)
Efektivitas sistem peramalan dalam membantu
organisasi dapat dievaluasi berdasarkan empat
kriteria berikut:
4. Objectivity.
Kadang-kadang kondisi yang diramalkan tidak
dapat atau tidak ada kaitannya dengan data
historis yang digunakan dalam forecasting.
Bila demikian maka pertama, data tetap diolah
secara obyektif apa adanya,
baru kemudian hasil forecasting pada pengolahan
data secara obyektif disesuaikan dengan
memperhitungkan perkembangan terakhir situasi
dan kondisi.
Forecasting Approaches
(Berbagai pendekatan Peramalan)
Efektivitas sistem peramalan dalam membantu
organisasi dapat dievaluasi berdasarkan empat
kriteria berikut:
5. Benefit to cost ratio.
Merupakan perbandingan antara manfaat yang
berupa perbaikan kualitas keputusan sehubungan
dengan adanya sistem peramalan yang diukur
dengan cost saving dan biaya untuk membangun
dan memelihara sistem peramalan.
Rasio yang dapat dijadikan sebagai kriteria
tunggal bagi perlu tidaknya sistem forecasting
dalam perusahaan.
Peramalan Penganggaran Perusahaan
Haris Karyadi,SST,MM 7
Forecasting Approaches
(Berbagai pendekatan Peramalan)
Terdapat dua pendekatan umum untuk
peramalan, yaitu :
1. Peramalan Kualitatif (Qualitative Methods)
Menggabungkan faktor seperti Intiusi,
emosi, pengalaman pribadi, dan sistem
nilai pengambil keputusan untuk meramal.
2. Peramalan Kuantitatif (Quantitative Methods)
Menggunakan model matematis yang
beragam dengan data masa lalu dan
variabel sebab akibat untuk meramalkan
permintaan
Forecasting Approaches
Used when situation is vague
and little data exist
New products
New technology
Involves intuition, experience
e.g., forecasting sales on
Internet
Qualitative Methods
Forecasting Approaches
(Berbagai pendekatan Peramalan)
Forecasting Approaches
Used when situation is ‘stable’
and historical data exist
Existing products
Current technology
Involves mathematical
techniques
e.g., forecasting sales of color
televisions
Quantitative Methods
Forecasting Approaches
(Berbagai pendekatan Peramalan)
40
PERAMALAN KUALITATIF
Qualitative
Methods
Overview of Qualitative Methods
Jury of executive opinion
Pool opinions of high-level experts,
sometimes augment by statistical models
Delphi method
Panel of experts, queried iteratively
Sales force composite
Estimates from individual salespersons are
reviewed for reasonableness, then
aggregated
Consumer Market Survey
Ask the customer
Involves small group of high-level
experts and managers
Group estimates demand by working
together
Combines managerial experience with
statistical models
Relatively quick
‘Group-think’
disadvantage
Metode Kualitatif
1.Jury of Executive Opinion
Peramalan Penganggaran Perusahaan
Haris Karyadi,SST,MM 8
Juri dari opini eksekutif:
Dalam metode ini, pendapat sekumpulan
kecil manajer atau pakar tingkat tinggi
umumnya digabungkan dengan model
statistik, dikumpulkan untuk mendapatkan
prediksi permintaan kelompok.
Contoh- Bristol Meyers Squibb
menggunakan 220 ilmuwan terkenal
sebagai pendapat juri eksekutif untuk
mendapatkan tren masa depan dibidang
penelitian medis.
Metode Kualitatif
1. Jury of Executive Opinion Delphi Method
Iterative group
process, continues
until consensus is
reached
3 types of
participants
Decision makers
Staff
Respondents
Staff
(Administering
survey)
Decision Makers
(Evaluate
responses and
make decisions)
Respondents
(People who can make
valuable judgments)
Metode Kualitatif
2. Delphi Method
Delphi Method
Metode Kualitatif
2. Delphi Method
Metode Delphi:
Ada 3 jenis partisipan dalam metode Delphi:
Pengambil keputusan, Karyawan, Responden
Pengambil keputusan biasanya terdiri dari 5
sampai 10 pakar yang akan melakukan
peramalan.
