Peramalan

PeramalanManajemen OperasionalKelompok 3

Angga Bagas SamudraDevinta MahardikaPemetaan konsep Kenapa isu dan teori peramalan muncul dalam aplikasi ilmu Manajemen operasional ? Apakah peramalan itu ? Peramalan, Mutlak kah ? Apa objek dari studi peramalan ?BEDAH SILABUSPentingnya suatu studi peramalanJenis-jenis peramalanPentingnya strategi peramlan7 langkah system peramalanPendekatan peramalanPeramalan dengan runtun waktuAnalisis regresi dan korelasiMonitoring dan pengendalian peramlanAplikasi peralaman di dalam operasi jasa

MANAJEMEN OPERASIONAL

Manajemen Operasi adalah serangkaian aktivitas yang menghasilkan nilai dalam bentuk barang dan jasa dengan mengubah input menjadi output(Jay Heizer Barry Render).

SIKLUS KEBERLANGSUNGAN PRODUKBest period to increase market share

R&D engineering is criticalPractical to change price or quality image

Strengthen nichePoor time to change image, price, or quality

Competitive costs become criticalDefend market positionCost control criticalIntroductionGrowthMaturityDeclineCompany Strategy/IssuesInternet search enginesSalesXbox 360Drive-through restaurantsCD-ROMs3 1/2 Floppy disksLCD & plasma TVsAnalog TVsiPods5Product design and development criticalFrequent product and process design changesShort production runsHigh production costsLimited modelsAttention to qualityIntroductionGrowthMaturityDeclineOM Strategy/IssuesForecasting criticalProduct and process reliabilityCompetitive product improvements and optionsIncrease capacityShift toward product focusEnhance distributionStandardizationLess rapid product changes more minor changesOptimum capacityIncreasing stability of processLong production runsProduct improvement and cost cuttingLittle product differentiationCost minimizationOvercapacity in the industryPrune line to eliminate items not returning good marginReduce capacitySIKLUS KEBERLANGSUNGAN PRODUK6PERAMALAN (forecasting)Menurut Jay Heizer dan Barry render:Forcasting is the art and science of predicing future events it may invol vetaking historical data and projecting them into the future will some sort of matematicalArtinya adalah seni dan ilmu memprediksi peristiwa-peristiwa masa depan. Peramalan memerlukan pengambilan data historis dan memproyeksikanya ke masa depan dengan beberapa bentuk model matematis.Keakuratan dari peramalanMutlakkah peramalan ?Ada beberapa unit bisnis yang dapat mengusahakan untuk menghindari proses peramalan. Proses yang dimaksud adalah Wait and See. Artinya menunggu untuk melihat apa yang terjadi dan kemudian mengambil peluang yang adaJenis jenis peramalan3 Tipe peralaman utama dalam merencanakan operasional:Peramalan Ekonomi (economic forecast): tingkat inflasi, uang yang beredar.Peramalan Teknologi (technological forecast): tingkat perkembangan teknologiPeramalan Permintaan (demand forecast):proyeksi atas permintaan untuk produk/jasa dari perusahaan (fokus)Pentingnya Strategi PeramalanPERANAN PENTING PERAMALAN ?PerencanaanPengambilan keputusanDampak Peramalan :Sumber daya ManusiaKapasitasManajemen Rantai PasokanPENTINGNYA STRATEGI PERAMALANSDM Memperkerjakan, Pelatihan, Pemutusan hubungan kerjaKapasitas Kekurangan kapasitas dapat menyebabkan kehilangan pelanggan dan kehilangan pangsa pasarManajemen Rantai Pasokan Hubungan baik dengan SupplierPERAMALAN HORIZON WAKTUDibagi menjadi 3 Klasifikasi Waktu :Peramalan Jangka Pendek : Untuk perencanaan pembelian, penjadwalan pekerjaan, level angkatan kerja, penugasan pekerjaan, dan level produksiPeramalan Jangka Menengah: Untuk perencanaan penjualan, perencanaan produksi dan penganggaran, penganggaran uang kas, analisis variabel rencana operasionalPeramalan Kisaran Panjang: Untuk perencanaan produk baru, pengeluaran modal, lokasi tempat/perluasan, penelitian serta pengembangan7 Langkah di dalam Sistem PeramalanMenetapkan tujuan peramalanMenentukan horizon waktu peramalanMemilih unsur yang akan diramalkanMembuat peramalanMemilih jenis model peramalanMengumpulkan dataMemvalidasi dan menerapkan hasil peramalanRealita dan faktor eksternalDiluar sistem, unit bisnis menghadapi kenyataan :Faktor eksternal yang tidak dapat diprediksikan dapat mempengaruhi peramalanAsumsi teknik peramalan yang ada menganggap adanya stabilitas yang mendasar di dalam sistem. Tindakan otomatisasi peramalan melalui software. Hanya dilakukan monitor pada produk/jasa yang permintannya tidak menentuPeramalan secara umum dinyatakan lebih akurat dibanding peramalan pada suatu fokus sektor tertentuPENDEKATAN PERAMALANTerdapat 2 Pendekatan Umum :Pendekatan kuantitatif (menggunakan bermacam-macam model matematika yang bergantung pada data historis)Pendekatan kualitatif (menggabungkan faktor terkait intuisi, emosi, experience dari subjek pengambil keputusan

