Metode Peramalan Kausalik Rumus

(1)

PERAMALAN (FORECASTING)

Ari Darmawan, Dr. SAB. MAB

TE O R I P G B . K EP U TU SA N

(2)

• Sering pengambil keputusan membuat keputusan tanpa mengetahui apa yang akan terjadi di masa yang akan datang

• Pengambil keputusan seharusnya selalu ber-usaha membuat perkiraan yang terbaik berkaitan dengan apa yang akan terjadi di masa mendatang yang akan dihadapi dalam ketidakpastian.

Pendahuluan

(3)

• Ramalan adalah sebagai seni dan ilmu untuk

memprediksi kejadian di masa yang akan datang

• Dalam peramalan digunakan data historis dan

memproyeksikannya untuk masa yang akan datang dengan menggunakan model matematis sederhana.

• Dalam praktiknya, peramalan sering mengalami kesalahan  perlu diantisipasi dengan mencoba

mengurangi kesalahan itu sendiri, yaitu dengan cara memperbaiki peramalan, membuat fleksibilitas

dalam pelaksanaannya dan mengurangi waktu tunggu yang dibutuhkan dalam peramalan.

Pendahuluan

(4)

1. Horison waktu

Peramalan, yang diklasifikasikan oleh horison waktu yang akan datang yang terdiri atas 3 kategori yaitu:

a. Peramalan jangka pendek

adalah peramalan yang berkisar antara 1 sampai 3 bulan dan dipergunakan untuk perencanaan

pembelian, penjadwalan pekerjaan, tingkatan tenaga kerja, penugasan pekerjaan dan tingkat produksi

Faktor yang Mempengaruhi Peramalan

(5)

b. Peramalan jangka menengah

adalah peramalan yang berkisar antara 3 sampai 1 tahun dan digunakan untuk perencanaan penjualan, perencanaan produksi, penganggaran, anggaran

kas, dan analisis berbagai rencana operasi.

c. Peramalan jangka panjang

adalah peramalan yang memiliki jangka waktu lebih dari 3 tahun dan digunakan untuk perencanaan

produk baru, pengeluaran modal, alokasi peralatan atau ekspansi, riset, dan pengembangan.

Faktor yang Mempengaruhi Peramalan

(6)

Peramalan jangka menengah dan panjang memiliki

perbedaan dengan peramalan jangka pendek dalam hal- hal berikut:

a. Peramalan jangka panjang dan menengah lebih komprehensif dan mengarah pada keputusan perencanaan produk, pabrik, dan proses.

b. Perencanaan jangka pendek, biasanya, menggunakan metode yang berbeda dengan teknik matematik yang berupa moving average, dan eksponensial smoothing.

c. Peramalan jangka pendek lebih akurat dibanding jangka yang lebih panjang.

Faktor yang Mempengaruhi Peramalan

(7)

1. Peramalan Kuantitatif

adalah peramalan yang menggunakan berbagai

macam model matematis dengan menggunakan data historis

2. Peramalan Kualitatif

• Faktor penting dalam pembuat keputusan adalah faktor intuisi, emosi, pengalaman, dan sistem nilai dalam mencapai ramalan.

• Peramalan kuantitatif bersifat subjektif, maka beberapa orang berpendapat bahwa metode itu hanya digunakan sebagai upaya terakhir

Pendekatan Dalam Ramalan

(8)

• Peramalan kualitatif harus digunakan pada

pengenalan produk baru karena tidak tersedia data sebelumnya sehingga metode kualitatif berguna untuk membuat peramalan dengan

analogi atau dengan menggunakan data riset pasar yang selektif.

• Metode kualitatif juga digunakan untuk peramalan jangka menengah dan panjang yang melibatkan

desain proses atau kapasitas atau fasilitas apabila tidak terdapat data.

Pendekatan Dalam Ramalan

(9)

1. Menentukan penggunaan ramalan 2. Memilih item-item yang diramalkan

3. Menentukan horison waktu yang diramalkan 4. Memilih model-model peramalan

5. Mengumpulkan data yang dibutuhkan untuk peramalan

6. Menggunakan model peramalan 7. Membuat peramalan

8. Implementasi hasil

Tahapan dalam Melakukan Peramalan

(10)

1. Keahlian para pemakai dan kecanggihan sistem

 Metode dan sistem peramalan yang digunakan

harus sesuai dengan keahlian pelaksana peramalan.

2. Waktu dan sumber daya yang tersedia

 Pemilihan metode peramalan bergantung pada

waktu yang tersedia untuk mengumpulkan data dan mempersiapkan peramalan baik oleh pemakai,

prediktor, maupun pengumpul data.

