modul forecasting

7/23/2019 Modul Forecasting

1/15


2/15

PERAMALAN (FORECASTING)

Forecasting adalah seni dan ilmu memprediksi peristiwa-peristiwa masa

depan. Peramalan memerlukan pengambilan data historis dan

memproyeksikannya ke masa depan dengan beberapa bentuk model

matematis. Bisa berupa prediksi subjektif atau intuitif disesuaikan dengan

penilaian yang baik oleh manajer.

Peramalan dikalompokkan menurut horison waktu masa dpan yang

mendasarinya menjadi tiga kategori, yaitu :1. Peramalan jangka pendek; Rentang waktunya mencapai satu tahun tetapi

umumnya kurang dari tiga bulan. Peramalan jangka pendek digunakan

untuk merencanakan pembelian, penjadwalan kerja, jumlah tenaga kerja,

penugasan, dan tingkat produksi.

2. Peramalan jangka menengah; Permalan jangka menengah biasanya

berjangka tiga bulan hingga tiga tahun. Peramalan ini sangat bermanfaat

dalam perencanaan penjualan, perencanaan dan pengaggaran produksi,

penggaran kas, dan menganalisis berbagai rencana operasi.3. Peramalan jangka panjang; Rentang waktunya tiga tahun atau lebih;

digunakan dalam merencanakan produk baru, pengeluaran modal, lokasi

fasilitas, atau ekspansi dan penelitian serta pengembangan.

Peramalan jangka menengah dan jangka panjang mempunyai tiga ciri

yang membedakan keduanya dari peramalan jangka pendek. Peramalan jangka

menengah dan jangka panjang berhubungan dengan isu-isu yang lebih

kompetitif dan mendukung keputusan manajemen berkaitan dengan

perencanaan dan produk, pabrik dan proses. Menerapkan beberapa keputusan

fasilitas, seperti membuka pabrik. Sedangkan peramalan jangka pendek

biasanya menggunakan metodologi yang berbeda dari pada peramalan yang

lebih panjang waktunya. Tekinik-teknik matematis seperti metode rata-rata

bergerak, exponential smoothing dan eksplorasi trend adalah biasa untuk

proyeksi jangka pendek. Metode-metode kualitatif yang agak luas bermanfaat

dalam memprediksi seperti apa produk baru. Peramalan jangka pendek

cenderung lebih akurat dari peramalan jangka panjang. Dengan demikian

Pusat Pengembangan Bahan Ajar - UMB Hesti Maheswari SE., M.SiMANAJEMEN OPERASIONAL

2


3/15

ramalan penjualan perlu diperbaharui secara teratur untuk mempertahankan

nilainya. Setelah ramalan penjualan berlalu ramalan harus dikaji kembali dan

diperbaiki.

JENIS-JENIS PERAMALAN

Organisasi menggunakan tiga jenis peramalan ketika merencanakan

masa depan operasinya. Dua yang pertama, peramalan ekonomi dan teknologi,

adalah teknik-teknik khusus yang mungkin berada di luar peran manajer operasi.

Peran manajer operasi dalam permalan adalah permalan permintaan.

1. Ramalan Ekonomi, membahas siklus bisnis dengan memprediksi tingkat

inflasi, suplai uang, dan indikator-indikator perencanaan lainnya.

2. Ramalan teknologi, berkaitan dengan tingkat kemajuan teknologi yang akan

melahirkan produk-produk baru yang mengesankan, membutuhkan pabrik

dan peralatan baru.

3. Ramalan permintaan, proyeksi permintaan untuk produk atau jasa

perusahaan. Ramalan ini disebut juga ramlan penjualan, mengarahkan

produksi, kapasitas, dan sistem penjadwalan perusahaan dan bertindak

sebagai masukan untuk perencanaan keuangan, pemasaran, dan personalia.

Ramalan yang baik sangat penting dalam seluruh aspek bisnis; ramalan

hanyalah estimasi permintaan produk sampai permintaan aktual diketahui.

Ramalan permintaan mengarahkan keputusan di dalam banyak bidang.