Kombinasi implementasi kedua pendekatan tersebut akan meningkatkan efektivitas output (ramalan mendekati realita)Pendekatan peramalanDigunakan untuk situasi yang belum pasti dan hanya terdapat sedikit dataProduk BaruTeknologi BaruMelibatkan intuisi dan pengalamanContoh: peramalan tingkat penjualan produk melalui internetMetode Kualitatif17Pendekatan peramalanDigunakan ketika situasi stabil dan terdapat data historisProduk saat iniTeknologi saat iniMelibatkan model matematikaperamalan pada penjualan warna mobil tertentuMetode Kuantitatif18Metode kualitatif4 Teknik peramalan kualitatif:Opini dari dewan eksekutif (jury of executive opinion): penggunaan opini sekelompok kecil dari para manajer dengan kompetensi terbaik guna membentuk suatu sekumpulan estimasi permintaanMetode Delphi (Delphi Method): menggunakan sekelompok proses yang memperbolehkan para ahli untuk membuat peramalanGabungan karyawan bagian penjualan (Sales force composite): berdasarkan pada estimasi wiraniaga terhadap penjualan yang diharapkanSurvei Pasar (market survey): meminta input dari pelanggan Melibatkan grup kecil :tenaga ahli dan manajer berpengalamanGrup memprediksi permintaan dengan bekerja bersama-samaRelatif lebih cepatKekurangan: Pemikiran-Kelompok

OPINI DARI DEWAN EKSEKUTIF20Metode delphiProses berkelompok yang terus berulang, dilanjutkan hingga mencapai kesepakatan bersama3 tipe partisipanPengambil keputusanStafRespondenStaff(Survei)Pengambil keputusan(Mengevaluasi respon dan mengambil keputusan)Respondents(Publik yang ingin memberikan penilaian)21Gabungan karyawan bagian penjualanSetiap sales memproyeksikan penjualan masing-masingMengkombinasikan sales pada tingkat lokal dan nasionalAgen penjualan mengetahui apa yang diinginkan konsumenPeramalan cenderung terlalu optimistik

