Before making an investment decision, must answer these question:

(1)

(2)

• Before making an investment decision, must

answer these question:

– What should be the size or amount capital

required?

– How large should be the size of workforce?

– What should be the size of the order and safety

stock?

– What should be the capacity of the plant?

(3)

DEFINITION FORECASTING (American Marketing Association)

• “An estimate of sales in physical units for a specified

future period under proposed marketing plan or program and under the assumed set of economic and other

forces outside the organisation for which the forecast is made”

• Forecasting is an estimate of future event achieved by systematically combining and casting in predetermined way data about the past.

• Forecasting is based on the historical data and its

(4)

Need for Demand Forecasting

• Majority of the activities is depend on the future sales

• Projected demand for the future assists in decision making with respect to investment in plant and machinery, market planning and programs.

• To schedule the production activity to ensure optimum utilisation of plant’s capacity

• To prepare material planning to take up replenishment action to make the materials available at right quantity and right time

• To provide an information about the relationship between demand for different products

• To provide a future trend which is very much essential for product design and development

(5)

Forecasting Time Horizon

• Short Range Forecast:

– This forecast has a time span of up to 1 year but is generally less than 3 months.

– It is used for planning purchasing, job scheduling, workforce levels, job assignments, and production levels

• Medium Range Forecast:

– This forecast has a time span from 3 months to 3 years

– It is used for sales planning, production planning, and budgeting, and analysis of various operating plans

• Long Range Forecast:

– Generally 3 years or more in time span

– It is used for new products, capital expenditures, facility location or expansion, and R&D

(6)

Forecasting Approaches

• Qualitative Methods

– Incorporate such factors as the decision maker’s intuition, emotions, personal experiences, and value system in reaching a forecast.

• Quantitative Methods

– It use a variety of mathematical models that rely in historical data or associative variables to forecast demand.

(7)

Individual Opinion : Opini peramalan berasal dari pribadi

(Individu) → pakar/expert dalam bidangnya yaitu :

- Konsultan : Ilmiah / non Ilmiah - Manajer pemasaran / produksi

- Individu yang banyak bergerak pada masalah tersebut.

Group Opinion : Opini peramalan diperoleh dari beberapa orang dengan mencoba merata-ratakan hasil peramalan yang lebih obyektif

(rasional)

(8)

MACAM-MACAM GROUP OPINION: • Riset Pasar

– Berguna bila ada kekurangan data historik atau data tidak reliabel. – Tahapan dalam riset pasar:

• Memastikan informasi yang dicari

• Memastkan sumber-sumber informasi

• Menetapkan cara pengadaan atau pengumpulan data • Mengembangkan uji pendahuluan peralatan pengukuran • Menformulasikan sampel

• Mendapatkan informasi

(9)

• Metode Delphi

– Teknik yang digunakan untuk mendapatkan konsensus pendapat dari kelompok ahli kemudian mengumpulkan dan menformulasikan daftar pertanyaan baru dan dibagikan kepada kelompok.

• Analogi historik

– Peramalan dilakukan dengan menggunakan pengalaman historik produk sejenis.

• Konsensus Panel

– Gagasan yang didiskusikan secara terbuka oleh kelompok untuk

menghasilkan ramalan yang lebih baik daripada dilakukan seseorang. Partisipan terdiri dari: eksekutif, orang penjualan, para ahli dan

(10)

Quantitative Forecasting

• Time Series Analysis

– Identifies the historical pattern of demand for the product or project and extrapolates this demand into the future. – Past data is arranged in a chronological order as a

dependent variable and time as an independent variable

• Causal Methods

– Identifies the factors which cause the variation of demand and tries to establish a relationship between the demand and these factors  not only depend on time variable.