 Peramalan yang rumit membutuhkan waktu yang lama dan biaya yang banyak, sebaliknya dengan komputerisasi akan mempermurah biaya

peramalan.

Faktor-faktor Pemilihan Metode Peramalan

(11)

3. Karakteristik pemakaian atau keputusan

 Metode peramalan harus terkait dengan keperluan pemakaian dan keputusan, yaitu

berhubungan dengan ketepatan, jangka waktu peramalan dan jumlah yang diramalkan.

4. Pola data

 Data yang pada deret waktu berbentuk datar digunakan linier dan jika data menunjukkan kecenderungan/ musiman digunakan metode yang lebih canggih.

Faktor-faktor Pemilihan Metode Peramalan

(12)

• Peramalan deret waktu adalah peramalan yang

didasarkan pada periode waktu mingguan, bulanan, triwulanan, dan seterusnya.

• Digunakan untuk menganalisis pola permintaan masa lalu dan untuk memproyeksikan masa depan.

• Asumsi dasar: pola permintaan dapat dibagi menjadi beberapa komponen, yaitu tingkat rata-rata,

kecenderungan, musiman, siklus, dan kesalahan.

Peramalan Deret Waktu

(13)

• Waktu  semakin panjang periode yang digunakan, semakin lambat reaksinya terhadap perubahan

permintaan

 Keunggulan: lebih stabil

 Kelemahan: lambat bereaksi terhadap perubahan permintaan

• Rumus:

Y(t) = (a + bt) (ft) + e

Peramalan Deret Waktu

Keterangan:

Y(t) = permintaan pada periode t a = konstanta

b = trend — kecenderungan f(t) = faktor musiman

e = tingkat kesalahan

(14)

• Metode:

1. Metode rata-rata bergerak (moving average) 2. Rata-rata bergerak tertimbang (weight moving

average/WMA)

3. Pemulusan eksponensial (exponential smoothing)

Peramalan Deret Waktu

(15)

• Merupakan metode yang termudah dalam teknik perkiraan deret waktu

• Asumsinya adalah komponen dalam deret waktu hanyalah konstanta dan komponen acak, tidak

terdapat pola musiman, tren atau komponen siklus pada data permintaan.

• Pada metode ini akan diamati sejumlah titik

pengamatan untuk n periode, kemudian dihitung rata-rata permintaan untuk periode yang lalu

Moving Average Method

(16)

• Rumus:

Di mana:

D = permintaan

n = periode waktu

Moving Average Method

(17)

Moving Average Method

Bulan Penjualan Rata-rata bergerak 3 bulan

Weight Moving Average Method

Bulan Penjualan Rata-rata bergerak 3 bulan

Januari 10

Februari 15

Maret 20

April 16.6 [(3x20) + (2x15) + (1x10)] / 6 Mei

Juni Juli

(24)

• Dasar yang dipergunakan metode ini adalah rata-rata perkiraan permintaan yang akan datang dapat

dihitung dari rata-rata permintaan masa lalu dan permintaan saat ini.

• Rumus:

Ft = F^t-1 + α (A^t-1 – F^t-1) Dimana:

Ft = ramalan saat ini

F^t-1= ramalan sebelumnya α = pemulusan konstan

A^t-1 = permintaan aktual periode sebelumnya

(28)

Exponential Smoothing

Contoh

Perusahaan ban mobil meramalkan permintaan bulan Januari sebanyak 150 unit, ternyata jumlah permintaannya sebanyak 160 unit.

Dengan menggunakan α sebesar 20%, maka dapat diramalkan permintaan ban bulan Februari adalah:

Ft = F^t-1 + α (A^t-1 – F^t-1) Ft = 150 + 0.2 (160-150) Ft = 152 unit

(29)

Exponential Smoothing

• Pada pemakaian pemulusan eksponensial, baik yang sederhana maupun yang lebih kompleks harus

diperhitungkan kesalahan peramalan (forecast error) karena bermanfaat untuk:

a. Mendapat persediaan yang aman atau kapasitas yang aman sehingga tidak terjadi stockout (kehabisan

persediaan)

b. Memantau pengamatan permintaan yang tidak menentu atau bernilai ekstrem , sehingga dapat dikendalikan

dengan baik dan dikeluarkan dari data, bila diperlukan.

c. Menentukan apakah metode perkiraan tidak dapat dipakai lagi dan memerlukan perbaikan.

