METODE

FORECASTING

LINTANG PERWITASARI P2D018006

AZIZ PRADANA P2D018007
PENDEKATAN FORECASTING

 ANALISA KUALITATIF
 pendekatan yg bersifat subyektif

 ANALISA KUANTITATIF
 pendekatan model matematik dg
menggunakan data yg bersifat
historis & kausal
 METODE FORECASTING:

METODE KUALITATIF :
- JURY OF EXECUTIVE OPINION
- SALES FORCE COMPOSITE
- DELPHI
- CUSTOMER MARKET SURVEY
 METODE KUANTITATIF:
TIME SERIES 
- DEKOMPOSISI
- MOVING AVERAGE
- EXPONENTIAL SMOOTHING
- EXPONENTIAL SMOOTHING by TREND ADJUSMENT
CAUSAL MODE 
- TREND PROJECTION
- LINEAR REGRESSION
1. JURY of EXECUTIVE OPINION

EXECUTIVE

ESTIMASI
EXECUTIVE PENDAPAT
PERMINTAAN

EXECUTIVE
2.SALES FORCE COMPOSITE

SALES PERSON

SALES PERSON ESTIMASI

ESTIMASI GABUNGAN

SALES PERSON
 3. METODE DELPHI
MELIBATKAN 3 PARTISIPAN UTK
MEMBUAT RAMALAN /FORECAST :
* PARA PENGAMBIL KEPUTUSAN
5 – 10 Tenaga Ahli
Tugas : Membuat Actual Forecast
* STAF PEMBANTU
Menyiapkan, mendistribusi, mengumpulkan dan
membuat kuesioner/survei
* RESPONDEN
Wawancara/mengisi kuesioner
 4. CUSTOMER
MARKET SURVEY

Masukkan dari pelanggan

potensial untuk membuat
perkiraan dan memperbaiki
desain produk, dll
CUSTOMER SATISFACTION IS NOT ONLY
THE MATTER OF FRONTLINER SERVICES
 Why measuring Customer
Satisfaction is important ?

96% of customers who have had a

service problem will not verbalize
their complaint – they will simply
take their business elsewhere.
(ONLY 4 % COMPLAINT)

ONLY 4 % OF THE COMPLAINT

actually launched will reach top
management.
 WHY CUSTOMER SATISFACTION IS
IMPORTANT ?

Cost for
transforming
an active customer
into a loyal customer

Cost for
winning a new customer

Cost for
winning back
dissatisfied
customers
 Marketing Research
In Business Life Cycle

Goal : Goal :
Menggali peluang-peluang baru Opportunity Menggali peluang pasar yang
untuk memasuki pasar lebih dalam. Identification mungkin untuk digarap.

Marketing MARKETING Product

Life cycle
RESEARCH Development

Goal :
Goal : Mendapatkan produk
Memonitor seluruh Yang sesuai dengan kebutuhan
performance pasar dan match dengan
pemasaran & kemampuan perusahaan
memberikan masukan Marketing
untuk perbaikan Strategy
strategy. Development
Goal :
Mengembangkan sebuah strategy marketing yang
diharapkan berhasil mencapai target pemasaran.
 METODE KUANTITATIF

1. METODE DEKOMPOSISI
Berdasarkan dari
Time Series dgn 4 komponen pendekatan 4
* Trend ( T ) komponen
* Seasonality ( S ) tersebut dibuat
* Cycles (C ) forecast
* Random Variations ( R )
 1100

1000

900

800
JUMLAH HARI RAWAT

700

600

500

400

300

200

100

0
1 2 3 4 5 6 7 8 9 10 11 12

BULAN
2. METODE MOVING AVERAGE ( MA )

* Dasar asumsi :
Demand cenderung stabil
* MA = ∑ Demand pada periode n
n
* Jumlah Periode : Hasil 3 bln 3 MA
INDEKS MUSIMAN : Dilihat dari perubahan trend tiap bulan
Contoh :
Periode Actual
2 MA 2 MA Sales MA
BULAN Waktu Sales
(I) ( II) ( Indeks Musim )
(x) (Y)
JANUARI 1 178 175
FEBRUARI 2 172 170 172,5 0,997
MARET 3 168 171 170,5 0,985
APRIL 4 174 183 177,0 0,983
MEI 5 192 197 189,8 1,012
JUNI 6 201 196 196,0 1,026
JULI 7 190 191 193,3 0,983
AGUSTUS 8 192 193 192,0 1,000
SEPTEMBER 9 194 192 192,5 1,008
OKTOBER 10 190 195 193,5 0,982
NOVEMBER 11 200 205 200,0 1,000
DESEMBER 12 210