(11)

Faktor-faktor yange berpengaruh: - harga produk - saluran distribusi - promosi - pendapatan - jumlah penduduk, dll

dt = f (faktor penyebab demand)

Pada metode ini diperlukan : - identifikasi variabel yang relevan - mencari fungsi yang cocok

Kebaikan : - mempunyai ketepatan hasil yang tinggi

- dapat digunakan untuk peramalan jangka panjang Kelemahan : - tidak praktis, membutuhkan banyak jenis data

- waktu lama - mahal

(12)

Forecasting : upaya memperkecil resiko yang mungkin

timbul akibat pengambilan keputusan dalam suatu perencanaan produksi

Namun, upaya memperkecil resiko dibatasi oleh biaya Biaya total Biaya peramalan Biaya resiko Upaya peramalan

(13)

Metode peramalan Model kualitatif Model kuantitatif Time series kausal smoothing regresi ekonometri Regresi multivariate Moving average Exponential smoothing

(14)

Faktor-faktor yang harus dipertimbangkan dalam pemilihan metode peramalan : - tujuan peramalan - jangkauan peramalan - tingkat ketelitian - ketersediaan data - bentuk pola data - biaya

Hal-hal yang harus dilakukan :

- definisikan tujuan peramalan - buat diagram pencar

- pilih beberapa metode peramalan - hitung ramalan dan kesalahannya

(15)

JENIS POLA DATA : - Konstan - Trend (linier ) - Musiman (seasional) - Cyclic (siklis) Fungsi peramalan : - Konstan : dt’ = a - Trend (linier) : dt’ = a + bt - Kwadratis : dt’ = a + bt + ct2 - Eksponential : dt’ = a.ebt

(16)

Standar Error Of Estimate (SEE)

f = derajat bebas

1 = untuk data konstan 2 = untuk data linier

3 = untuk data kwadratis Contoh :

Dari12 bulan terakhir ini dicatat penjualan produk “x” sbb :

Bagaimana ramalan permintaan produk “x” untuk 12 bulan mendatang ? Bulan J F M A M J J A S O N D Penjualan (dt = Xt) 30 20 45 35 30 60 40 50 45 65 50 35







    n t t f n F X SEE 1 2

(17)

METODE REGRESI LINIER SEDERHANA dt’ = f(t) Konstan :

→ a = 30 + 20 + …. + 50 + 35 = 42

12 dt

’

= 42

n dt a a n dt a dt n t n t n t n t



       1 1 1 1 .

(18)

dt = X(t) Ramalan (dt’₎ _{dt – dt}’ _(dt-dt’₎2 1. 30 2. 20 3. 45 4. 35 5. 30 6. 60 7. 40 8. 50 9. 45 10. 65 11. 50 12. 35 42 42 42 42 42 42 42 42 42 42 42 42 -12 -22 3 -7 - 12 18 -2 8 3 23 8 - 7 144 484 9 49 144 324 4 64 9 529 64 49 Jumlah 1873 MENCARI SEE :

(19)









n t

n

f

dt

1 2

)

'

(

SEE

05 ,

13

27 ,

170

1

12 1873







(20)

REGRESI LINIER ~ TREND

dt’ = a + bt

→

 

2 1 1 2 1 1 1

.



















     n t n t n t n t n t

t

N

t

y

t

y

t

N

b

2 1 1 2 1 1 1

.



 

    

















n t n t n t n t n t

t

N

t

dt

t

N

b

(21)

N

t

b

N

dt

a

n t n t



















₁



1

bt

dt

a

N

t

b

N

dt

a

n t n t

























_₁



1

(22)

T dt = y(t) t.dt t2 _dt’ _dt-dt’ (dt-dt’)2 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 30 20 45 35 30 60 40 50 45 65 50 35 30 40 135 140 150 360 280 400 405 650 550 420 1 4 9 16 25 36 49 64 81 100 121 144 31 33 35 37 39 41 43 45 47 49 51 53 -1 -13 10 -2 -9 19 -3 5 -2 16 -1 -18 1 169 100 4 81 361 9 25 4 256 1 324 ∑ = 78 = 6,5 505 = 42 3560 650 ∑ = 1335

(23)

b = 12.(3560) – 505.78 12(650) – 782 = 3330 = 1,94 1716 = 42 – 1,94 (6,5) = 42 – 12,61 = 29,39 → dt’ = 29,39 + 1,94t ~ dt’ = 29 + 2t





55 , 11 5 , 133 2 12 1335 1       



 SEE SEE f n dt dt SEE n t i

(24)

 Untuk regresi konstan : dt’ = 42 SEE = 13,05

 Untuk regresi linier : dt’ = 29 + 2t SEE = 11,55

METODE SMOOTHING

Pada metode smoothing, data digunakan periode per periode terdiri dari 2 kelompok, yaitu :

metode rata-rata dan metode exponential smoothing

a) Single Moving Average

atau rata-rata bergerak

Moving average pada suatu periode merupakan peramalan untuk satu periode ke depan dari periode rata-rata tersebut.

