chapter 4 manajemen operasi
TRANSCRIPT
Chapter 4
FORECASTING DEMAND
( PERAMALAN )
Apakah Peramalan Itu?
Peramalan (forecasting) adalah suatu seni dan ilmu pengetahuan dalam memprediksi
peristiwa pada masa mendatang. Peramalan akan melibatkan mengambil data historis (seperti
penjualan tahun lalu) dan memproyeksikan mereka ke masa yang akan datang dengan model
matematika. Mungkin akan menjadi prediksi yang bersifat subjektif atau intuitif (misalnya, “ini
adalah produk baru yang hebat dan akan terjual sebanyak 20% lebih banyak daripada yang telah
ada”). Mungkin akan didasarkan pada data yang didorong oleh permintaan, misalnya rencana
konsumen untuk membeli dan memproyeksikan mereka ke masa yang akan datang. Atau
peramalan akan melibatkan kombinasi dari keduanya, yang mana, model matematika disesuaikan
dengan pertimbangan yang baik dari manajer.
Peramalan dapat dipengaruhi oleh posisi produk dalam siklus hidupnya, apakah penjualan
berada pada tahap perkenalan, pertumbuhan, kedewasaan, atau penurunan. Produk lainnya dapat
dipengaruhi oleh permintaan atas produk yang terkait, sebagai contoh sistem navigasi dapat
menelusuri dengan penjualan mobil baru.
Beberapa bisnis, namun, dapat mengusahakan untuk menghindari proses peramalan hanya
dengan menunggu untuk melihat apa yang terjadi dan kemudian mengambil peluang mereka.
Perencanaan yang efektif baik dalam jangka pendek dan jangka panjang bergantung pada
peramalan permintaan atas produk perusahaan.
Peramalan Horizon Waktu
Peramalan biasanya diklasifikasikan dengan horizon waktu pada masa mendatang yang
melingkupinya. Horizon waktu dibagi dalam tiga kategori sebagai berikut :
1. Peramalan jangka pendek : Peramalan ini memiliki rentang waktu sampai dengan 1 tahun,
tetapi umumnya kurang dari 3 bulan. Digunakan untuk perencanaan pembelian, penjadwalan
pekerjaan, level angkatan kerja, penugasan pekerjaan, dan level produksi.
2. Peramalan jangka menengah : Kisaran menengah, atau intermediate, peramalan umunya
rentang waktu dari 3 bulan hingga 3 tahun. Berguna dalam perencanaan penjualan,
perencanaan produksi dan penganggaran, penganggarann uang kas, dan analisis variasi
rencana operasional.
3. Peramalan jangka panjang : umumnya 3 tahun atau lebih dalam rentang waktunya, peramalan
jangka panjang digunakan dalam perencanaan untuk produk baru, pengeluaran modal, lokasi
tempat fasilitas atau perluasan, dan penelitian serta pengembangan.
Peramalan dalam jangka menengah dan panjang ditentukan dari peramalan jangka pendek
dengan 3 fitur berikut :
1. Pertama, peramalan jangka menengah dan panjang yang berhubungan dengan permasalahan
yang lebih komprehensif yang mendukung keputusan manajemen mengenai perencanaan
produk, pabrik, dan proses.
2. Kedua, peramalan dalam jangka pendek biasanya menjalankan metodologi yang berbeda
daripada peramalan jangka panjang.
3. Terakhir, seperti yang Anda harapkan, peramalan dalam jangka pendek cenderung lebih akurat
daripada peramalan dalam jangka yang lebih panjang. Faktor-faktor yang mempengaruhi
permintaan dapat berubah setiap harinya. Bahkan, sebagaimana horizon waktu yang semakin
panjang, mungkin keakuratan dari peramalan akan berkurang.
Tipe Peramalan
Organisasi menggunakan tiga tipe peramalan utama dalam merencanakan operasional
untuk masa mendatang :
1. Peramalan ekonomi (economic forecasts) menangani siklus bisnis dengan memprediksikan
tingkat inflasi, uang yang beredar, mulai pembangunan perumahan, dan indicator perencanaan
lainnya.
