07 Pemodelan dan Simulasi Peramalan

(1)

MODEL

FORECASTING

Pemodelan & Simulasi

Sistem Peramalan

(2)

Pendahuluan

• _Peramalan_{merupakan bagian penting bagi setiap organisasi}

bisnis dan untuk setiap pengambilan keputusan manajemen yang sangat signifikan.

• _{Peramalan menjadi dasar jangka panjang bagi perencanaan}

jangka panjang perusahaan.

• _{Peramalan merupakan}_input_{bagi proses perencanaan dan}

pengambilan keputusan

• _{Definisi :}

• Adalah ramalan tentang apa yang akan terjadi dimasa yang akan datang.

• Adalah penggunaan data masa lalu dari sebuah variabel atau kumpulan variabel untuk mengestimasi nilainya di masa yang akan datang

• _{Dengan peramalan kita dapat memprediksi apa yang terjadi}

(3)

• _{Pemanfaatan Peramalan :}

• _Keuangan_{: peramalan memberikan dasar dalam}

menentukan anggaran dan pengendalian biaya

• _Pemasaran_{: peramalan penjualan dibutuhkan untuk}

merencanakan produk baru, kompensasi tenaga jual, dan beberapa keputusan penting lainnya

• _{Produksi & operasi}_{: menggunakan data peramalan}

untuk perencanaan kapasitas, fasilitas, produksi, penjadwalan, dan pengendalian persediaan.

• _Ekonomi_{: menetapkan kebijakan ekonomi seperti tingkat}

pertumbuhan ekonomi, tingkat pengangguran, tingkat inflasi

• _{Karakteristik Peramalan :}

• _Keakuratan • _Biaya

(4)

Komponen Peramalan Permintaan

1. Batasan Waktu (Time Frame)

• _{Time Frame mengidentifikasikan seberapa jauh}

dimasa yang akan datang yang telah diramalkan

• _{Menentukan jangka waktu peramalan,}

misalnya pengklasifikasian jangka waktu

(jangka pendek, jangka menengah, dan jangka panjang)Rentang Waktu Tipe Keputusan

Jangka Pendek ( 3 – 6

bulan) Operasional Jangka Menengah (2

tahun)

Taktis Jangka Panjang (Lebih 2

(5)

Komponen Peramalan Permintaan

2. Perilaku Permintaan (Demand Behavior)

• _{Perilaku permintaan kadang-kadang tidak}

beraturan

• _{Tiga jenis :}

o Trend ; perilaku permintaan jangka panjang atau pendek dimana pergerakkannya

tergantung pada permintaan

o Cycle ; gelombang naik turun pergerakkan permintaan yang berulang-ulang pada suatu jangka waktu yang panjang

o Seasonal Pattern ; suatu gerakan

perputaran permintaan yang terjadi secara periodik (dalam waktu yang pendek) dan berulang

(6)

Komponen Peramalan Permintaan

(7)

(8)

(9)

(10)

(11)

(12)

(13)

(14)

(15)

Metode Peramalan

1. Metode Kualitatif

• Metode ini tidak ada model matematik, biasanya dikarenakan data yang ada tidak cukup

representatif untuk meramalkan masa yang akan datang (long term forecasting).

• Peramalan kualitatif menggunakan pertimbangan pendapat para pakar di bidangnya.

• _{Kelebihan : biaya murah (tanpa data) dan cepat}

diperoleh.

• Kekurangan : bersifat subyektif (kurang ilmiah)

(16)

Metode Peramalan

2. Metode Kuantitatif

• Penggunaan metode ini didasari pada ketersediaan data metah disertai serangkaian kaidah matematis untuk meramalkan hasil dimasa depan

• Model peramalan dengan metode kuantitatif : 1. Time Series Methods

◦Metode statistik yang menggunakan data historis yang dihimpun pada suatu periode waktu. Dengan asumsi bahwa apa yang terjadi dimasa lalu akan terjadi dimasa yang akan datang.

