modul forecasting
TRANSCRIPT
-
7/23/2019 Modul Forecasting
1/15
-
7/23/2019 Modul Forecasting
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
-
7/23/2019 Modul Forecasting
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.
Pusat Pengembangan Bahan Ajar - UMB Hesti Maheswari SE., M.SiMANAJEMEN OPERASIONAL
3
-
7/23/2019 Modul Forecasting
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
Pusat Pengembangan Bahan Ajar - UMB Hesti Maheswari SE., M.SiMANAJEMEN OPERASIONAL
4
-
7/23/2019 Modul Forecasting
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.
Pusat Pengembangan Bahan Ajar - UMB Hesti Maheswari SE., M.SiMANAJEMEN OPERASIONAL
5
METODE
KUANTITATIF
MODEL SERI
WAKTU
MODEL
KAUSAL
MOVING
AVERAGES
EXPONENTIAL
SMOOTHING
TREND
PROJECTION
LINEAR
REGRESSION
-
7/23/2019 Modul Forecasting
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
Pusat Pengembangan Bahan Ajar - UMB Hesti Maheswari SE., M.SiMANAJEMEN OPERASIONAL
6
-
7/23/2019 Modul Forecasting
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
Pusat Pengembangan Bahan Ajar - UMB Hesti Maheswari SE., M.SiMANAJEMEN OPERASIONAL
7
-
7/23/2019 Modul Forecasting
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 :
Pusat Pengembangan Bahan Ajar - UMB Hesti Maheswari SE., M.SiMANAJEMEN OPERASIONAL
8
-
7/23/2019 Modul Forecasting
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)
Pusat Pengembangan Bahan Ajar - UMB Hesti Maheswari SE., M.SiMANAJEMEN OPERASIONAL
9
-
7/23/2019 Modul Forecasting
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)
Pusat Pengembangan Bahan Ajar - UMB Hesti Maheswari SE., M.SiMANAJEMEN OPERASIONAL
10
-
7/23/2019 Modul Forecasting
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
Pusat Pengembangan Bahan Ajar - UMB Hesti Maheswari SE., M.SiMANAJEMEN OPERASIONAL
11
-
7/23/2019 Modul Forecasting
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
Pusat Pengembangan Bahan Ajar - UMB Hesti Maheswari SE., M.SiMANAJEMEN OPERASIONAL
12
-
7/23/2019 Modul Forecasting
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,
Pusat Pengembangan Bahan Ajar - UMB Hesti Maheswari SE., M.SiMANAJEMEN OPERASIONAL
13
-
7/23/2019 Modul Forecasting
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
Pusat Pengembangan Bahan Ajar - UMB Hesti Maheswari SE., M.SiMANAJEMEN OPERASIONAL
14
-
7/23/2019 Modul Forecasting
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=
Pusat Pengembangan Bahan Ajar - UMB Hesti Maheswari SE., M.SiMANAJEMEN OPERASIONAL
15