Y
Indeks Musim =
2 MA ( II )
 DATA PAVILIUN A TA. 1999
JUMLAH HASIL
BULAN 3 MA
HARI RAWAT 3 MA

JANUARI 683
FEBRUARI 947
MARET 1001 (683 + 947 + 1001)/3 877,0
APRIL 811 (947 + 1001 + 811)/3 919,7
MEI 905 (1001 + 811 + 905)/3 905,7
JUNI 756 824,0
JULI 902 854,3
AGUSTUS 924 Dst 860,7
SEPTEMBER 864 896,7
OKTOBER 949 912,3
NOVEMBER 1092 968,3
DESEMBER 743 928,0

10577
3. EXPONENTIAL SMOOTHING

F = F-1 + α ( A -1 – F-1 )
F-1 = Forecast pada 1 periode yang lalu ( th, bln )
F = Forecast
A-1 = Actual pada 1 periode yang lalu
α = Konstanta dengan nilai 0 – 1
( Besarnya ditetapkan berdasarkan asumsi
perubahan dibanding dengan tingkat
perubahan yang lalu )
 Fe = A - F
F = F -1 + α Fe -1
Fe -1= A -1 - F -1

Fe = Forecast Error/Absolute Deviation

Fe-1 = Fe pada 1 periode yg lalu
MAD = ∑| Fe |
n
MAD = Mean Absolute Deviation
 4. EXPONENTIAL SMOOTHING by Trend Adjusment
Disamping perhitungan tersebut diatas ditambahkan
garis dengan asumsi terhadap penyesuaian garis trend
dengan tujuan untuk memperoleh garis trend yang lebih
halus
Rumus : Ft = F + Tc
Ft = Forecasting dengan penyesuaian trend
Tc = Trend Correction
Tc-1 = Tc pada periode sebelumnya
Tc = ( 1 – β ) Tc-1 + β ( F – F -1 )
β = Konstanta untuk trend yang diperluas (nilai : 0-1)

Nilai β ditentukan berdasar : ” Trial/Error ” dengan mengacu

pada nilai MAD yang relatif rendah
5. TREND PROJECTIONS
Untuk mempertimbangkan hubungan sebab akibat
dari variabel yang paling mempengaruhi
x = Variabel Independen ( Variabel yang mempengaruhi )
y = Variabel Dependen ( Variabel yang dipengaruhi )

y = a + bx

a = Koefisien Intercept
b = Koefisien slope ( kemiringan garis regresi )

b = n ∑ xy – (∑x) (∑y)
n ( ∑x2) – (∑ x)2
a = y – bx atau a = ∑y – b(∑x)
n
 Contoh :

Periode Actual
BULAN Waktu Sales X2 XY
( X) (Y)
JANUARI 1 178 1 178
FEBRUARI 2 172 4 344
MARET 3 168 9 504
APRIL 4 174 16 696
MEI 5 192 25 960
JUNI 6 201 36 1206
JULI 7 190 49 1330
AGUSTUS 8 192 64 1536
SEPTEMBER 9 194 81 1746
OKTOBER 10 190 100 1900
NOVEMBER 11 200 121 2200
DESEMBER 12 210 144 2520

78 2261 650 15120

b = n ∑ xy – (∑x) – (∑y)
n ( ∑x2) – (∑ x)2
12(15120) – (78) (2261)
12(650) – (78)2
2,9615

a = ∑y – b(∑x)
n
2261 – 2,9615 (78) = 169,17
12
Persamaan garis regresi = y = 169,17 + 2,9615(x)
 Sales ( X ) Profit ( Y )
SBU XY X2 Y2
( Juta ) ( Juta )

1 70 14 980 4900 196

2 21 12 252 441 144
3 53 16 848 2809 256
4 43 18 774 1849 324
5 240 54 12960 57600 2916
6 254 60 15240 64516 3600
7 164 28 44592 28896 784
8 123 29 3567 15129 841
9 142 32 4544 20164 1024
10 125 25 3125 15625 625
11 156 40 6240 24336 1600
12 56 13 728 3136 169
1447 341 53850 23740 12479

b = 12(53850) – (1447) (341) = 0,2023

12(237401) – (1447)2
a = 341 – 0,2023 (1447) = 4,023
12

Persamaan Garis Regresi : y = 4,023 + 0,2023(x)

 6. LINEAR REGRESSION
Prinsip = Trend Proyection
Perbedaan :

x : Bukan variabel waktu, tetapi variabel lain yang

diperkirakan akan mempengaruhi variabel y
Misalnya : = penjualan
= profit margin

Tingkat kesalahan data variabel dapat dihitung dengan rumus

Se = √ ∑Y2 – a ∑ Y – b ∑ XY
n–2
Se = Standart Error Estimasi
Misal :

Penjualan (X) = Rp. 100 Juta

Profit (Y) = 4,023 + 0,2023 ( 100 Juta )

= Rp. 24.253.000,-

Bila

Penjualan (X) = Rp. 0,-

Profit (Y) = Rp. 4 Juta - - - ?