2. Peramalan teknologi (technological forecasts) berkaitan dengan tingkat perkembangan
teknologi, dimana dapat menghasilkan terciptanya produk baru yang lebih menarik, yang
memerlukan pabrik dan perlengkapan yang baru.
3. Peramalan permintaan (demand forecasts) adalah proyeksi atas permintaan untuk produk atau
jasa dari perusahaan. Peramalan mendorong keputusan sehingga para manajer memerlukan
informasi dengan segera dan akurat mengenai permintaan yang sesungguhnya.
Peramalan ekonomi dan teknologi merupakan teknik khusus yang akan berada diluar
peranan manajer operasional.
Pentingnya Strategi Terhadap Peramalan
Peramalan yang baik adalah sangat penting dalam seluruh aspek bisnis : Peramalan hanya
merupakan estimasi atas permintaan hingga permintaan actual menjadi diketahui. Peramalan
permintaan oleh karenanya akan mendorong keputusan dalam banyak area.
Dampak dari peramalan permintaan produk pada tiga aktivitas :
1. Manajemen Rantai Pasokan
Hubungan yang baik dengan pemasok dan menjamin keunggulan dalam inovasi produk, biaya,
dan kecepatan pada pangsa pasar bergantung pada peramalan yang akurat.
Contoh :
Apple telah membangun sistem global yang efektif dimana dia mengendalikan hampir setiap
hal dari rantai pasokan, dari desain produk hingga gerai pengecer. Dengan data akurat dan
komunikasi cepat yang dibagikan keatas dan kebawah rantai pasokan, inovasi dikembangkan,
biaya persediaan diturunkan, dan kecepatan pada pangsa pasar ditingkatkan. Ketika produk
dijual, apple menelusuri permintaan selama sejam untuk tiap-tiap gerai dan menyesuaikan
peramalan produk setiap hari. Pada apple, peramalan untuk rantai pasokannya merupakan
senjata yang strategis.
2. Sumber Daya Manusia
Perekrutan, pelatihan, dan penempatan pekerja semuanya bergantung pada permintaan yang
diantisipasi. Jika departemen sumber daya manusia harus merekrut pekerja tambahan tanpa
pengetahuan, jumlah pelatihan akan menurun dan kualitas para pekerja akan menurun pula.
3. Kapasitas
Ketika kapasitas tidak memadai, menghasilkan kekurangan yang dapat mengarahkan pada
kehilangan para konsumen dan pangsa pasar. Pada sisi lainnya, ketika kelebihan dalam
kapasitas terjadi, biaya dapat melambung tinggi.
Tujuh Langkah dalam Sistem Peramalan
Peramalan mengikuti tujuh langkah dasar. Kita menggunakan Disney World, yang menjadi
fokus pada bab ini, yaitu Profil Perusahaan Global, sebagai contoh untuk masing-masing langkah
berikut :
1. Menentukan penggunan dari peramalan
2. Memilih barang yang akan diramalkan
3. Menentukan horizon waktu dari peramalan
4. Memilih model peramalan
5. Mengumpulkan data yang diperlukan untuk membuat peramalan
6. Membuat peramalan
7. Memvalidasi dan mengimplementasikan hasilnya
Tujuh langkah ini menyajikan cara yang sistematis untuk memulai, merancang, dan
mengimplementasikan sistem peramalan. Ketika sistem digunakan untuk menghasilkan peramalan
secara teratur atas waktu, data harus dikumpulkan rutin. Kemudian, perhitungan actual biasanya
dibuat dengan computer.
Disamping sistem perusahaan seperti Disney gunakan, tiap perusahaan menghadapi
beberapa kenyataan sebagai berikut :
- Faktor diluar yang tidak dapat kita prediksikan atau kendalikan sering kali mempengaruhi
peramalan.
