USING THE PAST TO PREDICT THE FUTURE WORKSHOP ANALISIS RESIKO UNTUK BISNIS Oleh : Maman Seawan, SE, MT 28 29 Sepember 2004 PROGRAM PENGEMBANGAN KOMPETENSI BISNIS DIVISI PENGKAJIAN DAN PENGEMBANGAN BISNIS
PROGRAM MAGISTER MANAJEMEN UNIVERSITAS PADJADJARAN KATA PENGANTAR Makalah n dsampakan pada workshop Analss Resko unuk bsns yang dlaksanakan oleh Dvs Pengkajan Bsns, Program Magser Manajemen Unversas Padjadjaran pada anggal 28-29 Sepember 2004. Pesera yang mengku workshop n erdr dar dosen unversas neger dan swasa, enaga akadems lannya, dan praks bsns. Makalah yang berjudul Usng he Pas o Predc The Fuure n dsampakan pada Sess IV Workshop anggal 28 Sepember 2004. Workshop n berujuan agar pelaku bsns bsa memaham konds-konds bsns saa n dan ke depan sehngga bsa menganspas berbaga resko yang erjad d kemudan har. Akhr kaa saya sampakan erma kash sebesar-besarnya aas kepercayaan yang dberkan pana Workshop Analss Resko Bsns Program MM Unpad kepada saya unuk menjad pembcara dalam workshop n selama dua har lamanya. Semoga maer yang dsampakan n bermanfaa bag pengembangan dan aplkas lmu d duna bsns. Bandung, Sepember 2004 Maman Seawan
Meode-meode Forecasng Meode-meode unuk melakukan predks ke masa depan sanga banyak eap pada pelahan n hanya akan dbahas meode forecasng eruama berkaan dengan unvarae me seres analyss sebagamana sebelumnya elah djelaskan danaranya : 1. Smple lnear regresson erhadap rend waku 2. Smple movng average 3. Exponenal smoong 4. ARIMA modellng Meode-meode d aas dsesuakan dengan konds daanya apakah daanya mengku rend, musman aau random sehngga hasl esmas yang dlakukan bsa akura. I. Smple Lnear Regresson erhadap rend waku Dengan meode n suau daa yang akan dpredks danggap lner erhadap waku (ndependen varabel). Trend waku yang dgunakan bsa juga menggunakan rend kuadrak dan rend kubk. Adapun model yang dplh alah model yang memlk R 2 yang palng ngg karena nla R 2 yang ngg mencermnkan kemampuan varabel waku (ndependen) dalam menjelaskan model (Gujara,1996). Adapun model-model yang bsa dpaka unuk forecasng adalah : Y = 0 + 1 (1.1) Y = 0 + 1 2 (1.2) Y = 0 + 1 3 (1.3) Y = 0 + 1 + 2 2..(1.4) Y = 0 + 1 + 2 2 + 3 3..(1.5) Rumus regres unuk menenukan nla 0 dan 1 pada model (1.1) alah :
( ) = 2 2 1 n y Y n α ( ) = 2 2 2 0 n Y Y α Unuk melakukan esmas n gunakan daa seresc.sav pada SPSS yang snya merupakan daa permnaan advaced mcrocompuer. Caranya : Fle open daa seresc.sav sehngga muncul daa sebaga berku :
Unuk esmas model (1.1 ) maka pada dafar menu : Klk Analyze Regresson Lnear
Masukan seap varabel yang dperlukan ke dalam varabel dependen dan varabel ndependen lalu sehngga ddapa hasl oupu sebaga berku :
Dar hasl esmas regres ddapa : Y = 532,699 + 12,208 R 2 = 0,954 Ulang unuk model (1.2), (1.3), (1.4)! Jka desmas lag maka ddapa : Y = 649,155 + 0,231 2 R 2 = 0,869 Y = 696,649 + 0,005 3 R 2 = 0,768 Y = 507,997 + 15,172 0,060 2 R 2 = 0,957 Y = 486,929 + 20,080-0,308 2 + 0,003 3 R 2 = 0,959 Unuk mendapakan hasl esmas yang bak gunakan model dengan R 2 yang palng ngg karena semakn besar R 2 berar semakn bak model ersebu bsa mempredks varabel dependennya yau Y. Sebaga lahan, predks ngka permnaan advanced mcrocompuer unuk ahun 2005 hngga ahun 2010 dengam menggunakan model (1.5) d aas.
