si403 riset operasi suryo widiantoro, mmsi, m.com(is) · diawali dengan membuat peramalan yang...
Post on 28-Aug-2018
224 Views
Preview:
TRANSCRIPT
Menyeimbangkan pasokan (supply) dan permintaan (demand) diawali dengan membuat peramalan yang tepat dan kemudian menjalankanya pada rantai pasok (supply chain)kemudian menjalankanya pada rantai pasok (supply chain)
Peramalan (forecast) prediksi akan kejadian di masa depan yang digunakan untuk keperluan perencanaan◦ Perencanaan (planning) proses pembuatan keputusan
manajemen terhadap bagaimana mengelola sumberdaya untuk merespon ramalan permintaan dengan baik
Metode peramalan didasarkan pada:1.model matematis yang menggunakan data historis yang ada,
2.metode kualitatif yang dihasilkan dari pengalaman dan pertimbangan manajerial,
3. kombinasi keduanya
Proses peramalan di seluruh organisasi meliputi lintas area fungsional
Meramalkan seluruh permintaan biasanya berawal dari marketing pelanggan berawal dari marketing pelanggan internal di dalam organisasi bergantung pada ramalan untuk memformulasikan dan mengeksekusi rencana mereka
Peramalan memberikan masukan penting untuk rencana bisnis (business plan), rencana tahunan (annual plan), dan anggaran:◦ Keuangan (finance) perlu untuk memproyeksikan kebutuhan
cash flow dan modal
◦ SDM (human resource) perlu untuk mengantisipasi kebutuhan perekrutan dan pelatihanperekrutan dan pelatihan
◦ Marketing sumber penting untuk informasi peramalan sales karena dekat dengan pelanggan eksternal
◦ Manajer Operasi dan Rantai Pasok perlu untuk merencanakan level output, pemesanan layanan dan material, tenaga kerja serta jadwal, persediaan, dan kapasitas jangka panjang
Tools untuk membuat peramalan ini pada dasarnya sama dengan untuk peramalan permintaan:◦ pertimbangan (judgment),
◦ opini dari orang berpengetahuan,
◦ pengalaman,
◦ regresi,
◦ teknik seri waktu (time-series).
Dengan tools tersebut maka peramalan dapat ditingkatkan namun tetap saja peramalan tidak selalu sempurna
Meramalkan permintaan pelanggan sulit karena permintaan untuk barang dan jasa dapat bervariasiContoh: permintaan pupuk diramalkan meningkat di bulan
saat musim tanam; namun permintaan juga dipengaruhi oleh faktor diluar kendali seperti cuaca
Seringkali pola lebih dapat diprediksiContoh: jam puncak dalam sehari di call center sebuah bank
adalah antara jam 9:00 A.M. hingga 12:00 P.M., dan hari puncak dalam seminggu adalah hari Senin
Time series pengamatan berulang terhadap permintaan layanan dan produk berdasarkan urutan kejadian akan membentuk pola
Ada 5 pola dasar untuk time series permintaan:1. Horizontal perubahan data di sekitar rata-rata konstan
2. Trend peningkatan atau penurunan sistematis dalam series rata-rata sepanjang waktusepanjang waktu
3. Seasonal pola berulang untuk kenaikan dan pengurangan pada permintaan, tergantung waktu harian, mingguan, bulanan, atau musiman
4. Cyclical peningkatan atau penurunan gradual pada permintan yang sulit diprediksi dalam jangka waktu panjang (tahunan atau dekade)
5. Random variasi permintan yang tidak dapat diramalkan
Sebelum menggunakan teknik peramalan, seorang manajer harus membuat 2 keputusan:
(1) apa yang diramalkan,
(2) apa jenis teknik peramalan yang dipilih untuk item yang berbeda(2) apa jenis teknik peramalan yang dipilih untuk item yang berbeda
1# Menentukan apa yang diramalkan
Beberapa estimasi permintaan dibutuhkan untuk layanan atau produk individual yang dihasilkan perusahaan
Peramalan total permintaan untuk kelompok atau klaster dan diturunkan ke layanan atau produk individual mungkin adalah diturunkan ke layanan atau produk individual mungkin adalah yang termudah
Pemilihan unit pengukuran yang tepat untuk peramalan juga sama pentingnya dengan pemilihan metode yang terbaik
2# Memilih jenis teknik peramalan
Sistem peramalan menawarkan berbagai jenis teknik tidak ada satu teknik yang terbaik untuk semua situasi dan item
Tujuan dari peramalan mengembangkan sebuah ramalan yang berguna dari informasi yang dimiliki dengan teknik yang yang berguna dari informasi yang dimiliki dengan teknik yang tepat untuk pola permintaan yang berbeda
Dua jenis umum teknik peramalan:a) Metode judgment,
b) Metode kuantitatif
a) Metode Judgment mengubah opini manajer, pakar, survei pelanggan, dan estimasi tenaga sales menjadi sebuah estimasi kuantitatif