(25)

Contoh : Data Penjualan suatu produk 12 bulan terakhir :

t Data penjualan (Unit) Moving Total Ramalan 1 2 3 4 5 6 7 8 9 10 11 12 13 400 490 570 500 640 680 710 800 820 910 860 950 ? -1460 1560 1710 1820 2030 2190 2330 2530 2590 2720 -487 520 570 607 677 730 777 844 864 907

(26)

-• Peramalan untuk bulan ke 13 = 907

• Peramalan untuk bulan ke 14 =

Last moving total +demand utk bulan ke 13 – demand utk bulan ke 10 3

= 2720 +907 – 910 3

(27)

b. Linier Moving Average

Jika pola data menunjukan “Pola Trend” maka single moving

average tidak tepat. Yang lebih tepat adalah linier moving average. Dasarnya : Penggunaan moving average kedua untuk memperoleh

penyesuaian pola trend

1. Hitung single moving average dari data dengan periode perata-rataan tertentu; hasilnya notasikan St’

2. Hitung moving average kedua, yaitu moving average dari St’ dengan periode perata-rataan yang sama, hasilnya notasikan dengan St’’

3. Hitung komponen at dengan rumus : at = St’ + (St’ - St’’)

4. Hitung komponen trend bt dengan rumus : bt = 2 (st’ – st‘’)

(28)

5. Peramalan m periode ke depan setelah t adalah sbb : Ft = at + bt Contoh : t Penjuala_{n (unit)} MA (4) (st’) MA (4) (st’’) at bt at+bt 1 2 3 4 5 6 7 8 9 10 11 12 13 14 140 159 136 157 173 131 177 188 154 179 180 160 ? ? 148 156,25 149,25 159,50 167,25 162,50 174,50 175,25 168,50 153,25 158,06 159,62 165,93 169,87 170,12 165,75 176,43 165,37 183,06 180,62 166,37 4,17 6,13 1,92 5,71 3,58 -1,25 169,91 182,56 167,29 188,77 184,20 165,12 163,85

(29)

Single Exponential Smoothing

Dipakai untuk peramalan jangka pendek. Dasar pemikiran :

Nilai ramalan pada periode t + 1 merupakan nilai aktual pada periode t ditambah dengan penyesuaian yang berasal dari kesalahan nilai ramalan yang terjadi pada periode tersebut.

Ft + 1 = Ft + α (Xt – Ft) Permasalahan : Inisialisasi !!! - Nilai awal F1?

- Harga α (parameter / koefisien smoothing) F1 → Nilai X1 atau

Nilai rata-rata 4 s/d 5 (Xt) pertama α → 0 < α < 1

Modifikasi :

(30)

t

1

2

3

4

5

6

7

8 9 10 11 12

dt 30 20 45 35 30 60 40 50 45 65 50 35

Jika α = 0,1 d₁’ = d₁ = 30, maka d₂’ = 0,1 (30) + 0,9(30) = 30 d₃’ = 0,1(d₂) + 0,9 (d₂’) 0,1(20) + 0,9 (30) = 29 d₄’ = 0,1(45) + 0,9 (29) = 30,6 dst

(31)

PROSEDUR PERAMALAN

1. Definisikan tujuan peramalan yang akan dilakukan 2. Buat diagram pencar dari data

3. Pilih paling tidak 2 metode yang dapat mengakomodasikan tujuan tersebut dan mendekati pola data yang tergambar dari langkah 2 4. Hitung kesalahan peramalan yang terjadi

5. Pilih metode peramalan yang terbaik, yaitu : - yang memberikan kesalahan terkecil atau

- kalau ingin menguji lebih halus lagi gunakan tes variansi Contoh

Dari 12 bulan terakhir, tercatat penjualan produk “x” sebagai berikut :

Bulan J F M A M J J A S O N D

(32)

Bagaimana ramalan permintaan produk “x” untuk 12 bulan mendatang?