- Sebagian besar teknik peramalan mengasumsikan bahwa terdapat beberapa stabilitas yang
mendasar didalam sistem. Konsekuensinya, beberapa perusahaan mengotomisasi prediksi
mereka dengan menggunakanperangkat lunak peramalan yang terkomputerisasi, kemudian
memonitor hanya produk barang yang memiliki permintaan tidak menentu.
- Baik produk keluarga maupun peramalan yang menyeluruh lebih akurat daripada peramalan
produk individual
Pendekatan Peramalan
Terdapat dua pendekatan umum untuk peramalan, hanya terdapat du acara untuk mengatasi
seluruh permodelan keputussan. Salah satu adalah analisis kuantitatif; yang satunya lagi adalah
pendekatan kualitatif. Peramalan kuantitatif (quantitative forecasts) menggunakan bermacam-
macam model matematika yang bergantung pada data historis dan/atau variabel asosiatif untuk
meramalkan permintaan. Subjektif atau peramalan kualitatif (qualitative forecasts)
menggabungkan faktor-faktor, misalnya intuisi dari si pengemabil keputusan, emosi, pengalaman
pribadi, dan sistem nilai dalam mencapai peramalan. Beberapa perusahaan menggunakan salah
satu pendekatan dan beberapa menggunakan lainnya. Dalam praktiknya, kombinasi dari keduanya
biasanya yang paling efektif.
Ikhtisar Metode Kualitatif
Dalam bagian ini, kami mempertimbangkan empat teknik peramalan kualitatif yang
berbeda :
1. Opini dari dewan eksekutif (jury of executive opinion) : Berdasarkan pada metode ini, opini
dari sekelompok para ahli yang mumpuni atau manajer, sering kali dikombinasikan dengan
model statistik, dikumpulkan untuk memperoleh sekumpulan estimasi permintaan.
2. Metode Delphi (Delphi method) : terdapat tiga jenis partisipan yang berbeda dalam metode
Delphi : si pengambil keputusan, staf personalia, dan para responden.
3. Gabungan karyawan bagian penjualan (sales force composite) : Dalam pendekatan ini, masing-
masing karyawan bagian penjualan mengestimasi penjualan apa yang ada didalam kawasan
mereka. Peramalan ini kemudian ditinjau ulang untuk memastikan bahwa mereka realistis.
Kemudian, mereka dikombinasikan pada tingkat distrik dan nasional untuk mencapai
keseluruhan peramalan.
4. Survei pasar (market survey). Metode ini mengumpulkan input dari para konsumen atau
konsumen yang potensial mengenai rencana pembelian pada masa mendatang. Hal ini dapat
membantu bukan hanya dalam mempersiapkan peramalan, tetapi juga dalam meningkatkan
desain produk dan perencanaan untuk produk baru.
Ikhtisar Metode Kuantitatif
Dalam bagian ini, terdapat lima teknik untuk metode kuantitatif , dimana semua digunakan
untuk data historis. Teknik ini dibagi menjadi dua kategori :
1. Pendekatan awam
2. Pergerakan rata-rata
3. Penghalusan eksponensial
4. Proyeksi kecenderungan
Time-series models
5. Regresi garis } Associative models
Time-series models adalah teknik peramalan yang digunakan untuk peramalan dengan
mengunakan jenis data lampau.
Associative models, seperti regresi garis, menggabungkan variabel atau faktor yang
mungkin mempengaruhi kuantitas menjadi peramalan.
Peramalan Time-series
Runtun waktu didasarkan pada urutan poin data yang ditempatkan secara merata
(mingguan, bulanan, kuartalan, dan lainnya). Data peramalan runtun waktu mengimplikasikan
bahwa nilai masa mendatang diprediksikan hanya dari nilai masa yang lalu dan variable lainnya,
tidak perduli seberapa bernilainya secara potensial, akan diabaikan.
Penguraian dari Runtun Waktu
Runtun waktu memiliki empat komponen sebagai berikut :
1. Kecenderungan adalah pergerakan data secara bertahap keatas atau kebawah selama bertahun-
tahun. Perubahan dalam pendapatan, distribusi umur, atau pandangan budaya yang
mempertanggungjawabkan pergerakan dalam kecenderungan.