Ramalan produk berpengaruh terhadap tiga fungsi yaitu :

a. Sumber daya manusia, Mempekerjakan, melatih dan memberhentikan para

pekerja tergantung pada permintaan produk yang diantisipasi.

b. Kapasitas, Bila kapasitas tidak tepat, akan muncul masalah-masalah seperti

pengiriman yang tidak terjain, kehilangan pelanggan dan kehilangan pangsa

pasar.

c. Manajemen rantai-suplai, Hubungan dengan pemasok yang baik dan

keunggulan kerja yang terjamin untuk bahan baku dan suku cadang

tergantung pada ramalan yang akurat.


3


4/15

PENDEKATAN PERAMALAN

Terdapat dua pendekatan umum yang akan kita gunakan dalam

peramalan; Peramalan kualitatif dan Peramalan kuantitatif.

Peramalan kualitatif memanfaatkan faktor-faktor penting seperti intuisi,

pengalaman pribadi, dan sistem nilai pengambilan keputusan. Sedangkan

peramalan kuantitatif menggunakan berbagai model matematis yang

menggunakan data historis dan atau variabel-variabel kausal untuk

meramalakan.

Dalam prakteknya kombinasi atau campuran dari kedua jenis peramalan

ini biasanya lebih efektif.

METODE KUALITATIF

1. Juri dari opini eksekutif

Metode ini mengambil opini dari sekelompok kecil manajer tingkat tinggi,

seringkali dikombinasikan dengan model-model statistik dan menghasilkan

estimasi permintaan kelompok.

2. Gabungan pendapat armada penjualan

Dalam pendekatan ini, setiap wiraniaga mengestimasi jumlah penjualan di

wilayahnya, ramalan ini kemudian dikaji ulang untuk meyakinkan

kerealistisannya, lalu dikombinasikan pada tingkat atas untuk mencapai

ramalan secara menyeluruh.

3. Metode Delphi

Beberapa ahli yang tinggal di beberapa tempat untuk membuat peramalan.

4. Survei pasar konsumen

Metode memperbesar masukan dari pelanggan atau calon pelanggan tanpa

melihat rencana pembelian masa depannya. Metode ini bisa membantu tidakhanya dalam menyiapkan ramalan tetapi juga dalam memperbaiki disain

produk baru.

5. Pendekatan naif

Cara sederhana untuk peramalan ini mengasumsikan bahwa permintaan

dalam periode berikutnya adalah sama dengan peramalan dalam periode

sebelumnya


4


5/15

METODE KUANTITATIF

MODEL SERI WAKTU

Memprediksi berdasarkan asumsi bahwa masa depan adalah fungsi dari

masa lalu. Dengan kata lain, model ini melihat pada apa yang terjadi selama

periode waktu lalu dan menggunakan seri data masa lalu untuk membuat

ramalan. Seri waktu (time series) didasarkan pada tahapan dari titik data yang

sudah tertentu (mingguan, bulanan, kuartalan dan sebainya).

1. Moving Averages (Rata-rata bergerak)

Metode ini bermanfaat jika kita mengasumsikan bahwa permintaan pasar

tetap stabil sepanjang waktu.

Permintaan data n periode sebelumnya

Rata-rata bergerak = -----------------------------------------------------------

n

dimana n adalah jumlah periode dalam rata-rata bergerak, misalnya

tiga,empat, atau lima secara berurutan untuk rata-rata bergerak tiga, empat

atau lima periode.


5

METODE

KUANTITATIF

MODEL SERI

WAKTU

MODEL

KAUSAL

MOVING

AVERAGES

EXPONENTIAL

SMOOTHING

TREND

PROJECTION

LINEAR

REGRESSION


6/15

Contoh:

Penjualan mesin jahit di Shivas Hardware Store ditujukan dengan data berikut ini

:

Bulan Penjualan

Aktual

Rata-Rata Bergerak Tiga Bulanan

JAN 10

FEB 12

MRT 13

APR 16 MEI 19

JUN 23

JUL 26

AGS 30

SEP 28OKT 18

NOV 16

DES 14

Rata-Rata Bergerak Tertimbang (weighted moving averages =WMA)

Timbangan dapat digunakan untuk menempatkan lebih banyak tekanan

pada nilai baru. Hal ini membuat teknik ini lebih responsif terhadap perubahan

karena periode yang lebih baru mungkin lebih besar timbangannya. (timbangan utk periode n)(Permintaan dalam periode n)