II. Smple movng Average Meode esmas dengan smple movng average dlakukan keka menghadap daa me seres yang dak mengandung pola rend dan musman. Pendekaan Sngle Movng Average secara sederhana menggunakan raa-raa daa hsors unuk menghaslkan nformas masa depan. Raaraa n daplkaskan secara konssen bergerak ke depan sehngga dsebu (movng average). Nla movng average ( MA ) unuk spesfk nerval (n) secara sederhana alah penjumlahan dar daa hsors akual ( Y ) yang yang daur dan dndex dalam waku secara beruruan : MA n = n = 1 Msal jka ngn mengeahu nla SMA pada bulan Okober dengan nerval 4 bulan alah : SMA4(Okober)=(Me + Jun + Jul + Agusus)/4 = (A -4 + A -3 +A -2 +A -1 )/4 n Y Buka daa serese.xls pada mcrosof excel kemudan pada menu Tools : Plh Daa Analyss plh movng average
sehngga muncul koak dalog sebaga berku : Is npu range dengan daa yang akan desmas yau dar $B$2 :$B$40 Is Inerval sesua kebuuhan msal nerval 3 bulan Is Oupu Range d mana hasl oupu akan damplkan Checkls pada plhan Char Oupu dan Sandar Errors jka ngn menamplkan grafk dan sandar errornya.
Berapakah nla forecasng unuk perode Berkunya? Apakah nak aau urun nlanya? III. Sngle Exponenal Smoohng
Sngle Exponenal Smoohng ( SES ) merupakan meode kedua unuk melakukan forecasng jka dak ada pola rend aau musman. Berbeda dengan sngle movng average, sngle exponenal smoohng menggunakan smoohng consan () unuk memberkan pemboboan ( weghs ) pada daa hsors erbaru dan oleh karena u mengonrol laju peraa-raa-an ( averagng ). SES sanga mudah daplkaskan karena saa akan melakukan forecasng hanya memerlukan 3 daa yau hasl forecasng erbaru, daa akual erbaru, dan Smoohng consan. Smoohng consan () basanya berksar danara o dan 1. Persamaan unuk SES n alah : F = A -1 + (1-)F -1 e 2 RSE= n k D mana : F = Hasl forecasng unuk perode A -1 = Daa akual pada perode sebelumnya F -1 = Hasl forecasng unuk perode sebelumnya = smoohng consan, alpha RSE = resdual sandar error n = Jumlah observas e = Error aau kesalahan esmas Sebaga conoh, suau perusahaan erark unuk melakukan forecasng unuk sebuah produk dengan menggunakan SES dengan = 0.3. Demand akual bulan yang lalu alah sebesar 1000 un dan hasl forecasng-nya alah 900. Oleh karena u forecasng unuk bulan n alah : F = A -1 + (1-)F -1 F = 0.3 (1000) + (1-0.3)900 = 300 + 630 = 930 un Menenukan berapa nla Smoohng consan () yang bak ( DeLurgo,1998) dlakukan dengan melha nla RSE yang erkecl berdasarkan meode ral and error. Sebaga conoh buka daa SES1.XLS pada mcrosof excel lalu pada dafar menu :
Plh Tools Plh Daa Analyss Plh exponenal smoohng Klk Ok Lalu muncul koak dalog :
Inpu range alah keseluruhan daa yang akan d-forecasng yau $B$4 : $B$27 Damfng facor alah nla Smoohng consan () msal 0,3 Oupu range alah empa hasl esmas akan ka leakan. ( leakan dsebelah daa akual). Hung nla error ( e ) dan nla error kuadra ( e 2 ) dsebelah nla forecasng.lalu hung nla RSE-nya. Hung predks nla Penjualan unuk bulan ke-25 sera nla RSE. Ulang unuk Smoohng consan () 0.6 dan 0.9. Tenukan Smoohng consan () yang erbak unuk model.
Dafar Pusaka 1. Bernd, Ernes R., The Pracce of Economercs : Classc and Conemporary, Addson- Wesley Publshng Company, 1991 2. Conreras, Javer, Espnola Rosaro, Francsco J. Nogales, dan Anono J.Conejo, ARIMA Models o Predc Nex Day Elecrcy Prces, IEE Transacons on Power Sysems, Vo. 18 No. 3, Augus 2003. 3. DeLurgo, Sephen A., Forecasng Prncples and Applcaons, McGraw Hll Inernaonal Edons, 1998 4. Fulleron, Thomas R., A Compose Approach o forecasng sae governmen revenue:case Sudy of he Idaho sales Tax, Inernaonal Journal of Forecasng, Norh Holland, 1989 5. Gujara, Damodar, Basc Economercs, fourh edon, 2003 6. McGugan, James R., R. Charles Moer, dan Frederck H.D.H, Manageral Economcs:Applcaons, Sraegy, and Taccs, Souh-Wesern, nnh edon, 2002 7. Salvaore, Domnck, Manageral Economcs n A Global Economcs, McGraw-Hll, Inc.,second edon, 1999 8. Tsu, Alber, Udha Balasoorya, Tlak Abeysnghe, Small sampel Regresson:Regresson or ARIMA Models, Journal of Economcs, Deparmen of Economcs, Naonal Unversy of Sngapore, May 2002.