PERTEMUAN KE-8 PERAMALAN
Ramalan cuaca adala salah satu dari banyak jenis ramalan yang di gunakan oleh beberapa organsasi bisnis.
Meskipun beberapa perusahaan hanya mengadalkan pada ramalan cuaca yang tersedia untuk mayarakat, perusahaan lain berubah menjadi persahaan berspesialisasi dalam ramalan yg berkaitan dgn cuaca. Conthnya perusahaan transfortasi pabrk, perusahaan pakaiaan, toko serba ada, serta perusahaan utiltas, menggunakan perusahaan- perusahaan ini agar membantu mereka mempertimbangkan faktor cuaca untuk mengestimasi permintaan.
Ramalan (forecast) adalah pernyataan mengenai nilai-nilai yg akan datang dari variabel seperti permintaan.
Artinya ramalan adalah prediksi mengenai masa depan. Prediksi yang lebih baik akan dapat menjadi keputusan lebih banyak informasi.
Perencanaan adalah bagian integral dari pekerjaan manajer. Apabila ketidak pastian menutup waktu perencanaan, manajer akan sulit merencanakan secara efektif. Ramalan membantu manajer mengurangi beberapa ketidakpastian, sehingga memperblehkan mereka untuk mengembangkan rencana yg leih berarti.
Beberapa ramalan jangka panjang sehinga mencakup beberapa tahun atau lebih. Ramalan jangka panjang sangat penting untuk keputsan yang akan memiliki konsukuensi jangka panjang bagi organisasi atau ibu kota, kota, negara, negara bagian atau bangsa. memutuskan kapasitas yg tepat untuk pembangkit listrik yg direncanakan akan peroperasi 20 tahun mendatang.
Ramalan mempengaruhi keputusan dan aktivitas diseluruh organisasi antara lain :
Desain Produk atau Jasa, Akuntansi, Keuangan , Sumber Daya Manusia, Pemasaran , MIS, Operasi
• Akuntansi : estimasi biaya produk atau proses yang baru, proyeksi laba, manajemen kas.
• Keuangan : kebutuhan peralatan atau pergantian peralatan, penentuan waktu dan jumlah dana atau jumlah pinjaman
• Sumber daya manusia : aktivitas perekrutan, termasuk rekrutmen, wawancara, pelatihan, perencanaan pemutusan hubungan kerja, pengurangan karyawan, konseling
• Pemasaran : penentuan harga dan promosi, strategi bisni dan elektronik ( e-business) strategi kompetisi global
• Management information system-MIS : sistem informasi baru atau sistem informasi yang di revisi, jasa internet
• Operasi : jadwal perencanaan kapasitas, penugasan kerja dan beban kerja, perencanaan persediaan, keputusan membuat atau membeli. Pengalihdayaan, manajemen proyek
• Desain Prodak atau Jasa : revisi fitur saat ini, desan produk atau jasa baru Ada Dua Kegunaan Ramalan
1. Membantu manajer merencanakan sistem. Perencanan sistem biasanya melibatkan jangka panjang mengenai jenis produk dan jasa yg di tawarkan., fasilitas dan peralatan yang dimiliki, lokasi DLL
2. Membantu manajer untuk merencakan penggunaan sistem. Mengacu ada jangka pendek, dan perencanaan jangka menengah yg melbatkan tugas’ seperti perencanaan persediaan dan tingkat tenaga kerja. Prncanaan pembelian damn produksi
Fitur-fitur Umum Untuk Semua Ramalan
1. Teknik ramalan biasanya berasumsi bahwa sistem sebab akibat serupa yg mendasarinya yg ada dimasalalu akan trs ada dimasa mendatang
2. ramalan untuk sekelompok objek cenderung labih akurat dr ramalan utk satu objk krn kesalahan antr paraobjek, dlm satu klmpok.biasanya memilih membatalkan ramalan