WMA = -----------------------------------------------------------------------------

n

Contoh :

Shivas Hardware Store memutuskan untuk meramlakan penjualan mesin jahit

dengan pemberian timbangan pada tiga bulan sebelumnya sebagai berikut :

PERIODE PENETAPAN TIMBANGANBulan lalu 3

Dua bulan lalu 2

Tiga bulan lalu 1

Hasil ramalan dengan metode rata-rata bergerak tertimbang adalah sebagai

berikut :

Bulan Penjualan

Aktual

Rata-Rata Bergerak Tiga Bulanan

JAN 10FEB 12


6


7/15

MRT 13

APR 16

MEI 19

JUN 23

JUL 26

AGS 30SEP 28

OKT 18

NOV 16

DES 14

Rata-rata bergerak sederhana dan tertimbang efektif dalam menghaluskan

fluktuasi tiba-tiba dalam pola permintaan untuk menghasilkan estimasi yang

stabil. Namun rata-rata bergerak mempunyai tiga masalah yaitu :

Meningkatkan ukuran n (jumlah periode yang dirata-ratakan) memang

menghaluskan fluktuasi dengan lebih baik tetapi metode ini kutrang sensitif

untuk perubahan nyata dalam data.

Rata-rata bergerak tidak dapat memanfaatkan trend dengan baik

Karena merupakan rata-rata, rata-rata bergerak akan selalu berada dalam

tingkat masa lalu dan tidak akan memprediksi perubahan ke tingkat yang

lebih tinggi maupun yang lebih rendah.

2. Exponential Smoothing

Adalah metode peramalan yang mudah digunakan dan efisien bila

dilakukan dengan komputer. Rumus metode Exponential Smoothing dasar

adalah :

Ramalan baru = Ramalan periode lalu + (permintaan aktual periode lalu

ramalan periode lalu)

Dimana adalah timbangannya atau konstanta smoothing yang nilainya

antara 0 hingga 1.

Rumus diatas dapat juga ditulis sebagai berikut :

Ft = Ft-1 + (At-1 Ft-1)Di mana :

Ft = Peramalan baru

Ft-1 = Peramalan sebelumnya

= Konstanta smoothing

At-1 = Peramalan aktual periode sebelumnya


7


8/15

, konstanta smoothing umunya antara 0,05 sampai 0,50 untuk aplikasi

bisnis. konstanta smoothing dapat diubah untuk memberikan timbangan yang

lebih besar pada data baru (bila tinggi) atau pada data masa lalu (bila

rendah). Yang pasti periode masa lalu menurun dengan cepat ketika

meningkat.

Contoh :

Pada bulan januari, agen perjalanan yang berspesialisasi dalam kapal pesiar

memprediksi permintaan bulan februari untuk kapal pesiar yang berlayar satu

minggu adalah sebesar 142. Permintaan bulan Februari aktual adalah 153.

Menggunakan konstanta smoothing = 0,20. Kita dapat meramalkan

permintaan bulan Maret dengan menggunakan model exponential smoothing

dengan rumus diatas :

Ft = 142 + 0,20 (153-142)

Ft = 144,2

Memilih konstanta smoothing

Pendekatan dengan exponential smoothing mudah digunakan dan tealh

sukses diterapkan di banyak organisasi. Akan tetapi nilai konstanta

smoothing yang tepat bisa menciptakan perbedaan antara ramalan yang

akurat dan ramalan yang tidak akurat. Dalam mengambil sebuah nilai untuk

konstanta smoothing, tujuannya adalah untuk mencapai ramalan yang paling

akurat. Keakuratan yang menyeluruh dari model peramalan bisa ditentukan

dengan membandingkan nilai-nilai yang diramalkan dengan nilai aktual.

Kesalahan permalan didefinisikan dengan :

Kesalahan Peramalan = Permintaan Ramalan.

Mean absolute deviation (MAD) adalah sebuah ukuran untuk kesalahan

peramalan menyeluruh untuk suatu model.