2. Musiman adalah pola data yang mengulang dengan sendirinya setelah satu periode hari,
minggu, bulan, atau kuartalan. Terdapat enam pola musiman secara umum.
3. Siklus adalah pola data dalam data yang terjadi setiap beberapa tahun. Mereka biasanya diikat
kedalam siklus bisnis dan sangat penting dalam analisis bisnis sangat sulit karena mereka
dipengaruhi oleh peristiwa politik atau oleh kerusuhan internasional.
4. Variasi secara acak adalah “blip” didalam data yang disebabkan oleh adanya peluang dan
situasi yang tidak seperti biasanya. Mereka mengikuti pola yang tidak dapat dilihat, sehingga
mereka tidak dapat diprediksikan.
Pendekatan Awam
Cara paling sederhana unutk mengamsusikan bahwa permintaan untuk periode selanjutnya
akan setara dengan permintaan dalam periode yang paling baru. Pendekatan awam (naïve
approach) adalah model peramalan yang paling efektif dalam biaya dan tujuan yang efisien.
Setidaknya model ini menyediakan poin permulaan dimana merupakan model yang paling canggih
yang kemudian dapat dibandingkan.
Pergerakan Rata-rata
Peramalan pergerakan rata-rata (moving averages) menggunakan sejumlah nilai data
aktual historis untuk menghasilkan peramalan. Pergerakan rata-rata bermafaat jika kita dapat
mengasumsikan bahwa permintaan pasar akan tetap kokoh secara wajar selama bertahun-tahun.
Secara sistematis, pergerakan rata-rata yang sederhana (yang berfungsi sebai estimasi permintaan
periode berikutnya) diuraikan sebagai berikut :
∑ permintaan dalam periode n sebelumnya
n
dimana n adalah jumlah periode dalam pergerakan rata-rata sebagai contoh 4,5, atau 6 bulan,
masing-masing untuk 4-,5-, atau 6- periode pergerakan rata-rata.
Pergerakan rata-rata bobot dapat diuraikan secara sistematis sebagai berikut :
∑ ((bobot untuk periode n) Permintaan dalam periode n))
∑ bobot
Pergerakan rata – rata =
Pergerakan =
rata – rata bobot
Baik pergerakan rata-rata yang sederhana dan bobot, keduanya adalah efektif dalam
melancarkan fluktuasi mendadak dalam pola permintaan untuk menyediakan estimasi yang stabil.
Pergerakan rata-rata, namun, menyajikan tiga permasalahan :
1. Meningkatkan ukuran n (jumlah periode rata-rata) yang melancarkan fluktasi dengan lebih
baik, tetapi membuat metode menjadi sedikit sensitif pada perubahan dalam data.
2. Pergerakan rata-rata tidak dapat mengambil kecenderungan dengan sangat bagus.
3. Pergerakan rata-rata memerlukan catatan data masa sebelumnya yang ekstensif
Penghalusan Eksponensial
Penghalusan eksponensial adalah metode peramalan pergerakan rata-rata bobot lainnya.
Ini melibatkan sangat sedikit catatan yang mempertahankan data masa sebelumnya dan mudah
untuk digunakan secara wajar.
Peramalan baru =
Dimana α adalah bobot, atau penghalusan konstan, dipilih oleh peramal, yang memiliki nilai
lebih tinggi daripada atau setara dengan 0 dan kurang dari atau setara dengan 1.
Ft = Ft-1 + α (At-1 – Ft-1)
Dimana Ft = peramalan baru
Ft-1 peramalan periode sebelumnya
α penghalusan atau bobot konstan (0 ≤ = α = < = 1)
At-1 permintaan aktual periode sebelumnya
Memilih penghalusan konstan. Dalam mengambil nilai untuk penghalusan konstan, tujuannya
adalah untuk memperoleh peramalan yang sangat akurat.