3. Ramalan jarang sempurna. Sehingga hasil aktual biasanya berbeda dari nilai prediksi.
4. Keakuratan ramalan menurun ketika periode waktu yg dicakup oleh ramalan-rentang waktu meningkat Unsur-unsur Ramalan Yang Bagus
Ramalan harus tepat waktu biasanya dibutuhkan sejumlah waktu tertentu agar dapat merespon informasi yg terkandung dalam ramalan. Ramalan harus akurat dan tingkat keakuratnya harus dinyatakan. Ramalan harus dpt diandalkan dan harus berfungsi terus menerus. Ramalan harus dinyatakan dalam unit yg bermakna. Ramalan harus dilakukan secara tertulis. Teknik ramalan harus sederhana untuk dipahami dan digunakan. Ramalan harus memiliki biaya yang efektif.
Tahapan Dalam Peramalan
1. Menentukan tujuan ramalan : bagaimana ramalan akan digunakan dan kapan akan di buthkan ramalan.
2. Menetapkan rentang waktu : ramalan harus mengindikasikan rentang waktu mengingat bahwa keakuratan menurun ketika rentang waktu meningkat
3. Memiliki teknik peramalan
4. Memperoleh , membersihkan, dan menganalisa data yg tepat : memperoleh data dpt meliputi usaha yg signifikan
5. Membuat ramalan
6. Memantau ramalan : untuk menentukan apakah ramalan ini dilakukan dengan cara yg memuaskan. Jika tidak memuaskan , periksa kembali metode peramalan.
Pendekatan peramalan
Ada dua pendekatan umum peramalan yaitu : kualitatif dan kuantitaf.
Metode Kualitatif terdiridari input subjektif yg seringkali melanggar uraian angka yg tepat. Teknik kualitatif diperbolehkan masukkannya informasi lunak ( faktor manusia, opini, pribadi, dugaan). Sedangkan metode kuantitatif meliputi proyeksi data historis atau pengembangan model asosiatip yg berupanya memanfaatkan variabel sebab akibat (penjelas) untk membuat ramlan. Teknik kuantitatif sebagian besar terdiri atas menganalisa tujuan atau data keras. Biasanya menghindari prasangka pribadi yg trkadang mencemarkan metode kualitatif
Teknik-teknik Peramalan Yg Di Klasifikasikan Sebagai Ramalan Berdasarkan Penilaian Deret Berkala, Atau Asosiatif
1. Rmln brdsrkan penilaian
Ramalan yang menggunakan input’ subjektif seperti opini dari survei konsumen, staf penjualan, manajer, eksekutif dan ahli.
2. R Deret berkala
Hanya berupaya untuk memproyeksikan pengalaman masa laku ke masa depan. Teknik ini menggunakan data hiistoris dgn asumsi baha masa dpn akn sprti masa lalu.
3. Model asosiatif
Menggunakan persamaan atas satu atau lebih variabel penjelas yg dapat digunakan untuk memprediksi permintaan Ramalan Disarkan Pada Penilaian Dan Opini
Dalam beberapa situasi, peramalan hanya mengandalkan penilaian dan opini untuk membuat ramalan. Apabila manajemn harus memiliki ramalan secara cepat, kemungkinan tidak ada cukup waktu untu mengumpulkan dan menganalisa data kuantitatif. Dilain waktu terutama ketika kondisi politk dan ekonmi berubah, data yg tersedia mungkin tidak terpakai dan informasi lebih mutakhir mungkin belum tersedia. Selain itu pengenalan prduk baru dan perancangan ulang produk yg ada atau pengemasan produk yg diperoleh dr kekurangan data historis akan bermanfaat dalam peramalan. Jadi, peramalan berdasarkan pd opini eksekutif, survei konsumen, opini staf penjualan, dan opini ahli.
1. Opini Eksekutif
sekelompok kecil manajer tingkat atas (dalam pemasaran, operasi, dan keuangan) dapat memenuhi serta mengembangkan ramalan secara kolektif. Di gunakan jangka panjang dan produk baru
2. Opini Tenaga Penjualan
para staf penjualan atau pelayanan pelanggan seringkali merupakan sumber informasi yg bagus krn mereka berhubungan langsung dgn konsumen. Mereka sering mengetahui setiap rencana yg dpt dipertimbangkan oleh pelanggan untuk masa depan.