 Penggambaran diagram pencar

Berdasarkan gambar diagram pencar tersebut akan dicoba 2 bentuk pola data, yaitu konstan dan trend. Untuk konstan diambil metode moving average 4 periode dan untuk trend digunakan metode linear moving average 4 periode.

(33)

Data MA(4) Ramalan e e2 30 20 45 35 30 60 40 50 45 65 50 35 32,50 32,50 42,50 41,25 45,00 48,75 50,00 52,50 48,75 32,50 32,50 42,50 41,25 45,00 48,75 50,00 52,50 48,75 -2,50 27,50 -2,50 8,75 0 16,25 0 17,50 6,25 756,25 6,25 76,56 0 264,06 0 306,25 1415,62

(34)

Data MA(4)_St’ M4(4x4)_St” at bt F_{t + m} e e2 30 20 45 35 30 60 40 50 45 65 50 35 32,50 32,50 42,50 41,25 45,00 48,75 50,00 52,50 48,75 37,19 40,31 44,38 46,25 49,06 49,94 45,31 46,69 53,12 53,75 55,94 47,56 2,71 3,13 2,91 2,50 0,63 -0,79 48,02 49,82 56,03 56,25 56,57 46,77 1,98 -4,82 8,97 -6,25 -21,57 3,92 23,23 80,46 39,06 465,26 611,93

(35)

 SEE data berpola trend “lebih kecil”, sehingga ramalan permintaan untuk 12 bulan mendatang sebagai berikut :

Ft + m = 47,56 – 0,79m Bulan 13  Ft = 46,77 Bulan 14  Ft = 45,98 Bulan 15  Ft = 45,19 Bulan 16  Ft = Bulan 17  Ft = Bulan 18  Ft = Bulan 19  Ft = Bulan 20  Ft = Bulan 21  Ft = Bulan 22  Ft = Bulan 23  Ft = Bulan 24  Ft =

(36)

Untuk menguji apakah fungsi cukup representatif pola datanya, digunakan proses verifikasi  digunakan Moving Range Chart

(Peta sebaran bergerak)

(37)

Dari data yang lalu : dt’ = 29 + 2t. (Regresi Linier) t dt dt’ dt – dt’ MRt 1 2 3 4 5 6 7 8 9 10 11 12 30 20 45 35 30 60 40 50 45 65 50 35 31 33 35 37 39 41 43 45 47 49 51 53 -1 -13 10 -2 -9 19 -3 5 -2 16 -1 -18 12 23 12 7 28 22 8 7 18 17 17 171

(38)

BA A B C

t

BB A B C 41,32 27,48 13,74 0 -13,74 -27,48 -41,23

(39)

KONDISI – KONDISI OUT OF CONTROL

- Bila ada titik sebaran (dt-dt’) diluar batas kontrol (>BA

; <BB)

Jika semua titik sebaran berada pada batas kontrol,

apakah dijamin bahwa fungsi tersebut representatif ?

Belum tentu !!

Cek, ikuti aturan berikut

:

- Aturan 3 titik

: bila ada tiga buah titik secara berurutan

yang ada pada salah satu sisi, daerah A

- Aturan 5 titik

: bila terdapat lima buah titik secara

berurutan berada pada salah satu sisi, daerah B

- Aturan 8 titik

: bila terdapat 8 buah titik secara

berurutan berada pada salah satu sisi, daerah C

(40)

MRC OUT OF CONTROL Gunakan Fungsi yang Diperoleh untuk meramal Gejala tsb bukan Bersifat random Sehingga data Menyimpang (≠ tidak mengikuti hk. Statistika) Fungsi Penyebabnya diketahui Ganti dengan Fungsi baru Ulangi kembali Mengitung kembali Fungsi tsb dengan Menghilangkan

titik-titik out of control sehingga diperoleh

Fungsi baru

(jumlah data berkurang)

tidak

ya

tidak

Mis: pada titik tsb ada pesanan khusus