Mengukur Kesalahan Peramalan
Kesalah peramalan (atau deviasi) didefinisikan sebagai berikut :
Kesalahan Peramalan = Permintaan Aktual – Nilai Peramalan
= At - Ft
Peramalan periode sebelumnya + α (permintaan actual
periode sebelumnya – Permintaan periode sebelumnya)
Tiga ukuran yang paling terkenal adalah
1. Deviasi rata-rata yang absolut
Ukuran pertama atas keseluruhan dalam kesalahan peramalan untuk model adalah deviasi rata-
rata yang absolut (mean absolute diviation - MAD). Nilai ini dihitung dengan mengambil
jumlah nilai absolut kesalahan peramalan individual (deviasi) dan membaginya dengan jumlah
periode data (n) :
∑ |Aktual – Permintaan|
n
2. Kesalahan rata-rata yang dikuadratkan (mean squared error - MSE)
MSE adalah cara kedua untuk mengukur keseluruhan dalam kesalahan peramalan. MSE adalah
rata-rata perbedaan yang dikuadratkan diantara nilai yang diramalkan dengan yang diamati.
∑ |Kesalahan Peramalan|2
n
Suatu kelemahan dalam menggunakan MSE adalah bahwa dia cenderung untuk menonjolkan
deviasi yang besar sehubungan dengan istilah digandakan. Oleh karena itu, menggunakan MSE
sebagai ukuran atas kesalahan peramalan yang umumnya mengindikasikan bahwa kita lebih
menyukai memiliki beberapa deviasi yang lebih kecil daripada hanya 1 deviasi, tetapi besar.
3. Kesalahan presentase rata-rata yang absolut (mean absolute percent error - MAPE)
Dihitung sebagai perbedaan rata-rata yang absolut antara nilai yang diramalkan dengan
aktualnya, dicerminkan sebagai presentase nilai actual. Hal ini, jika kita memiliki nilai yang
diramalkan dan actual untuk periode n, MAPE dihitung dengan :
∑ 100𝑛𝑖=1 |Aktuali – Peramalani| / Aktuali
n
Penghalusan Eksponensial dan Penyusaian Kecenderungan
Dengan penghalusan eksponensial yang menyesuaikan dengan kecenderungan, estimasi
untuk, baik rata-rata maupun kecenderungan dihaluskan. Prosedur ini mensyaratkan dua
penghalusan konstan α untuk rata-rata dan β untuk kecenderungan. Kemudian, kita menghitung
rata-rata dan kecenderungan tiap periode :
Ft = α (Permintaan actual tiap periode sebelumnya) + (1-α) (Peramalan periode
sebelumnya + Estimasi kecenderungan periode sebelumnya)
MAD =
MAD =
MAPE =
Atau
Ft = α (At-1) + (1-α) (Ft-1 + Tt-1)
Tt = β (Peramalan periode ini – Peramalan periode sebelumnya)
+ (1-β) (Estimasi kecenderungan periode sebelumnya)
Atau
Tt = β (Ft-Ft-1) + (1-β) Tt-1
Dimana
Ft = rata-rata peramalan yang dihaluskan secara eksponensial terhadap serangkaian data
dalam periode t.
Tt = kecenderungan yang dihaluskan secara eksponensial dalam periode t
At = permintaan actual dalam periode t
α = penghalusan konstan untuk rata-rata (0 < = α < = 1)
β = penghalusan konstan untuk kecenderungan (0 < = β < = 1)
Nilai dari penghalusan konstan yang mengikuti kencenderungan, β, menyerupai α konstan
karena β yang lebih besar responsive terhadap perubahan baru dalam kencederungan. Nilai β yang
rendah memberikan bobot yang sedikit dengan kecenderungan yang paling baru dan cenderung
rata untuk meratakan kecenderungan yang telah ada. Nilai β dapat ditemukan dengan pendekatan
coba dan ralat (coba-coba) atau dengan menggunakan perangkat lunk peramalan komersial yang
canggih, dengan MAD yang digunakan sebagai ukuran perbadingan.