3. Survei Konsumen
karena ada akhirnya konsumen yg menentukan permintaan, tampaknya kita wajar mminta meminta masukan. Dalam beberapa kasus beberapa pelanggan atau calon pelanggann dapat dikontak. Namun biasanya ada terlalu banyak pelangganatau tdk ada cr untuk mengidentifikasi eluruh calon pelanggan.
4. Pendekatan Lainnya
metode Delphi : proses berulang yg mana manajer dan staf mengisi serangkaian kuesioner, masing’ kuesioner dikembangkan dr kuesioner sebelumnya untuk mencapai ramalan yg tlh disepakati brsma.
Ramalan Didasarkan Pada Data Deret Berkala
Deret berkla : urutan waktu observasi yg diambil dlm jarak waktu tertentu (etiap jam, hari, mingguan, triwulanan, tahunan) datanya dapat menjadi ukuran dari permintaan, pendapatan, laba, muatan, kecelakaan, output, pengendapan produktivitas. Atau indeks harga konsumen.
Analisa Data Deret Berkala Mengharuskan Analisa Untuk Mengidentifikasi Perilaku Yg Mendasri Deret Tsb. Hal ini seringkali dpt dicapai dgn merencanakan skema data scr visual. Au atau belih pola dpt muncul seperti :
1. Trend: Pergerakan data jangka panjang ke atas atau kebawah( pergeseran populasi, pendapatn, budaya 2. Siklus: Variasi berbentuk gelombang lebih dari 1 tahun (ekonomi, politik)
3. Musiman: Variasi teratur jangka pendek yg berkaitan dgn kalender atau waktu dlm hari (restoran, toko) 4. Variasi tdk beraturan: Disebabkan oleh kondisi’ yg tidak biasa, tidak mencerminkan perilaku khas
(cuaca, sarangan)
5. Variasi acak (rendom variations) : sisa variasi yang tetap ada setelah semua perilaku lainnya diperhitngkan.
Metode Naif: Pendekatan sederhana tapi banyak digunakan untuk permalan. Ramalan Naif (naive forecast) adalah menggunakan satu nilai deret berkala sebelumnya sebagai dasar untuk ramalan. Pendekatan naif dapat digunakan dengan deret stabil (variasi disekitar rata’) variasi musiman, atau trend. Dengan deret stabil, titik data terakhir menjadi ramalan untuk priode berikutnya. Dengan demikian apabia permintaan untuk produk minggu terakhir adalah 20 kotak. Ramlan ramalan untuk minggu itu adalah 20 kotak.
Contoh
Permintaan Tokyo Disneyland di musim panas sama dengan permintaan musiaman di musim panas yg sudah berlalu; ramalan jumlah cek yg diuangankan ibank pada hari pertama dari bulan yg berikutnya sama dgn jumlah cek yg diuangkan pada hari pertama dari bulan ini; serta volume lalu lintas ala raya jumat ini sama dengan jumlah volum lalulintas jalan raya jumat sebelumnya . Untuk data dengan trend, ramalannyasama dengan nilai terakhirdari deret ditambah atau dikurang selisih antara dua nilai terakhir dari nilai deret ini.
Contohnya : andaikan dua nilai terakhir adalah 50 dan 53 gunakan t yg mewakili produk waktu saat ini kita memperoleh hasil sebagai berikut:
Periode aktual perubahan dari nilai sebelumnya Ramalan
t – 2 50
t – 1 53 +3
t-(berikutnya) 53+3=56
Meskipun pandangan pertama pendekatan naif tampaknya terlalu sederhana . pendekatan ini tetap merupakan alat yang sah. Perhatikan kelebihan pendekatan ini hampr tidak memiliki biaya, cepat dan mudah disiapkan karena tidak menggunakan analisis data serta mudah di mengerti.