◦ Model Constant Forecasting ◦ Model Moving Average

◦ Model Exponential Smooting

2. Regression Methods

(17)

Model

Constant

Forecasting

Persamaan garis yang menggambarkan pola konstan adalah:

Y’(t) = a dimana a = konstanta

Untuk mendapatkan nilai (a) maka dapat didekati melalui turunan kuadrat

(18)

Jadi, apabila pola data berbentuk konstan, maka peramalannya dapat didekati dengan harga rata-rata dari data tersebut.

CONTOH :

Diberikan data permintaan pabrik konveksi PT Garmen Mandiri dari bulan Januari sampai Juni tahun 2016. Tentukan jumlah permintaan untuk lima bulan selanjutnya dengan

(19)

Model

Moving Average

• _{Digunakan untuk menentukan trend dari suatu}

deret waktu.

• _{Metode ini digunakan untuk data yang}

perubahannya tidak cepat, dan tidak mempunyai karakteristik musiman atau seasonal.

• _{Model ini mengestimasi permintaan periode}

berikutnya sebagai

• _{rata-rata data permintaan aktial dari n periode}

(20)

(21)

(22)

Contoh :

Diberikan data harga

penutupan akhir minggu surat-surat berharga perusahaan

“Mandala” yang bergerak dalam bidang

Maka Moving Average 3 mingguan (SMA3) terhadap harga

penutupan akhir minggu saham diperoleh dari

perhitungan berikut:

Minggu (t)

Permintaan (Y)

Simple Moving Average

(23)

Model

Weighted Moving Average

Metode rata-rata yang disesuaikan lebih dekat

(24)

Model Weighted Moving Average

Contoh :

Diketahui data penjualan suatu departement store 4 bulan periode. Kemudian ingin meramalkan

penjualan bulan ke-5 dengan moving average

dimana menggunakan bobot 40% actual sales untuk bulan saat ini (4), 30% untuk 2 bulan sebelumnya, 20% untuk 3 bulan sebelumnya, dan 10% untuk 4 bulan sebelumnya. Data penjualannya sebagai

berikut:

Mont

h1 Month2 Month3 Month4 Month5

(25)

Model

Exponential Smoothing

• _{Metode yang bereaksi pada perubahan perilaku}

permintaan pada waktu terakhir (sekarang)

• _{Metode ini merespon perubahan permintaan yang}

cepat

• _{Metode ini berguna bila perubahannya adalah hasil}

(26)

Contoh :

Tabulasi data berikut ini merupakan actual sales

dalam unit untuk 6 bulan dan peramalan dimulai dari bulan januari.

Month Jan Feb Mar

c Apr May June

Actual

Sales 100 94 108 80 68 94

a. Hitunglah estimasi nilai ramalannya

menggunakan simple exponensial smoothing

dengan  = 0.2 jika inisial estimasi periode

Januari = 80.

(27)

Month Actual _Sales F’ Error (D-F’)^2

Jan 100 Feb 94 Marc 108

Apr 80 May 68 June 94 June

(28)

Model Regresi Linier

• _{Merupakan suatu teknik matematis yang}

menghubungkan variabel independent dengan variabel dependent

• _{Merupakan analisis statistika yang}

memodelkan beberapa variabel menurut

bentuk hubungan persamaan linier eksplisit (adalah persamaan linier yang menempatkan suatu peubah secara tunggal pada salah satu persamaan)

• _{Merupakan salah satu model teknik analisis}

statistika yang digunakan untuk

(29)

Model Regresi Linier

• _{Dalam metode ini, ada data yang nantinya digunakan}

untuk membentuk persamaan regresi

(30)

Model Regresi Linier

Contoh :

Bagian penjualan toko, menggunakan data 1 tahun sebagai sampel untuk mencari data peramalan pada tahun yang akan datang

Bulan 1 2 3 4 5 6 7 8 9 10 11 12

Penjual

an 50 55 54 52 65 48 53 58 55 52 50 49

a. Berapakah penjualan pada bulan Januari di tahun mendatang (bulan ke-13) ?

(31)