Penghalusan eksponensial yang sederhana sering kali disebut sebagai penghalusan urutan
pertama (first-order smoothing). Model penghalusan eksponensial yang lebih canggih lainnya juga
dipergunkan, meliputi yang disesuaikan dengan musiman dan penghalusan tiga kali (triple
smoothing).
Proyeksi Kecenderungan
Metode peramalan runtun waktu sebelumnya (time-series forecasting method) yang akan
kita bahas adalah proyeksi kecenderungan (trend projection). Teknik ini menyesuaikan
kecenderungan dengan rangkaian poin data historis dan kemudian, memproyeksikan kemiringan
garis kedalam peramalan masa mendatang atau dalam jangka menengah hingga jangka panjang.
Variasi Musiman dalam Data
Variasi musiman dalam data adalah pergerakan secara teratur dalam rangkaian data yang
terkait dengan kejadian yang berulang, misalnya cuaca atau hari libur.
Hal yang sama, memahami variasi musiman sangat penting untuk perencanaan kapasitas
dalam organisasi yang menangani lonjakan muatan barang. Dalam apa yang disebut dengan model
musiman perkalian, factor musiman dikalikan dengan estimasi rata-rata permintaan untuk
memproduksi peramalan musiman.
Variasi Siklus pada Data
Siklus (cycles) seperti variasi musiman pada data, tetapi terjadi setiap beberapa tahun,
bukan minggu, bulan, atau kuartal. Peramalan variasi siklus dalam runtun waktu sulit dilakukan.
Hal ini disebabkan oleh siklus meliputi bermacam-macam faktor yang menyebabkan ekonomi
bergerak dari resesi menuju perluasan menuju ke resesi selama bertahun-tahun.faktor-faktor ini
meliputi atas ekspansi secara nasional maupun negara dalam waktu euphoria dan penyusutan
perhatian.
Metode Peramalan Asosiatif : Analisis Regresi dan Korelasi
Tidak seperti peramalan runtun waktu, model peramalan asosiatif biasanya
mempertimbangkan beberapa variable yang terkait dengan kuantitas yang akan diprediksikan.
Ketika variable yang terkait ini telah diketahui, model statistika akan dibuat dan digunakan untuk
meramalkan barang menarik. Pendekatan ini lebih kuat daripada metode runtun waktu yang hanya
menggunakan nilai historis untuk peramalan variable.
Metode peramalan asosiatif kuantitatif yang sangat banyak digunakan adalah analilis
regresri linear (linear-regression analysis).
Penggunaan Analisis Regresi untuk Peramalan
Kita dapat menggunakan model matematika yang sama yang kita terapkan dalam metode
kuadrat kecil atas proyeksi kecenderungan untuk membuat analisis regresi linear. Variabel yang
dependen yang akan kita ramalkan tetap adalah ŷ. Akan tetapi, sekarang variabel independen, x,
tidak lagi waktu. Kita menggunakan persamaan :
ŷ = a + bx
Dimana :
ŷ = nilai dari variabel dependen
a = perpotongan sumbu y
b = kemiringan garis regresi
x = variabel independen
Standar Kesalahan dari Estimasi
Untuk mengukur keakuratan dari estimasi regresi, kita harus menghitung standar kesalahan
dari estimasi, Sy,x. Perhitungan ini dinamakan dengan standar deviasi dari regresi. Ini mengukur
kesalahan dari variabel yang dependen, y, terhadap regresi, bukan terhadap rata-rata. Persamaan
merupakan gambaran yang mirip dengan yang ditemukan pada sebagian besar buku statistik untuk
menghitung standar deviasi dari rata-rata aritmatika :
Dimana :
y = nilai y tiap-tiap poin data
yc = nilai variabel dependen yang hiutng, dari persamaan regresi
n = jumlah poin data
Koefesien Korelasi untuk Garis Regresi
Persamaan regresi adalah salah satu cara untuk menggambarkan sifat dari hubungan di
antara dua variabel. Garis regresi bukan berhubungan dengan “sebab dan akibat”. Mereka
menggambarkan hubungan diantara variabel-variabel. Persamaan regresi menunjukan bagaimana
salah satu variabel terkait dengan nilai dan perubahan dalam variabel lainnya.