Karyawan membantu pengambil keputusan
dengan menyiapkan, menyebarkan,
mengumpulkan, serta meringkas sejumlah
kuesioner dari hasil survei.
Responden adalah sekelompok orang yang
biasanya ditempatkan ditempat yang berbeda
dimana penilaian dilakukan.
Delphi Method
Metode Kualitatif
2. Delphi Method
Metode Delphi:
Ada 3 jenis partisipan dalam metode Delphi:
Kelompok ini memberikan input pada pengambil
keputusan sebelum peramalan dibuat.
Contoh negara bagian Alaska menggunakan
metode Delphi untuk meramalkan ekonomi
jangka panjangnya. Sekumpulan besar pakar
harus mewakili semua kelompok dan pendapat
dalam negara bagian dan wilayah.
Delphi merupakan alat peramalan yang
sempurna karena perjalanan para penelis dapat
dihindari dan juga para pemimpin dapat
berperan karena jadwal tidak dipengaruhi oleh
pertemuan dan jarak.
Metode Kualitatif
3. Sales Force Composite
Each salesperson projects his or
her sales
Combined at district and national
levels
Sales reps know customers’
wants
Tends to be overly optimistic
Delphi Method
Metode komposit tenaga penjualan:
Dalam pendekatan ini setiap tenaga
penjualan memperkirakan berapa penjualan
yang dapat ia capai dalam wilayahnya.
Kemudian peramalan ini dikaji untuk
memastikan apakah peramalan cukup
realistis.
Kemudian peramalan digabungkan pada
tingkat wilayah dan nasional untuk
mendapatkan peramalan secara
keseluruhan.
Metode Kualitatif
3. Sales Force Composite
Peramalan Penganggaran Perusahaan
Haris Karyadi,SST,MM 9
Consumer Market Survey
Ask customers about purchasing
plans
What consumers say, and what
they actually do are often
different
Sometimes difficult to answer
Metode Kualitatif
4. Consumer Market Survey Delphi Method
Metode Survei pasar konsumen:
Metode ini meminta input dari konsumen
mengenai rencana pembelian mereka di
masa depan.
Hal ini membantu dalam menyiapkan
peramalan, juga dapat memperbaiki desain
produk dan perencanaan produk baru.
Survei konsumen dan gabungan tenaga
penjualan bisa jadi tidak benar, karena
peramalan yang berasal dari input konsumen
biasanya terlalu OPTIMIS
Metode Kualitatif
4. Consumer Market Survey
© Wiley 2007
Qualitative Methods
Type Characteristics Strengths Weaknesses
Executive
opinion
A group of managers
meet & come up with
a forecast
Good for strategic or
new-product
forecasting
One person's opinion
can dominate the
forecast
Market
research
Uses surveys &
interviews to identify
customer preferences
Good determinant of
customer preferences
It can be difficult to
develop a good
questionnaire
Delphi
method
Seeks to develop a
consensus among a
group of experts
Excellent for
forecasting long-term
product demand,
technological
changes, and
Time consuming to
develop
52
PERAMALAN KUANTITATIF
Quantitative
Methods
1. Naive approach
2. Moving averages
3. Exponential
smoothing
4. Trend projection
5. Linear regression
Time-Series
Models
Associative
Model
Overview of
Quantitative Approaches
Ada 5 metode peramalan yang
menggunakan data historis sebagai basis
data untuk meramalkan, yaitu:
Model Deret Waktu (time series)
Model ini membuat prediksi dengan
asumsi bahwa masa depan merupakan
fungsi dari masa lalu.
Melihat apa yang terjadi selama kurun
waktu tertentu dan menggunakan data
masa lalu tersebut untuk melakukan
peramalan.
Contoh: jika kita memperkirakan
penjualan mingguan sepeda motor, kita
menggunakan data penjualan minggu
lalu untuk membuat peramalan.
Model Asociative(sebab akibat)
Overview of
Quantitative Approaches
Peramalan Penganggaran Perusahaan
Haris Karyadi,SST,MM 10
Model Asociative (sebab akibat)
Model ini menggabungkan banyak
variabel atau faktor yang mungkin
mempengaruhi kuantitas yang sedang
diramalkan.