(30)

Exponential Smoothing

• Untuk mengukur kesalahan peramalaman dapat

digunakan mean absolute deviation / MAD, dengan rumus :

• kegunaan MAD yang lain adalah untuk menentukan apakah peramalan dapat digunakan atau tidak, untuk itu digunakan tracking signal (T) / tanda penjejak,

dengan rumus:

(31)

Exponential Smoothing

• Syarat tracking sign maksimum adalah 6, apabila

melebihi, maka metode ini harus dihentikan dan data pengamatan permintaan harus diperbaiki.

(32)

Exponential Smoothing

• Perusahaan furniture meramalkan permintaan bulan Januari sebanyak 80 set meja taman, apabila

perusahaan menggunakan α = 0,1, maka ramalan penjualannya adalah:

Contoh

(33)

Contoh

Bulan Penjualan Peramalan (α = 0,1)

Januari 100 80

Februari 150 [80 + 0,1 (100-80)] = 82 Maret 200 [82 + 0,1 (150-82)] = 88,8

April 200 [88,8 + 0,1 (200-88,8)] = 99.92 Mei 250 [99,92 + 0,1 (200-99,92)] = 109,92 Jum 150 [109,9 + 0,1 (250-19,9)]= 123,9

)uli 300 [123,9 + 0,1 (150-123,9)] = 126,5

(34)

• Untuk mengevaluasi keakuratan setiap pemulusan konstan (smoothing constant) dihitung deviasi

absolut dan MAD-nya

Contoh

(35)

Contoh

Bulan Penjualan Peramal

an Error Kumulatif

error MAD T

Januari 100 80 -20 -20 -20 1

Februari 150 82 -68 -88 -44 2

Maret 200 88.8 -111.2 -199.2 -66.4 3

April 200 99.92 -100.08 -299.28 -74.82 4

Mei 250 109.92 -140.08 -439.36 -87.87 5

Juni 150 123.9 -26.1 -465.46 -77.57 6

Juli 300 126.5 -173.5 -638.96 -91.28 7

-20 : 1 = -20 -88 : 2 = -44

-20 : -20 = 1 -88 : -44 = 2

(36)

Metode Peramalan Kausalik

• Peramalan kausalik adalah peramalan yang berhubungan dengan beberapa variabel yang diprediksikan.

• Apabila ditemukan permasalahan seperti itu, maka model statistik merupakan alat yang tepat untuk

menyelesaikannya dibandingkan metode time series.

• Hal itu disebabkan metode time series hanya

menggunakan nilai historis, sementara model statistik menggunakan variabel-variabel.

• Banyak faktor yang perlu dipertimbangkan dalam

menggunakan metode kausalik ini, misalnya penjualan produk dipengaruhi oleh harga

(37)

Metode Peramalan Kausalik

• Rumus:

Y = a + bX

• Dimana:

Y = nilai variabel dependen X = nilai variabel independen a = konstanta / intercept b = beta / slope

(38)

Metode Peramalan Kausalik

• Rumus nilai X:

• Rumus nilai Y:

(39)

• Rumus nilai b:

• Rumus nilai a:

 

  



 

n ) X X (

n

Y) )(

X XY (

b ₂

2

     

 

²

2 2

X X

n

XY X

X a Y



  





 

(40)

Data penjualan

Contoh

Penjualan Frekuensi Iklan

400 5

300 4

500 4

250 3

300 3

450 5

(41)

Metode Peramalan Kausalik

Contoh

No Penjualan

(Y) Frekuensi Iklan

(X) X² XY

1 400 5 25 2.000

2 300 4 16 1.200

3 500 4 16 2.000

4 250 3 9 750

5 300 3 9 900

6 450 5 25 2.250

Σ 2.200 30 100 9.100

(42)

Metode Peramalan Kausalik

• Nilai X

• Nilai Y

Contoh

(43)

• Nilai b

Contoh

6 100 30

6

2.200 100 30

. 9

n ) X X (

n

Y) )(

X XY (

b ₂ ₂

2 

 





 

 

  

50 38 900 .

1 150

100

000 .

11 100

. 9 6

100 900

6

000 .

100 66 .

9

b 



 



 



 

(44)

• Nilai a

Contoh

     

 

²

2 2

X X

n

XY X

X a Y



  





 

900 600

000 .

273 000

. 220 )

30 ( )

100 (6

) 100 .

9 30

( )

100 200

. 2

a (

₂



 







 

667 .

300 176 000 .

a 53 



 

(45)

• Maka:

Y = 176,667 + 38X

• Makna: ?

Contoh

(46)

SAMPAI KETEMU PADA PERTEMUAN BERIKUTNYA

TE O R I P G B . K EP U TU SA N