Cara lainnya unruk mengevaluasi hubungan diantara dua variabel adalah dengan
menghitung koefisian terhadap korelasi. Ukuran ini mencerminkan derajat atau kekuatan
hubungan linear.
Untuk menghitung r, kita menggunakan banyak data yang sama yang diperlukan lebih awal untuk
menghitung a dan b untuk garis regresi. Persamaan yang lebih panjang untuk r adalah :
Analisis Regresi Multipel
Regresi multipel adalah perluasan praktis dari model regresi sederhana yang baru saja kita
pelajari. Ini memungkinkan kita untuk membangun model dengan beberapa variable independen
bukan hanya satu variabel. Sebagai contoh, jika Nodel Construction memasukkan rata-rata tingkat
bunga tahunan dalam modelnya untuk meramalkan penjualan renovasi,maka persamaan yang tepat
akan menjadi sebagai berikut :
ŷ = a + b1x1 + b2x2
dimana :
y = variabel dependen
a = a konstan, perpotongan y
x1 dan x2 = nilai dari dua variabel independen, area sistem penggajian dan tingkat bunga,
masing –masing
b1 dan b2 = koefisien untuk dua variabel independen
Pengawasan dan Pengendalian Peramalan
Salah satu cara untuk memonitor peramalan untuk memastikan bahwa mereka berjalan
dengan baik adalah dengan menggunakan sinyal penelusuran. Sinyal penelusuran adalah
pengukuran mengenai seberapa baiknya peramlaan dalam memprediksikan nilai aktualnya.
Sinyal penelusuran akan dihitung sebagai kumulatif kesalahan dibagi dengan rata-rata
deviasi yang absolut (MAD), yaitu :
Kesalahan Kumulatif
MAD
∑(Permintaan aktual dalam periode i – peramalan permintaan
dalam periode i)
MAD
dimana
∑(Aktual – Peramalan)
N
Sinyal penelusuran yang positif mengindikasikan bahwa permintaan lebih besar daripada
peramalan. Sinyal negatif berarti bahwa permintaan lebih sedikit daripada peramalan. Sinyal
Sinyal Penelusuran =
=
MAD =
penelurusan yang baik, salah satu kumulatif yang rendah memiliki sebanyak mungkin kesalahan
yang positif daripada kesalahan yang negatif.
Penghalusan Adaptif
Peramalan adaptif mengacu pada computer yang memonitor sinyal penelurusan dan
menyusaikan diri jika sinyal melewati limit yang telah ditetapkan. Misalny, ketika diterapkan pada
penghalusan eksponensial, koefisien α dan β yang pertama dipilih pada nilai basis yang
meminimalkan kesalahan peramalan dan kemudian disesuaikan menurut kapan pun computer
mencatat sinyal penelusuran yang menyimpang. Proses ini disebut penghalusan adaptif (adaptive
smoothing).
Peramalan Fokus
Peramalan fokus didasarkan pada dua prinsip berikut :
1. Model peramalan yang canggih yang tidak selalu lebih baik daripada yang sederhana
2. Tidak terdapat teknik tunggal yang akan digunakan untuk seluruh produk atau jasa
Peramalan dalam Sektor Jasa
Peramalan dalam sector jasa menyajikan beberapa tantangan yang tidak biasa. Teknik
utama dalam sector ritel adalah menelusuri permintaan dengan mempertahankan laporan catatan
dalam jangka pendek yang baik.
Toko Ritel Khusus. Tempat fasilitas ritel khusus, misalnya took bunga, mungkin memiliki pola
permintaan yang tidak biasa lainnya, dan pola tersebut akan berbeda tergantung pada hari libur.
Restoran Cepat Saji. Restoran cepat saji sangat berhati-hati bukan hanya mingguan, harian, dan
jam, tetapi bahkan 15 menit variasi dalam permintaan yang mempengaruhi penjualan. Oleh karena
itu, peramalan permintaan yang terperinci diperlukan.