22SURVEY PASARTanyakan kepada konsumen mengenai rencana penjualan merekaApa yang konsumen katakan, dan apa yang sebenarnya mereka lakukan sering terdapat perbedaanTerkadang kesulitan dalam menjawab23PENDEKATAN KUANTITATIFPendekatan awamPergerakan rata-rataPenghalusan eksponensialProyeksi trenRegresi linierModel runtut waktuModel asosiatif24Penguraian dari runtut waktuAnalisi tersebut berarti menguraikan data tahun-tahun yang lalu ke dalam komponen dan kemudian memproyeksikan mereka ke depan. Ada 4 komponen utama :KecenderunganMusimanSiklusVariasi secara acakTren/KecenderunganMusimanSiklusVariasi secara acakKomponen runtut waktu26Komponen permintaanPermintaan pada produk / jasa||||1234TahunRata-rata permintaanPuncak musimTrenPermintaanaktual Variasi acak27Pola atas atau pola bawah secara keseluruhanPerubahan dipengaruhi populasi, teknologi, usia, budaya, dsbSecara umum, maksimal menggambarkan tren yang sama pada interval 4 tahun kedepanTren28Pola permintaan yang fluktuatifDipengaruhi cuaca, dsbTerjadi dalam rentang tertentu dalam 1 tahunmusimanNumber ofPeriodLengthSeasonsWeekDay7MonthWeek4-4.5MonthDay28-31YearQuarter4YearMonth12YearWeek5229Pergerakan dari atas-bawah-atas secara berulang Dipengaruhi oleh siklus bisnis, situasli politik, dan faktor ekonomiDurasi selama multiple years

siklus0510152030Fluktuasi yang tidak menentuTerjadi dalam interval waktu yang pendek dan tidak berulangVariasi acakMTWTF31Peramalan Runtun Waktu ( Jenis )Peramalan Runtun WaktuPendekatan NaifRata-Rata BergerakPenghalusan Eksponensial32Pendekatan awamPermintaan pada periode berikutnya diasumsikan sama dengan permintaan pada periode sebelumnyaTerkadang mampu mencapai efektivitas biaya dan lebih efisienDapat menjadi titik mulai yang baik33Pergerakan rata-rataDigunakan bila tren yang terjadi cenderung kecil/tidak ada trenJanuary10February12March13April16May19June23July26D AktualPergerakan Rata-RataBulanGudang3 Bulan(12 + 13 + 16)/3 = 13 2/3(13 + 16 + 19)/3 = 16(16 + 19 + 23)/3 = 19 1/3Pergerakan rata-rata101213(10 + 12 + 13)/3 = 11 2/3Grafik pergerakan rata-rata||||||||||||JFMAMJJASONDPenjualan gudang30 28 26 24 22 20 18 16 14 12 10 Actual SalesMoving Average Forecast36Penggunaan bobot besar pada tren terkiniData terdahulu biasanya tidak terlalu penting (Ditugaskan lebih banyak bobot pada data baru)Keputusan terkait bobot tersebut dipengaruhi oleh pengalaman dan intuisiPergerakan rata-rata bobotPergerakan Rata-Rata Bobot= (Bobot untuk peride n) x (permintaan pada periode n) Bobot37Pergerakan rata-rata bobotPenerapan BobotPeriode3Bulan terakhir22 Bulan yang lalu13 Bulan yang lalu6Jumlah Bobot38January10February12March13April16May19June23July26[(3 x 16) + (2 x 13) + (12)]/6 = 141/3[(3 x 19) + (2 x 16) + (13)]/6 = 17[(3 x 23) + (2 x 19) + (16)]/6 = 201/2Pergerakan rata-rata bobot101213[(3 x 13) + (2 x 12) + (10)]/6 = 121/6D AktualPergerakan Rata-Rata Bobot BulanGudang3 BulanMeningkatkan n memang menghaluskan/membuat nilai peramalan menjadi lebih stabil, namun membuat nilai peramalan menjadi kurang sensitifTidak dapat menggambarkan tren dengan sangat baik, karena hasil peramalan merupakan rata-rata dari data historisMemerlukan data historis yang ekstensif (menjangkau secara luas)Kekurangan metode pergerakan rata-rata40Pergerakan rata-rata dan pergerakan rata-rata bobot30 25 20 15 10 5 Tingkat penjualan||||||||||||JFMAMJJASONDPenjualan AktualPergerakan Rata-RataPergerakan Rata-Rata Bobot41Bagian dari pergerakan rata-rata bobotData terkini digunakan lebih besarMembutuhkan penghalusan konstan()Range: dari 0 s/d 1( titik ekstrim ) tinggi : banyak penggunaan data baru rendah : banyak penggunaan data lampauDipilih secara subjektifBila = 1 artinya metode awam digunakanHanya melibatkan sediki catatan data historisPenghalusan eksponensial42Penghalusan eksponensialPeramalan Baru=Peramalan periode sebelumnya+ a (Permintaan aktual periode sebelumnya Peramalan periode sebelumnya)Ft = Ft 1 + a(At 1 - Ft 1)KetFt=Peramalan BaruFt 1=Peramalan Periode Sebelumnyaa=penghalusan (atau bobot) konstan (0 a 1)43Contoh penghalusan eksponensialPrediksi permintaan = 142 Ford MustangsPermintaan aktual = 153Penghalusan kontan a = .2044Peramalan baru= 142 + .2(153 142)Contoh penghalusan eksponensialPrediksi permintaan = 142 Ford MustangsPermintaan aktual = 153Penghalusan kontan a = .2045Peramalan baru= 142 + .2(153 142)= 142 + 2.2= 144.2 144 mobilPrediksi permintaan = 142 Ford MustangsPermintaan aktual = 153Penghalusan kontan a = .20Contoh penghalusan eksponensial46Efek nilai penghalusan konstanBobot dibebankan kepadaPeriodePeriode Periode Periode Periodeyang yang yang yang yangPenghalusanterkini terkini 2 terkini 3 terkini 4terkini 5Konstan(a)a(1 - a)a(1 - a)2a(1 - a)3a(1 - a)4