Contoh: penjualan sepeda motor
mungkin memasukkan faktor seperti
adanya kawasan industri baru, anggaran
iklan, dan harga pesaing pada saat
membuat ramalan.
Overview of
Quantitative Approaches
Time series/deret waktu didasarkan pada
urutan dari titik-titik data yang berjarak
sama dalam waktu: (mingguan, bulanan,
kuartalan, dll).
Meramalkan data deret waktu berarti nilai
masa depan diperkirakan hanya dari nilai
masa lalu dan variabel lain diabaikan
walaupun variabel-variabel tersebut
mungkin sangat bermanfaat.
Quantitative Approaches
Model Deret Waktu (time series)
Trend
Seasonal
Cyclical
Random
Menganalisa deret waktu berarti membagi data masa
lalu menjadi komponen-komponen, kemudian
memproyeksikannya ke masa depan.
Ada 4 komponen deret waktu:
Quantitative Approaches
Model Deret Waktu (time series)
58
Model Deret Waktu (time series)
Pola data
Tren merupakan pergerakan data sedikit
demi sedikit meningkat atau menurun.
Perubahan pendapatan, populasi,
penyebaran umur, atau pandangan budaya
dapat mempengaruhi pergerakan tren
Persistent, overall upward or downward pattern
Changes due to population, technology, age,
culture, etc.
Typically several years duration
Model Deret Waktu (time series)
Pola data - Trend
Musim adalah pola data yang berulang pada
kurun waktu tertentu, seperti hari, minggu,
bulan, atau kuartal.
Ada 6 pola musim:
Contoh: restoran dan tempat potong rambut
mengalami musim mingguan dengan hari saptu
sebagai hari paling sibuk.
Model Deret Waktu (time series)
Pola data - Seasonal
Period Length No of Seasons
Week Day 7
Month Week 4 - 4.5
Month Day 28-31
Year Quarter 4
Year Month 12
Year Week 52
Peramalan Penganggaran Perusahaan
Haris Karyadi,SST,MM 11
Siklus adalah pola dalam data yang terjadi
setiap beberapa tahun.
Siklus ini biasanya terkait pada siklus bisnis
dan merupakan satu hal penting dalam
analisi dan perencanaan bisnis jangka
pendek.
Memprediksi siklus bisnis sulit dilakukan
karena adanya pengaruh kejadian politik
ataupun kerusuhan internasional.
Model Deret Waktu (time series)
Pola data - Cyclical
0 5 10 15 20
Random atau variasi acak merupakan satu
titik khusus dalam data yang disebabkan
oleh peluang dan situasi yang tidak lazim.
Variasi acak tidak mempunyai pola khusus
sehingga tidak dapat diprediksi
Model Deret Waktu (time series)
Pola data - Random
M T W T F
Pendekatan Naif
Cara paling sederhana untuk meramal
adalah berasumsi bahwa permintaan di
periode mendatang akan sama dengan
permintaan pada periode terakhir.
Contoh penjualan Sepeda motor bulan januari
sebanyak 50 unit, maka ramalan penjualan
untuk bulan Februari adalah sama 50 unit.
Apakah cara ini masuk akal?
Model peramalan ini merupakan model
peramalan objektif yang paling efektif dan
efisien dari segi biaya.
Paling tidak, memberikan titik awal untuk mulai
Quantitative Approaches
1. Naïve Approach
Rata-rata bergerak
Menggunakan sejumlah data aktual masa
lalu untuk menghasilkan peramalan.
Metode ini berguna jika kita dapat
mengasumsikan bahwa permintaan pasar
akan stabil sepanjang masa yang kita
ramalkan.
Rata-rata bergerak 4 bulanan ditemukan
dengan cara sederhana, yaitu:
Menjumlahkan permintaan selama 4 bulan lalu
dibagi dengan empat.