(Kesalahan Peramalan)

MAD =--------------------------------------

n

Contoh :


8


9/15

Pelabuhan New Orleans telah membongkar muatan daging sapi

dari kapal South American selama delapan kuartal terakhir. Manajer operasi

pelabuhan ingin menguji penggunaan exponential smoothing untuk melihat

seberapa baik teknik itu bekerja dalam memprediksi pembongkaran tonasi. Ia

mengasumsikan bahwa pembongkaran daging sapi dalam kuartal pertama

adalah 175 ton. Dua nilai diuji, = 0,10 dan = 0,50. Untuk mengevaluasi

keakuratan setiap konstanta smoothing dihitung MAD. MAD yang kecil yang

lebih disukai .

Kuartal Pembongkaran

Tonasi Aktual

Peramalan dengan

= 0,10

Peramalan dengan

= 0,50

1 180

2 1683 159

4 175

5 190

6 205

7 180

8 182

9 ?

Kuartal Pembongkar

an TonasiAktual

Peramalan

dengan = 0,10

Deviasi

absolut u/

= 0,10

Peramalan

dengan = 0,50

Deviasi

absolut u/

= 0,50

1 180

2 168

3 159

4 175

5 190

6 205

7 180

8 182

Jumlah

MAD = 0,10 =

MAD = 0,50 =

Kesalahan kuadrat rata-rata (mean squared error=MSE)


9


10/15

Adalah cara lain untuk mengukur kesalahan ramalan secara menyeluruh.

MSE adalah rata-rata perbedaan kuadrat antara nilai yang diramalkan dan

nilai yang diamati. MSE yang kecil adalah baik.

Kesalahan peramalan2

MSE = ----------------------------------------

n

Kuartal Pembongkar

an Tonasi

Aktual

Peramalan

dengan

= 0,10

(Deviasi

absolut)2 u/

= 0,10

Peramalan

dengan

= 0,50

(Deviasi

absolut)2 u/

= 0,50

1 180

2 168

3 159

4 175

5 190

6 2057 180

8 182

Jumlah

MSE = 0,10=

MSE = 0,50=

Exponential smoothing dengan penyesuaian trend

Seperti halnya dengan rata-rata bergerak, exponential smoothing gagal

merespon trend. Exponential smoothing sederhana sering disebut sebagai

penghalusan tingkat pertama dan exponential smoothing with trend adalah

penghalusan tingkat kedua. Rumus :

Ft = (At-1 ) + (1-) (Ft-1 +Tt-1)


10


11/15

Tt = ( Ft - Ft-1) + (1-) Tt-1Dimana : = smoothing constant for the average

= smoothing constant for the trend

Contoh :

Shivas manufacture menggunakan exponential smoothing untuk meramalkan

permintaan produknya. = 0,20 dan = 0,40. Diasumsikan peramalan untuk

bulan pertama = 11 unit dan trend pada periode tersebut (T1) = 2. Data

permintaan aktual adalah sebagai berikut :

Bulan Actual Demand Smoothed

Forecast, Ft

Smoothed

Trend, Tt

Forecast Including

Trend, FITt1 12

2 17

3 20

4 19

5 24

6 21

7 31

8 28

9 36

10 -

3. Trend Projection

Teknik ini mencocokan garis trend ke rangkaian titik data historis dan

kemudian memproyeksikan garis itu ke dalam ramalan jangka-menengah

hingga jangka-panjang. Dalam bahasan ini akan dibicarakan trend linear

yang memakai metode kuadrat terkecil (least square mathod).

Persamaan = Y = a + bx

Y = nilai variabel yang dihitung untuk diprediksi

a = perpotongan sumbu-y

b = kelandaian garis regresi

x = variabel bebas

Kelandaian garis regresi (b) diperoleh dengan persamaan =

XY n X Y

b = -------------------------- a = Y b X

X2 n X2


11


12/15

Contoh:

Permintaan terhadap daya listrik di N.Y Edison selama periode 1990 1996

ditunjukkan di bawah ini, dalam satuan megawatt. Buatlah trend garis lurus

untuk data ini dan ramalkan permintaan tahun 1997.

TAHUN 1996 1997 1998 1999 2000 2001 2002

DAYA LISTRIK

YG DIMINTA

74 79 80 90 105 142 122

Dengan seri data sepanjang waktu, kita bisa meminimalkan perhitungan

dengan mengubah nilai x (waktu) ke angka-angka yang lebih sederhana.