a = .1.1.09.081.073.066

a = .5.5.25.125.063.031a = .05 hingga .5 umum digunakan pada aplikasi bisnis

47dampak dari perbedaan 225 200 175 150 |||||||||123456789KuartalPermintaana = .1Permintan Aktual a = .5Tinggi Digunakan ketika rata-rata yang mendasari ingin diubahRendah Digunakan ketika rata-rata yang mendasarinya stabilmemilih Tujuannya adalah untuk memperoleh peramalan yang paling akuratSecara umum kita melakukannya dengan memilih model yang memberikan angka kesalahan peramalan yang paling kecilKesalahan peramalan= Permintaan Aktual- Nilai peramalan Deviasi = At - FtKetFt=Nilai Peramalan dalam periode t At =Permintaan aktual periode ta=penghalusan (atau bobot) konstan (0 a 1)49Mengukur kesalahan peramalanMean Absolute Deviation (MAD)-Deviasi Rata-Rata AbsolutMAD = |Aktual - Peramalan|nMean Squared Error (MSE)-Kesalahan Rata-Rata yang DikuadratkanMSE = (Kesalahan Peramalan)2nn : jumlah periode dataMean Absolute Percent Error (MAPE)- Kesalahan Rata-Rata yang AbsolutMAPE =100|Aktuali - Peramalani|/Aktualinni = 1Mengukur kesalahan peramalan

Kesalahan Peramalan - MAD

Kesalahan Peramalan - MSE

Kesalahan Peramalan - MApeTren proyeksi linierMetode peramalan runtun waktu mencocokkan sebuah garis kecenderungan untuk urutan poin data historis dan kemudian memproyeksikan garis kedalam peramalanTren linier dalam metode statistik : metode kuadrat kecily = a + bx^dimana y= nilai variable yang telah dihitung untuk kemudian diprediksikan(dependent variable)a= perpotongan sumbu yb= kemiringan dari garis regresix= variable independen^^55Metode kuadrat kecilPeriode WaktuNilai Variabel yang DependenDeviation1(error)Deviation5Deviation7Deviation2Deviation6Deviation4Deviation3Observasi Aktual(y value)Garis tren, y = a + bx^56Fungsi untuk mendapatkan nilai a dan bb =Sxy - nxySx2 - nx2y = a + bx^a = y - bxMetode kuadrat kecil57b = = = 10.54xy - nxyx2 - nx23,063 - (7)(4)(98.86)140 - (7)(42)a = y - bx = 98.86 - 10.54(4) = 56.70PeriodePermintaan TahunWaktu (x)Daya Listrikx2xy20011741742002279415820033809240200449016360200551052552520056142368522007712249854x = 28y = 692x2 = 140xy = 3,063x = 4y = 98.86CONTOH Metode kuadrat kecil58|||||||||200120022003200420052006200720082009160 150 140 130 120 110 100 90 80 70 60 50 YearPermintaan Daya ListrikGaris Tren,y = 56.70 + 10.54x^CONTOH Metode kuadrat kecil59Variasi musiman dalam dataPergerakan secara teratur dalam rangkaian data yang terkait dengan kejadian yang berulang