Quantitative Approaches
2a. Moving Average method
Rata-rata bergerak
Rata-rata bergerak 4 bulanan ditemukan
dengan cara sederhana, yaitu:
Sewaktu bulan berlalu, data bulanan terbaru
ditambahkan pada penjumlahan data 3 bulan
sebelumnya, dan data bulan yang paling awal
dihapus.
Formulanya:
n adalah jumlah periode dalam rata-2 bergerak
Quantitative Approaches
2a. Moving Average method
Moving average =
P demand in previous n periods
n
Quantitative Approaches
2a. Moving Average method
Latihan kasus-1.
Donna Garden Supply membutuhkan data
peramalan untuk acuan rencana penjualan alat
pemotong rumput, Termasuk peramalan penjualan
Januari mendatang.
Data pada slide berikut menunjukkan data
penjualan alat pemotong rumput setahun terakhir.
Tugas anda, hitunglah peramalan dengan metode
rata-rata bergerak 3 bulanan dengan menggunakan
data tersebut.
Berapa jumlah alat pemotong rumput yang akan
dijual oleh Donna Garden Supply pada bulan Januari
mendatang?
Peramalan Penganggaran Perusahaan
Haris Karyadi,SST,MM 12
January February March April 16
May 19
June 23
July 26
Actual 3-Month
Month Sales Moving Average
(12 + 13 + 16)/3 = 13 2/3
(13 + 16 + 19)/3 = 16
(16 + 19 + 23)/3 = 19 1/3
10
12
13
(10 + 12 + 13)/3 = 11 2/3
Quantitative Approaches
2a. Moving Average method
Contoh kasus, peramalan rata-2 bergerak 3 bulanan
Quantitative Approaches
2a. Moving Average method
Latihan kasus-1.
Carbondale hospital sedang mempertimbangkan
untuk membeli mobil ambulans baru. Keputusannya
bergantung pada jarak yang akan ditempuh tahun
depan. Data berikut menunjukkan jarak yang
ditempuh 5 tahun terakhir.
Ramalkan jarak yang akan ditempuh tahun depan
dengan menggunakan rata-rata bergerak 2 tahunan
Tahun Jarak (Km)
2008 3,000
2009 4,000
2010 3,400
2011 3,800
2012 3,700
Quantitative Approaches
2a. Moving Average method
Latihan kasus-2.
Tabel berikut adalah jumlah takaran (dalam labu)
golongan darah O yang digunakan Carbondale
hospital selama 6 minggu terakhir.
Ramalkan permintaan untuk minggu tanggal 12
oktober dengan menggunakan rata-rata bergerak 3
mingguan
Minggu ke Labu yg digunakan
31 Agustus 360
7 september 389
14 september 410
21 september 381
28 september 368
5 oktober 374
Quantitative Approaches
2b. Weighted Moving Average
Pembobotan rata-rata bergerak
Saat terdapat tren atau pola yang terdeteksi,
BOBOT dapat digunakan untuk
menempatkan penekanan yang lebih pada
nilai terakhir.
Praktik ini membuat teknik peramalan lebih
tanggap terhadap perubahan-perubahan
karena periode yang lebih dekat
mendapatkan bobot yang lebih berat.
Pemilihan bobot merupakan hal yang tidak
pasti, karena tidak ada rumus untuk
menetapkannya.
Quantitative Approaches
2b. Weighted Moving Average
Pembobotan rata-rata bergerak
Pemutusan bobot yang akan digunakan
membutuhkan pengalaman.
Contoh, jika bulan terakhir diberi bobot yang
terlalu berat, maka peramalan dapat
menggambarkan perubahan yang terlalu cepat.