TAHUN PERIODE

WAKTU

PERMINTAAN

DAYA LISTRIK

X2 XY

1996 741997 79

1998 80

1999 90

2000 105

2001 142

2002 122

Jumlah 692

b =

a =

Permintaan tahun 2003 =

Variasi musim dalam data

Peramalan seri waktu seperti dalam contoh-contoh diatas mencakup trend

data atas rangkaian observasi waktu. Namun demikian, kejadian


12


13/15

berulangnya variasi pada musim tertentu membuat penyesuaian musiman

dalam rangkaian garis trend harus diadakan.

Contoh :

Penjualan bulanan Komputer notebook IBM di Hardwareland selama periode

2001/2002 ditunjukkan pada tabel dibawah ini :

Bulan

Permintaan Penjualan Permintaan

rata-rata

Rata-rata

Permintaan

bulanan

Rata-rata

indeks

musiman

2001 2002

JAN 80 100

FEB 75 85

MRT 80 90

APR 90 110

MEI 115 131JUN 110 120

JUL 100 110

AGS 90 110

SEP 85 95

OKT 75 85

NOV 75 85

DES 80 80

JUMLAH

Rata-rata permintaan bulanan = jumlah permintaan rata-rata : 12 bulan

Rata-rata permitaan bulanan =

Indeks musiman = Permintaan rata-rata : rata-rata permintaan bulanan

Indeks musiman =

MODEL KAUSAL

Metode peramalan kausal biasanya mempertimbangkan beberapa

variabel yang dikaitkan pada variabel yang sedang diprediksi. Sekali variabel-

variabel ini diperoleh, model statistik dibangun dan digunakan untuk meramal

variabel. Pendekatan ini lebih kuat ketimbang metode seri waktu yang hanya

mengunakan nilai historis untuk variabel yang diramalkan.

Banyak faktor bisa dipertimbangkan dalam analisis kausal. Sebagai

contoh, penjualan produk mungkin dikaitkan dengan anggaran iklan perusahaan,


13


14/15

pembebanan harga, harga pesaing, dan strategi promosi atau bahkan tingkat

ekonomi dan pengangguran. Dalam hal ini, penjualan akan disebut variabel

tidak bebas (dependent variable) dan variabel-variabel lain disebut variabel

bebas (independent varable).

Menggunakan Analisis Regresi Linear Untuk Meramal

Model matematika yang sama yang kita gunakan dalam metode kuadrat

terkecil dari proyeksi trend bisa digunakan untuk melakukan analisis regresi

linear. Variabel-variabel tidak bebas yang akan diramal tetap Y.

Persamaan regresi = Y = a + bx

Y = Nilai variabel tidak bebas, yaitu penjualan

a = Perpotongan sumbu y

b = Kelandaian garis regresi

x = Variabel bebas

Contoh :

Richard Nodel memiliki perusahaan konstruksi yang membangun kantor di

Detroit. Baru-baru ini perusahaan telah menemukan bahwa volume dolar dari

kerja renovasinya bergantung pada upah wilayah Detroit. Tabel berikut ini

mencatumkan penghasilan Nodel dan jumlah uang yang diterima para penerima

upah di Detroit selama tahun 1997 2002

PENJUALAN NODEL (Y) GAJI LOKAL(X)

2,0 1

3,0 3

2,5 4

2,0 2

2,0 1

3,5 7

Persamaan matematis dengan menggunakan pendekatan regresi kuadrat

terkecil =

PENJUALAN NODEL (Y) GAJI LOKAL(X) X2 XY

2,0 1

3,0 3

2,5 4

2,0 2

2,0 1

3,5 7


14


15/15

Y = X = X2= XY=

XY n X Y

b = -------------------------- a = Y b X

X2 n X2

b =

a = Y b X

a =

Kesalahan Standar Estimasi (deviasi standar)

Y2 a Y b XY

S yx = --------------------------------

n 2

PENJUALAN NODEL (Y) GAJI LOKAL(X) X2

XY Y2

2,0 1

3,0 3

2,5 4

2,0 2

2,0 1

3,5 7

Y = X = X2= XY= Y2=


15

modul forecasting

Documents