Langkah?60Jan80851059094Feb7085858094Mar8093828594Apr909511510094May11312513112394Jun11011512011594Jul10010211310594Aug8810211010094Sept8590959094Oct7778858094Nov7572838094Dec8278808094PermintaanRata-RataRata-Rata Indeks Bulan2005200620072005-2007BulananMusimanVariasi musiman dalam dataJan808510590940.957Feb70858580940.851Mar80938285940.904Apr9095115100941.064May113125131123941.309Jun110115120115941.223Jul100102113105941.117Aug88102110100941.064Sept85909590940.957Oct77788580940.851Nov75728380940.851Dec82788080940.851Variasi musiman dalam dataPermintaanRata-RataRata-Rata Indeks Bulan2005200620072005-2007BulananMusimanEkspektasi permintaan (Tahun 2008)= 1,200Janx .957 = 961,20012Febx .851 = 851,20012Peramalan untuk tahun 2008140 130 120 110 100 90 80 70 ||||||||||||JFMAMJJASONDWaktuPermintaan2008 Peramalan2007 Permintaan 2006 Permintaan2005 PermintaanVariasi musiman dalam dataMetode peramalan asosiatif:Analisis regresi dan korelasiPenggunaan Analisis Regresi untuk PeramalanStandar Kesalahan dari EstimasiKoefisien Korelasi untuk Garis RegresiAnalisis Regresi MultipelPeramalan asosiatifDigunakan apabila terjadi perubahan terhadap 1/lebih variable independen yang dapat digunakan menjadi prediksi perubahan pada variable dependenTeknik yang secara umum digunakan adalah analisis regresi linierPeramalan didasarkan pada variable prediksi dengan penggunaan metode kuadrat kecily = a + bx^Peramalan asosiatifdimana y= nilai variable yang telah dihitung untuk kemudian diprediksikan(dependent variable)a= perpotongan sumbu yb= kemiringan dari garis regresix= variable independen67Contoh peramalan asosiatifPenjualanGaji Lokal Area($ juta), y($ juta), x2.013.032.542.022.013.574.0 3.0 2.0 1.0

|||||||01234567PenjualanSistem penggajian local areaPenjualan, y Penggajian, xx2xy2.0112.03.0399.02.541610.02.0244.02.0112.03.574924.5y = 15.0x = 18x2 = 80xy = 51.5x = x/6 = 18/6 = 3y = y/6 = 15/6 = 2.5b = = = .25xy - nxyx2 - nx251.5 - (6)(3)(2.5)80 - (6)(32)a = y - bx = 2.5 - (.25)(3) = 1.75Contoh peramalan asosiatif4.0 3.0 2.0 1.0

|||||||01234567PenjualanPenggajiany = 1.75 + .25x^Penjualan = 1.75 + .25(Penggajian)Jika penggajian tahun depan diprediksikan sebesar $6 miliar, maka:Penjualan = 1.75 + .25($6 miliar)Penjualan = $3,250,0003.25Contoh peramalan asosiatifwherey=nilai y tiap-tiap poin datayc=nilai variabel dependen yang dihitung dari persamaan regresin=jumlah poin dataSy,x =(y - yc)2n - 2STANDAR EROR ATAS ESTIMASIPersamaan komputasi yang lebih mudah:Kita menggunakan standar eror untuk membentuk interval prediksi disekitar point yang diestimasiSy,x =y2 - ay - bxyn - 2STANDAR EROR ATAS ESTIMASI4.0 3.0 2.0 1.0