Formula:
Weighted
moving average =
P (weight for period n)
x (demand in period n)
P weights
Weights Applied Period
(bobot yg diberikan) (periode)
3 Last month
2 Two months ago
1 Three months ago
6 Sum of weights
Quantitative Approaches
2b. Weighted Moving Average
Contoh kasus, Daisy shop memutuskan untuk
meramalkan penjualan dengan memberikan bobot
pada tiga bulan terakhir sebagai berikut:
Data berikut merupakan aktual penjualan daisy shop
Hitunglah rata-2 bergerak dengan pembobotan 3
bulanan
Peramalan Penganggaran Perusahaan
Haris Karyadi,SST,MM 13
Quantitative Approaches
2b. Weighted Moving Average
Data Penjualan aktual
Bulan Penjualan Aktual (ton)
Januari 10
Februari 12
Maret 13
April 16
Mei 19
Juni 23
Juli 26
Agustus 30
September 28
Oktober 18
November 16
Desember 14
© 2008 Prentice Hall, Inc. 4 – 74
January 10
February 12
March 13
April 16
May 19
June 23
July 26
Actual 3-Month Weighted
Month Shed Sales Moving Average
[(3 x 16) + (2 x 13) + (12)]/6 = 141/3
[(3 x 19) + (2 x 16) + (13)]/6 = 17
[(3 x 23) + (2 x 19) + (16)]/6 = 201/2
Weighted Moving Average
[(3 x 13) + (2 x 12) + (10)]/6 = 121/6
Weights Applied Period
3 Last month
2 Two months ago
1 Three months ago
6 Sum of weights
Quantitative Approaches
2b. Weighted Moving Average
Latihan Kasus-1, jika pembobotan yang
diterapkan adalah 4,2, dan 1
Bulan Penjualan Aktual (ton)
Januari 10
Februari 12
Maret 13
April 16
Mei 19
Juni 23
Juli 26
Agustus 30
September 28
Oktober 18
November 16
Desember 14
Latihan kasus-2.
Carbondale hospital sedang mempertimbangkan untuk
membeli mobil ambulans baru. Keputusannya bergantung pada
jarak yang akan ditempuh tahun depan. Data berikut
menunjukkan jarak yang ditempuh 5 tahun terakhir.
Ramalkan jarak yang akan ditempuh tahun depan
dengan menggunakan rata-rata bergerak berbobot 2
tahunan dengan bobot 0.4 dan 0.6 sebagi bobot
terdekat.
Tahun Jarak (Km)
2008 3,000
2009 4,000
2010 3,400
2011 3,800
2012 3,700
Quantitative Approaches
2b. Weighted Moving Average
Latihan kasus-3.
Tabel berikut adalah jumlah takaran (dalam labu)
golongan darah O yang digunakan Carbondale
hospital selama 6 minggu terakhir.
Ramalkan permintaan untuk minggu tanggal 12
oktober dengan menggunakan rata-rata bergerak
berbobot 3 mingguan dengan bobot 0.1, 0.3, dan
0.6 untuk minggu lalu terdekat
Minggu ke Labu yg digunakan
31 Agustus 360
7 september 389
14 september 410
21 september 381
28 september 368
5 oktober 374
Quantitative Approaches
2b. Weighted Moving Average
Quantitative Approaches
2b. Weighted Moving Average
Baik rata-rata bergerak sederhana maupun
rata-rata bergerak dengan pembobotan
sangat efektif dalam meredam fluktuasi pada
pola permintaan untuk menghasilkan
prediksi yang stabil.
Ada 3 persoalan pada rata-rata bergerak:
1. Bertambahnya jumlah n (jumlah periode
yang dirata-ratakan) memang meredam
fluktuasi dengan lebih baik, tetapi membuat
metode ini kurang sensitif terhadap
perubahan nyata pada data
Peramalan Penganggaran Perusahaan
Haris Karyadi,SST,MM 14
Quantitative Approaches
2b. Weighted Moving Average
Ada 3 persoalan pada rata-rata bergerak:
2. Rata-rata bergerak tidak dapat
menggambarkan tren dengan baik.
Karena merupakan rata-rata, mereka akan selalu
berada dalam tingkat yang sebelumnya dan tidak
akan memprediksikan perubahan ke tingkat yang
lebih tinggi atau lebih rendah yang merupakan
nilai aktual sesungguhnya.
3. Rata-rata bergerak membutuhkan data masa
lalu yang ekstensif.
Quantitative Approaches
2b. Weighted Moving Average
Ada 3 persoalan pada rata-rata bergerak:
2. Rata-rata bergerak tidak dapat
menggambarkan tren dengan baik.