b) Metode Kuantitatif:◦ Causal method menggunakan data historis pada variabel bebas,
seperti promosi, kondisi ekonomi, tindakan pesaing, untuk seperti promosi, kondisi ekonomi, tindakan pesaing, untuk memprediksi permintaan
◦ Time-series analysis pendekatan statistik yang bergantung pada data permintaan historis untuk memproyeksikan ukuran permintaan masa depan serta mengenali trend dan pola seasonal
◦ Trend projection using regression campuran antara teknik time-series dan causal method
Kesalahan peramalan selama periode waktu t selisih antara forecast dengan permintaan aktual:
dimanaEt = forecast error untuk periode t
Dt = actual demand untuk periode t
Ft = forecast untuk periode t
Nilai cumulative sum of forecast errors (CFE) mengukur total kesalahan peramalan:
Nilai average forecast error, atau disebut mean bias, dinyatakan Nilai average forecast error, atau disebut mean bias, dinyatakan sebagai:
Nilai mean squared error (MSE), standar deviasi kesalahan (), dan
mean absolute deviation (MAD) mengukur penyebaran kesalahan peramalan yang diatibusikan untuk efek trend, seasonal, cyclical, atau random:
Nilai mean absolute percent error (MAPE) menghubungkan kesalahan peramalan ke tingkat permintaan dan membantu untuk menempatkan kinerja peramalan secara layak sudut pandangnya:
Tabel berikut berisi penjualan aktual kursi goyang dan peramalan yang dibuat untuk 8 bulan terkahir
Hitunglah CFE, MSE,, MAD, dan MAPE untuk produk ini
Berdasarkan tabel diperoleh:
cumulative forecast errors CFE = -15
average forecast error
mean squared error
standard deviation of the errors standard deviation of the errors
mean absolute deviation
mean absolute percent error
CFE = -15 mengindikasikan bahwa forecast memiliki bias terhadap demand yang berlebihan (overestimate)
Statistik MSE, , dan MAD memberikan pengukuran variasi dari forecast error:◦ MAD = 24.4 berarti average forecast error adalah 24.4 unit dalam
nilai absolutnilai absolut
◦ Nilai = 27.4 mengindikasikan bahwa sampel distribusi forecast errors memiliki standar deviasi 27.4 unit
◦ MAPE = 10.2 persen berarti bahwa, secara rata-rata, forecast error adalah sekitar 10 persen dari permintaan aktual
Hasil pengukuran akan semakin baik apabila periode pengambilan data bertambah
Peramalan dari metode kuantitatif dimungkinkan hanya saat ada data historis yang cukup, namun data historis bisa tidak ada saat produk baru diluncurkan
Dalam beberapa kasus, metode judgment adalah cara paling praktis untuk membuat peramalan. Namun di kasus lain metode ini dapat juga digunakan untuk memodifikasi peramalan yang dihasilkan dari metode digunakan untuk memodifikasi peramalan yang dihasilkan dari metode kuantitatif
4 metode judgment yang berhasil adalah:1) salesforce estimates,2) executive opinion,3) market research, dan4) the delphi method
Causal method digunakan saat data historis tersedia dan hubungan antara faktor yang akan diramalkan serta faktor internal dan eksternal lainnya (misal: aksi pemerintah atau promo iklan) dapat diidentifikasikan
Hubungan ini dinyatakan dalam istilah matematika dan bisa jadi sangat rumit
Causal method bagus untuk memprediksi titik balik dalam permintaan dan untuk mempersiapkan peramalan jangka panjang
Dalam regrasi linier, satu variabel terikat (dependent) berhubungan dengan satu atau lebih variabel bebas (independent) melalui sebuah persamaan linier
Variabel terikat satu hal yang ingin diramalkan, misal: permintaan untuk es krimpermintaan untuk es krim
Variabel bebas diasumsikan akan berpengaruh terhadap variabel terikat dan oleh karenanya “cause” hasil dapat diamati di masa lalu, misal: biaya iklan
Dalam model regresi linier sederhana, variabel terikat adalah sebuah fungsi dari hanya satu variabel bebas dan hubungan teoritisnya adalah sebuah garis lurus:
dimana:Y = variabel terikat
X = variabel bebas
a = Y@titik potong garis
b = kemiringan garis
Metode time-series menggunakan informasi historis mengenai variabel bebas saja
Metode ini didasarkan pada asumsi bahwa pola masa lalu variabel bebas akan berlanjut di masa depanvariabel bebas akan berlanjut di masa depan
Analisis time-series mengidentifikasi pola permintaan yang digabungkan untuk menghasilkan sebuah pola historis variabel bebas dan kemudian mengembangkan model untuk mereplikasinya