|||||||01234567PenjualanPenggajian3.25Sy,x = =y2 - ay - bxyn - 239.5 - 1.75(15) - .25(51.5)6 - 2Sy,x = .306Standar kesalahan dari estimasi adalah $306,000 (dalam penjualan)STANDAR EROR ATAS ESTIMASISeberapa kuat hubungan antar variabel ?Korelasi bukan hubungan sebab-akibatKoefisien Korelasi rNilainya : -1 to +1KORELASI DENGAN PERSAMAAN REGRESIr = nSxy - SxSy [nSx2 - (Sx)2][nSy2 - (Sy)2]74yx(b)Positive correlation: 0 < r < 1yx(a)Perfect positive correlation: r = +1yx(c)No correlation: r = 0yx(d)Perfect negative correlation: r = -1Koefisien Determinan, r2Range nilai dari 0 s/d 1korelasi koefisien determinanFor the Nodel Construction example:r = .901r2 = .8176ANALISIS REGRESI BERGANDA Variabel independen >1 maka digunakan model regresi berganda yang merupakan pengembangan dari regresi liniery = a + b1x1 + b2x2 ^Secara komputasi, perhitungan model berganda tersebut cuku rumit dan cenderung diselesaikan oleh komputer

Monitoring dan Mengendalikan Peramalan

Monitoring dan Mengendalikan PeramalanSinyal penelusuranTracking signal+0 MADsUpper control limitLower control limitTimeSignal exceeding limitAcceptable range80Penghalusan adaptifMengacu pada komputer yang memonitor sinyal penelusuran dan menyesuaikan sendiri jika sinyal melewati limit yang telah ditetapkan (secara kontinyu mengamati tingkat kesalahan dan mengatur koefisien a dan b yang digunakan di penghalusan eksponensial untuk meminimalisasi kesalahan peramalan)

Teknik ini dinamakan Penghalusan AdaptifPeramalan fokusDidasarkan pada 2 prinsip:Model peramalan yang canggih tidak selalu lebih baik daripada yang sederhanaTidak terdapat teknik tunggal yang akan digunakan untuk seluruh produk atau jasaPendeketan ini menggunakan data historis untuk melakukan uji model berganda pada suatu item individualModel peramalan dengan tingkat kesalahan yang paling kecil digunakan untuk meramalkan tingkat permintaanToko Ritel Khusus- Teknis yang tepat adalah menelusuri permintaan dengan mempertahankan laporan permintaan dalam jangka pendek- Contoh: Toko Bunga pada Hari IbuRestoran Cepat Saji - Menelusuri konvensi penting dan hari libur untuk peramalan jangka pendek yang efektif (mengantisipasi jam-jam makan) - Variasi yang ada cenderung berubah setiap 15 menit (diperlukan permintaan yang terperinci)Aplikasi peramalan dalam sektor jasaPeramalan restoran cepat saji20% 15% 10% 5% 11-121-23-45-67-89-1012-12-34-56-78-910-11(Makan Siang)(Makan Malam)Jam KerjaPersentase Penjualan84PERAMALAN CALL CENTER FEDEX12% 10% 8% 6% 4% 2% 0%

JamA.M.P.M.2468101224681012Persentase Tingkat Telepon85Aplikasi Peramalan di dalam Operasi Jasa

KESIMPULANPeramalan merupakan bagian yang sangat penting dari fungsi manajemen operasional. Peramalan permintaan mendorong produksi perusahaan, kapasitas, sistem penjadwalan, dan mempengaruhi fungsi perencanaan keuangan, pemasaran dan personalia. Terdapat banyak teknik peramalan yaitu metode kuantitatif dan kualitatif. Metode kualitatif menggunakan pertimbangan dan pengalaman dari pengambil keputusan. Metode kuantitatif menggunakan data hsitoris dan hubungan kausal (asosiatif) dan hubungan dengan proyeksi permintaan pada masa mendatangTidak ada metode peramalan yang sempurna untuk seluruh kondisi. Tindakan monitor dan mengendalikan peramalan sangat penting untuk memastikan tidak ada kesalahan yang terlewatkanREFERENSIBab 4 Peramalan, Buku Manajemen Operasi ( Manajemen Keberlangsungan dan Rantai Pasokan ) Buku Terjemahan, Edisi 11, Jay Heizer Berry Render, Penerbit Salemba Empat