Karena merupakan rata-rata, mereka akan selalu
berada dalam tingkat yang sebelumnya dan tidak
akan memprediksikan perubahan ke tingkat yang
lebih tinggi atau lebih rendah yang merupakan
nilai aktual sesungguhnya.
3. Rata-rata bergerak membutuhkan data masa
lalu yang ekstensif.
Moving Average And
Weighted Moving Average
30 –
25 –
20 –
15 –
10 –
5 –
Sales demand
| | | | | | | | | | | |
J F M A M J J A S O N D
Actual
sales
Moving
average
Weighted
moving
average
Quantitative Approaches
2b. Weighted Moving Average
Dari tabel dapat dilihat :
Garis rata-rata bergerak dan garis ratarata
bergerak dengan pembobotan
tertinggal dari permintaan aktual sejak
bulan april.
Namun rata-rata bergerak dengan
pembobotan akan bereaksi lebih cepat
saat terjadi perubahan permintaan.
Bahkan saat periode menurun (november
dan desember).
Rata-rata bergerak dengan pembobotan
dapat lebih mendekati permintaan aktual
Quantitative Approaches
3. Exponential Smoothing
Penghalusan Eksponensial :
Merupakan metode peramalan rata-rata
bergerak dengan pembobotan yang
canggih.
Metode ini menggunakan pencatatan
masa lalu yang sangat sedikit
Merupakan metode peramalan rata-rata
bergerak dengan pembobotan yang
canggih, tetapi masih mudah digunakan.
Metode ini menggunakan pencatatan
data masa lalu yang sangat sedikit
Requires smoothing constant (a)
Ranges from 0 to 1
Subjectively chosen
Involves little record keeping of past
data
3.Exponential Smoothing
(penghalusan Eksponensial)
Peramalan Penganggaran Perusahaan
Haris Karyadi,SST,MM 15
© 2008 Prentice Hall, Inc. 4 – 85
Exponential Smoothing formula
New forecast = Last period’s forecast + a (Last period’s actual
demand) – Last period’s forecast)
Ft = Ft – 1 + a(At – 1 - Ft – 1)
where Ft = peramalan baru
Ft – 1 = peramalan sebelumnya
a = konstanta penghalusan (pembobotan)
yang dipilih oleh peramal yang dengan
nilai antara 0 dan 1 (0 a 1)
(At – 1 = permintaan aktual periode lalu
Peramalan baru =
peramalan periode terakhir + a (permintaan aktual
periode terakhir) – peramalan periode terakhir
Contoh kasus
Pada bulan januari seorang penjual mobil
memprediksi permintaan Ford Mustang dibulan
februari sebanyak 142 mobil.
Permintaan aktual bulan februari adalah 153
mobil.
Dengan menggunakan konstanta penghalusan
yang dipilih oleh pihak manajemen, a = 0.20,
Hitunglah ramalan permintaan untuk bulan Maret
dengan menggunakan teknik penghalusan
eksponensial.
3.Exponential Smoothing
(penghalusan Eksponensial)
Exponential Smoothing
Example
Predicted demand = 142 Ford Mustangs
Actual demand = 153
Smoothing constant a = .20
© 2008 Prentice Hall, Inc. 4 – 88
Exponential Smoothing
Example
Predicted demand = 142 Ford Mustangs
Actual demand = 153
Smoothing constant a = .20
New forecast = 142 + .2(153 – 142)
New forecast = 142 + .2(153 – 142)
= 142 + 2.2
= 144.2 144 cars
Konstanta penghalusan untuk bidang bisnis
biasanya berkisar dari, a = 0.05 ~ 0.5
Konstanta ini bisa diubah untuk memberi bobot
lebih pada data sekarang (saat tinggi) atau bobot
lebih pada masa data lalu(saat rendah).
Nilai a yang rendah, digunakan saat rata-rata
cukup stabil
Nilai a yang tinggi, digunakan saat rata-rata
cenderung berubah.