Teknik untuk menghitung rata-rata
Data historis biasanya tediri dari atas jumlah variasi acak tertentu (white noise) yg cenderung mengaburkan pergerakan data secara sistematis, keadaan tidak beraturan ini muncul dr gabungan pengaruh banyak — mungkin sangat banyak — faktor yg relatif tdk penting dan tidak dapat diprediksi secara andal. Teknik untuk menghitung rata-rata meratakan variasi pada data. Idealnya teknik itu di inginkan agar benar’menghilangkan setiap keadaan datatdk beraturan dan hanya meninggalkan variai “riil” sepeti perubahan permintaan
Ada tiga teknik untuk menghitung rata-rata diuraikan pd bagian ini : Rata-rata Bergerak, Rata-rata Bergerak Tertimbang, Pemulusan Eksponensial
1. Rata-rata Bergerak
Rata-rata bergerak : teknik yang merata-ratakan sejumlah nilai aktual terbaru dan memperbaruinya ketika tersedia nilai baru.
N ƩAt-1
F1 = Man = i=1 = At-1 +... +At-2 +At-1
n n
Keterangan
Ft = ramalan untuk periode waktu t Man = rata-rata gerak periode n At-1 = nilai aktual pd periode t-1 n = jumlah periode (titik data)
dalam rata-rata bergerak
contoh
MA, akan mengacu pada ramalan rata-rata bergerak tiga periode, dan MA, akan mengacu pada ramalan rata-rata bergerak lima periode.
Hitunglah ramalan rata-rata bergerak tiga periode permintaan tertentu keranjang belanja selama lima periode terakhir.
Periode permintaan
1 42
2 40
3 43
4 40 3 periode paling baru
5 41
penjelaan
F6 = 43+40+41/3 = 41,33
Jika permintaan aktual pada perioe 6 berubah menjadi 38, ramalan rata-rata bergerak untuk periode 7 akan menjadi
40+41+38
F7 = = 39,33
3
Perhatikan bahwa dalam rata-rata bergerak ketika etiap nilai aktual baru telah teredia ramalan ini diperbaharui dgn menambah nilai terbaru dan mengurangi nilai terlama kemudian menghitung ulang rata-rata.
Konsekuensinya, ramalan “bergerak” hanya mencerminkan nilai terbaru.
Dalam menghitung rata-rata bergerak, memaukan kolom total bergerak memberikan jumlah nilai n terbaru dimana rata-rata akan dihitung—Membantu perhitungan. Untuk membantu total gerak, kurangi nilai lama dari nilai baru dan tambahkan jumlah itu ketotal bergerak untuk etiap total bergerak terbaru.
Rata-rata Bergerak Tertimbang (weighted average) nilai terbaru dalam deret diberikan beban lebih besar untuk menghitung ramalan.
Mialnya, nilai tebaru diberikan bobot 0.40, nilai terbaru berikutnbya diberikan bobot 0.30 , nilai terbaru berikut setelah itu diberikan bobot 0.20 dan nilai terbaru berikutnya di berikan bobot 0.10. perhatikan bahwa jumlah bobot harus 1 dan bobot paling besar diberikan pd nilali terbaru.
Berdasarkan data permintaan berikut ini :
hitunglah ramalan rata-rata tertimbang dengan menggunakan bobot 0.40 untuk periode terbaru. 0.30 untuk periode terbaru berikutnya, 0.20 untuk periode terbaru berikutnya.serta 0.10 untuk periode terbaru berikunntanya.