Naïve ForecastMetode yang paling sering digunakan adalah naïve forecast,
forecast untuk periode berikutnya (Ft+1) sama dengan permintaan untuk periode saat ini (Dt)
Contoh: Bila permintaan aktual untuk hari Rabu adalah 35 pelanggan, Bila permintaan aktual untuk hari Rabu adalah 35 pelanggan,
maka forecast permintaan untuk hari Kamis adalah 35 pelanggan juga
Bila permintaan minggu ini adalah 120 unit dan minggu sebelumnya adalah 108 unit, dimana permintaan meningkat 12 unit dalam 1 minggu, maka forecast untuk minggu depan akan menjadi 120 + 12 = 132 unit
Simple Moving AveragesMetode simple moving average menghitung rata-rata permintaan untuk
n periode paling terkini dan menggunakannya untuk melakukan forecast periode masa datang
Di periode berikutnya, setelah permintaan diketahui, maka permintaan dari rata-rata sebelumnya digantikan dengan permintaan terbaru dan rata-ratanya dihitung kembali sehingga n permintaan paling terkini akan ratanya dihitung kembali sehingga n permintaan paling terkini akan selalu digunakan dan nilai rata-ratanya “moves” dari periode ke periode
dimanaDt = actual demand untuk periode tn = jumlah total periodeFt+1 = forecast untuk periode t+1
a) Berdasarkan tabel di atas, hitunglah moving average forecast per 3-mingguan untuk kedatangan pasien di klinik forecast per 3-mingguan untuk kedatangan pasien di klinik pada minggu ke-4
b) Bila jumlah aktual pasien datang di minggu ke-4 adalah 415, berapakah forecast error untuk minggu ke-4
c) Hitung forecast untuk minggu ke-5
Pembahasan:
a) Moving average forecast di minggu ke-4 adalah
b) Forecast error untuk minggu ke-4 adalah
c) Forecast untuk minggu ke-5 menggunakan data aktual 3 minggu paling terkini, yaitu minggu ke-2 sampai ke-4,
Weighted Moving AveragesDi metode simple moving average setiap permintaan memiliki
bobot yang sama = 1/n.Di metode weighted moving average method, setiap
permintaan memiliki bobot sendiri yang totalnya = 1.0
Contoh:Dalam periode 3-mingguan model weighted moving average,
periode paling terkini memiliki bobot 0.50, periode sebelumnya 0.30, dan yang terakhir 0.20. Maka perhitungan rata-ratanya menjadi:
.
a) Berdasarkan tabel di atas, hitunglah moving average forecast per 3-mingguan untuk kedatangan pasien di klinik forecast per 3-mingguan untuk kedatangan pasien di klinik pada minggu ke-4
b) Bila jumlah aktual pasien datang di minggu ke-4 adalah 415, berapakah forecast error untuk minggu ke-4
c) Hitung MAD untuk 3 minggu paling terkini
Exponential SmoothingMetode exponential smoothing adalah metode weighted moving
average yang menghitung rata-rata time series dengan memberikan permintaan terkini bobot lebih dari permintaan sebelumnya
Exponential smoothing memerlukan 3 data:Exponential smoothing memerlukan 3 data:(1) Forecast periode terakhir;(2) Permintaan aktual periode saat ini; (3) Smoothing parameter, alpha (), bernilai antara 0 dan 1.0
Persamaan exponentially smoothed forecast untuk periode t +1
.
a) Dengan = 0.10, hitung exponential smoothing forecast untuk minggu ke-4
b) Hitung forecast error untuk minggu ke-4 bila aktual permintaan = 415
c) Hitung forecast untuk minggu ke-5
Pembahasan:a) Forecast awal = rata-rata 2 minggu awal = (400+380)/2 =
390Moving average forecast di minggu ke-4 adalahF4 = (0,10 * 411) + (0,90 + 390) = 392,1 = 392 pasien
b) Forecast error untuk minggu ke-4 adalahE4 = 415 – 392 = 23
c) Forecast untuk minggu ke-5 menggunakan data aktual 3 minggu paling terkini, yaitu minggu ke-2 sampai ke-4,
F5 = (0,10 * 415) + (0,90 * 392,1) = 394,4 = 394 pasien
Tabel berikut berisi penjualan aktual permen gulali serta peramalan yang dibuat untuk 8 bulan terkahir.
Montht
DemandDt
ForecastFt
1 5 8
2 20 15
3 30 32 terkahir.
Hitunglah CFE, MSE,, MAD, dan MAPE untuk produk ini.
3 30 32
4 35 30
5 49 45
6 70 70
7 15 10
Total
Berdasarkan tabel permintaan bulan Mei sampai Desember:a) Gunakan metode exponential smoothing untuk melakukan a) Gunakan metode exponential smoothing untuk melakukan forecast jumlah unit bulan Juni hingga Januari (forecast bulan Mei adalah 105 unit dan = 0.2)
b) Hitung absolute percentage error untuk setiap bulan dari Juni hingga December
c) Hitung MAD dan MAPE
top related