Tujuan dari pemilihan suatu nilai konstanta
penghalusan adalah mendapatkan peramalan yang
paling akurat
3.Exponential Smoothing
(penghalusan Eksponensial) Impact of Different a
225 –
200 –
175 –
150 – | | | | | | | | |
1 2 3 4 5 6 7 8 9
Quarter
Demand
a = .1
Actual
demand
a = .5
Peramalan Penganggaran Perusahaan
Haris Karyadi,SST,MM 16
Impact of Different a
225 –
200 –
175 –
150 – | | | | | | | | |
1 2 3 4 5 6 7 8 9
Quarter
Demand
a = .1
Actual
demand
a = .5
Chose high values of a
when underlying average
is likely to change
Choose low values of a
when underlying average
is stable
Quantitative Approaches
4. Tren Projection
Proyeksi Tren:
Teknik ini mencocokkan garis tren pada
serangkaian data masa lalu, kemudian
memproyeksikan garis pada masa datang
untuk peramalan jangka menengah atau
jangka panjang.
Tren merupakan gerakan lamban
berjangka panjang dan cenderung menuju
ke satu arah (menaik atau menurun)
dalam suatu data runut waktu.
4.Trend Projections
Fitting a trend line to historical data
points to project into the medium to
long-range
Linear trends can be found using the
least squares technique
y = a + bx ^
where y = computed value of the variable to be
predicted (dependent variable)
a = y-axis intercept
b = slope of the regression line
x = the independent variable
^
Quantitative Approaches
4. Tren Projection
Quantitative Approaches
4. Tren Projection
Analisis Tren merupakan analisis runtut
waktu atau data berkala sebagai variabel
bebas (X), Terdiri atas:
A. Tren garis lurus (linear)
1. Metode kuadrat terkecil
2. Metode kuadrat terkecil (PX=0)
3. Metode Momen
B. Tren bukan garis lurus (non-linier)
1. Tren parabola kuadrat
2. Tren exsponensial
Tren garis lurus (linear) adalah
suatu tren yang diramalkan naik
atau turun secara garis lurus.
Variabel waktu sebagai variabel
bebas (X) dapat menggunakan
waktu tahunan, semester, triwulan,
bulanan, mingguan
A. Analisis Tren Garis Lurus
Rumus:
Y = a + bX
b= n XY - X Y
n X² - ( X)2
a= Y – b X
n n
1. Analisis Tren Garis Lurus
Metode Kuadrat Terkecil (least square)
Rumus:
Y = Variabel terikat
X = Variabel bebas
a = nilai konstan
b = kooefisien arah
regresi
n = banyaknya data
Peramalan Penganggaran Perusahaan
Haris Karyadi,SST,MM 17
Contoh kasus:
Data permintaan kecap PT Daisy selama
5 tahun terakhir:
Berapa ramalan permintaan untuk tahun
2013?
n tahun permintaan
(botol)
1 2008 130
2 2009 145
3 2010 150
4 2011 165
5 2012 170
Dibuat tabel seperti di bawah:
n tahun demand
(Y)
X X7 XY
1 2008 130 0 0 0
2 2009 145 1 1 145
3 2010 150 2 4 300
4 2011 165 3 9 495
5 2012 170 4 16 680
760 10 30 1,620
Analisis Tren Garis Lurus
Metode Kuadrat Terkecil (least square)
Rumus:
b= n XY - X Y
n X² - ( X)2
b= 5 x 1620 – 10 x 760
5 x 30 - (10)2
b = 10
Analisis Tren Garis Lurus
Metode Kuadrat Terkecil (least square)
Rumus:
a= Y – b X
n n
a= 760 – 10 10
5 5
a = 132
Rumus:
Y = a + bX
Y = 132 + 10 (5)
Y = 182 unit
Analisis Tren Garis Lurus
Metode Kuadrat Terkecil (least square)
Ramalan
permintaanuntuk
tahun 2013
adalah:
182 botol
• Dalam metode ini P X = 0
• Bila “n” ganjil X = …,-2,-
1,0,+1,+2,+…….