Jika permintaan aktul untuk periode 6 adalah 39 buatlah ramalan permintaan untuk periode 7 dengan menggunakan bobot dengan menggunakan bobot yang sama pada bagian a
Periode permintaan
1 42
2 40
3 43
4 40
5 41
1 secara umum F1 = wnAt-n + wn-1At-(n-1) +...w1At-1
• F6 =0,10 (40) + 0,20 (43) + 0,30 (40) + 0,40 (41) =41,0
• F7 = 0,10 (43) + 0,20 (40) + 0,30 (41) +0,40 (39) =40,2
Perhatikan bahwa apabila kita menggunakan empat bobot , hanya empat permintaan terbaru yang digunakan untuk menyusun ramalan
Kelebihan dari rata-rata tertimbang dibandingakn rata-rata bergerak seerhana adalah bahwa rata-rata tertimbang lebih efektif terhadap perstiwa terbaru, namun pilihan bobot agak sembarangan dan melibatkan penggunaan uji coba untuk menemukan skemapembobotan yang sesuai
Pemulusan Eksponensi
Pemulusan Eksponensi ( exponential smoothing) adalah metode Untuk menghitung rata-rata tertimbang yang canggih dan serta relatif mudah digunakan dan dipahami. Setiap ramalan baru didasarkan pada ramalan sebelumnya ditembah dgn persentasi selisih antara ramalan dengan nilai aktual dari deret pada titik tersebut.
Artinya.
ramalan berikutnya = ramalan sebelumnya = a(aktual - ramalan sebelumnya)
(aktual ramalan sebelumnya) mewakili kesalahan ramalan dan a adalah persentase dari kesalahan. Lebih ringkasnya Ft = Ft-1 + a(At-1 – Ft-1)
Keterangan
Ft = rmalan untuk periode t
Ft-1 =ramalan untuk periode sebelumnya (misalnya, periode t-1) A =konstanta pemulusan
At-1 = permintaaan aktual atau penjualan untuk periode sebelumya
Konstanta pemulusan a mewakili persentase kesalahan ramalan. Setiap ramalan baru sma dengan ramalan sebelumnya ditambah persentase kesalahan sebelumnya.
contoh : ramalan sebelumnya adalah 42 unit, permintaan aktual adalah 40 unit, dan a = 0,10. ramalan baru akan dihitung sebagai berikut :
Ft = 40+0,10(40-42) = 41,8
Kenudian apabila permintaan aktual berubah menjadi 43, ramalan berikutnyaakan menjadi Ft =41,8 +0,10(43-41,8) 41,92
Bentuk alternatif rumus 3-2a menyatakan pembobotan dari ramalan sebelumnya dan permintaan aktual terbaru.
Ft = (1-a)Ft-1 +aAt-1
Contoh jika a =0.10 rumusnya akan menjadi Ft =0,90Ft-1 +0,10At-1
Kecepatan penyesuaian ramalan terhadap kesalahan ditentukan dengan kostanta perluasan a semakin dekta nilai a dengan nol, semakin lambat ramalan akan menyesuaikan diri dengan kesalahan ramalan (mislnya : pemulusan lebih besar). Sebaliknya, semakin dekat nilai a dengan 1,00, semakin besar kemampuan untuk merespon dan pemulusan lebih kecil.
Contoh :
Tabel berikut mengilustrasikan dua deret ramalan untuk seperangkat data dan hasilnya (Aktual – Ramalan)
= kesalahan, untuk setiap produk. Salah satu ramalan menggunakan a = 0,10 dan ramalan lainnya menggunakan a = 0,40. figur berikut merencanakandata aktual dan seperangkat ramalan
Pada dasarnya memilih konstanta pemulusan adalah masalah penilaian atau uji coba, yaitu menggunakan kesalahan ramalan untuk mengarahkan keputusan. Sasarannya adalah memilih konstanta pemulusan yang menyeimbangkan keuntungan dari pemulusan variasi acak dengan keuntungan dari respons terhadap perubahan rill apa bila hal itu terjdi. Nilai a umumnbya digunakan berkisar dari 0,05 sampai 0,50, nilai a rendah digunakan ketika rata-rata yang mendasarinya cendrung stabil, sedangkan nilai a lebih tinggi digunakan ketika rata-rata mendasarinya rentan terhadap perubahan.
pemulusan eksponensial adalah slah satu teknik dari teknik –teknik yang paling banyak digunakan dalam peramalan. Sebagian karena kemudahan perhitungannya dan sebagian karena kemudahan skema pembobotan yang dapat diubah – hanya dengan mengubah nilai a