• Bila “ n “ genap X = ….,-5,-3,-
1,+1,+3,+5 +…
• Rumus :
• Y = a + b x
• a = P Y/n
• b = PXY / P XW
2.Metode least square
syarat P X = 0 Contoh kasus:
Bila jumlah data n genap, berapakah
ramalan permintaan di tahun 2013
dengan menggunakan metode
kuadrat terkecil (syarat P x = 0) ?
n tahun permintaan
(unit)
1 2009 145
2 2010 150
3 2011 165
4 2012 170
Peramalan Penganggaran Perusahaan
Haris Karyadi,SST,MM 18
tahun Y X XY X7
2009 145 -3 -435 9
2010 150 -1 -150 1
2011 165 1 165 1
2012 170 3 510 9
630 0 90 20
Dibuat tabel dengan perhitungan P X = 0
a = P Y / n = 630/4 = 157.5
b = P XY / PXW = 90 / 20 = 4.5
Persamaan trend garis lurus :
Y = a + bX = 157.5 + 4.5 (5)
= 180
Permintaan 2013 = 180 unit kecap
Rumus:
Y = a + bX
PY = n a + b PX
PXY = a PX + b PXW
3. Analisis Tren Garis Lurus
Metode Momen
Rumus:
Y = Variabel terikat
Y = Variabel bebas
a = nilai konstan
b = kooefisien arah
regresi
n = banyaknya data
n tahun demand
(Y)
X X7 XY
1 2008 130 0 0 0
2 2009 145 1 1 145
3 2010 150 2 4 300
4 2011 165 3 9 495
5 2012 170 4 16 680
760 10 30 1,620
3. Analisis Tren Garis Lurus
Metode Momen
P Yi = n.a + b P xi
760 = 5a + 10 b ……………….(1)
Pxiyi = aPxi + b P xiW
1620 = 10 a + 30 b ……………..(2)
Cari b dengan cara eliminasi a
5a + 10 b = 760………….(1) X 2
10a +30b = 1620…………(2)
3. Analisis Tren Garis Lurus
Metode Momen
• 10 a + 20 b = 1520
• 10 a + 30 b = 1620 (-)
• -----------------------------
• - 10 b = - 100
• b = 10
• Cari a dengan b sudah diketahui, atau
sebaliknya
• 5a + 10 b = 760
• 5 a + 10 (10) = 760
• 5a = 660 660 / 5
• a = 132
3. Analisis Tren Garis Lurus
Metode Momen
Peramalan Penganggaran Perusahaan
Haris Karyadi,SST,MM 19
Rumus:
Y = a + bX
Y = 132 + 10 (5)
Y = 182 unit
3. Analisis Tren Garis Lurus
Metode Momen
Ramalan
permintaan untuk
tahun 2013
adalah:
182 unit
Latihan kasus-1
Data permintaan kecap PT Daisy selama 6 tahun
terakhir: Hitunglah ramalan permintaan untuk tahun
2013 dengan metode tren:
kuadrat terkecil, kuadrat terkecil (syarat X = 0) &
Metode Momen
N tahun Permintaan (ton)
1 2007 3000
2 2008 4000
3 2009 5000
4 2010 8000
5 2011 7000
6 2012 9000
Latihan kasus-2
Permintaan daya listrik pada PT Cibitung listrindo
selama periode 2006~2012 ditunjukkan pada tabel
dibawah dalam satuan megawatt Hitunglah ramalan
permintaan untuk tahun 2013 dengan metode tren:
kuadrat terkecil, kuadrat terkecil (syarat X = 0) &
Metode Momen
tahun Permintaan daya listrik(MW)
2006 74
2007 79
2008 80
2009 90
2010 105
2011 142
2012 122
Latihan kasus-3
Berikut adalah data penjualan PT Bara asri 11 tahun
terakhir (dalam ton).
Hitunglah ramalan permintaan untuk tahun 2013
dengan metode tren: kuadrat terkecil, kuadrat
terkecil (syarat X = 0) & Metode Momen
tahun Penjualan
(ton)
2002 15,000
2003 16,000
2004 17,000
2005 17,500
2006 18,000
2007 18,500
tahun Penjualan
(ton)
2008 18,500
2009 19,000
2010 19,250
2011 19,500
2012 19750
blog taik
BalasHapus