B. Peramalan

Teknik Industri FT-Universitas Pancasila

Sistem ProduksiPeramalan & Pengelolaan Demand

Sistem Produksi

Teknik Industri – FT UP


2

Hasil Pembelajaran

• Umum

Mahasiswa mampu menerapkan model matematik, heuristik dan teknik statistik untuk menganalisis dan merancang suatu sistem perencanaan dan pengendalian produksi

• Khusus

Mampu menganalisis pola deman serta menerapkan teknik-teknik peramalan


3

FORECASTING

• Tanya pada yang berkompeten (expert)

• Cross check dengan data penjualan masa lalu

Perlu metoda bukan sekedar intuisi Forecasting

Gila ajah

Penjualan

september 1.200

unit

Apa ??

1.2000

???


4

Peramalan

• Peramalan: Estimasi nilai atau karakteristik masa depan

prediksi (prediction)

peramalan (forecast)

kecenderungan (trend)


5

Demand

• Faktor yang mempengaruhi demand Variasi random

Rencana konsumen

Daur hidup produk

Pesaing

Perilaku/sikap konsumen

Waktu

Siklus bisnis

Iklan

Sales effort

Reputasi

Desain produk

Kebijaksanaan kredit

Kualitas

Perusahaan PermintaanInput Output


6

DATA

SUMBER :

Arsip perusahaan

Data pemerintah (laporan Biro Pusat Statistik, Departemen, dll)

• FAKTOR INTERNAL THD PENJUALAN

Kualitas, harga, delivery time, promosi, discount, dll

• FAKTOR EKSTERNAL

Indikator perekonomian : GNP, tingkat pertumbuhan ekonomi, tingkat inflasi, nilai tukar valuta asing, dll


7

Sistem Peramalan (1)

Data Historis

Tujuan

model

Forecast

(Prediction)

Feedback on

forecast

accuracy

Data checked for

accuracy and

reasonableness

Update sesuai

kebutuhan

Knowledge of

changed

condition

Pembandingan

dengan kondisi

aktual


8

Sistem Peramalan (2)

DECISION

MAKER

ORGANIZATION & ITS

ENVIRONMENT

INFORMAL

INFORMATION

INFORMAL

INFO

MIS

VALUE

OBJECTIVE

DECISION

REQUIREMENT

FORECASTER

VALUE

LIKELY

ACCURACY

COST/TIME

CONSTRAIN

PLANNING

GUIDELINE

ASSUMPTION

WORKING

FORECAST

REVISE

ASSUMPTION

FINAL

FORECAST

ACTION PLAN

No

FORECAST

RECOMMEND

INFORMAL

ADJUST

SELECT KEY

VARIABLES

SELECT

FORECASTING

PROCEDURES

INITIAL

FORECAST

Yes


9

Konsiderasi (1)

• Ongkos dan manfaat

Ongkos

– Ongkos pengembangan metoda

– Ongkos kegiatan peramalan

– Ongkos akibat kesalahan ramal

Manfaat

– Mengerti hubungan antara permintaan dan faktor lain

– Kondisi dunia nyata Sistem pengendalian produksi

"Untuk tujuan apa suatu ramalan dibuat akan menentukan pendekatan yang diambil"


10

Konsiderasi (2)

• Ketelitian

Suatu ukuran seberapa tepat ramalan dari kondisi aktual

• Sederhana dalam perhitungan

ketelitian tinggi vs sederhana dalam perhitungan

• Kemampuan menyesuaikan terhadap perubahan

• Lead time, perioda, horizon


11

Taksonomi Peramalan

PERAMALAN

KAUSAL

EXPONENTIALSMOOTHING

MOVINGAVERAGE

RATA-RATA

SMOOTHING

REGRESI

TIME SERIES

MODELKUALITATIF

MODELKUALITATIF

Kuantitatif


12

Karakteristik

peramalan

Karakteristik ketersediaan informasi

Informasi kuantitatif cukup tersedia Informasi kuantitatif kurang atau

tidak tersedia, tetap pengetahuan

kualitatif cukup tersedia

Informasi

kurang atau

tidak tersedia

Metode deret

waktu

Metode

kausal

Metode

exploratori

Metode

normatif

Peramalan

kontinu

berdasarkan

pola atau

hubungan

tertentu

Memprediksi

pertumbuhan

penjualan

atau GNP

Mempelajari

pengaruh

harga dan

promosi

terhadap

penjualan

Memprediksi

kecepatan

transportasi

pada tahun

2010

Memprediksi

perkembangan

otomotif

pada tahun

2010

Memprediksi

pengaruh

perkembangan

teknologi luar

angkasa

Peramalan

perubahan

yang akan

terjadi

Memprediksi

resesi

berikutnya

Mempelajari

pengaruh

pengendalian

harga dan

pembatasan

iklan TV

terhadap

penjualan

Memprediksi

pengaruh

kenaikan

harga minyak

terhadap

konsumsi

minyak

Memprediksi

embargo

minyak yang

diikuti oleh

perang Arab-

Israel

Penemuan

sumber energi

baru yang

murah dan

tidak

menimbulkan

polusi


13

Taksonomi Peramalan (2)

• Penggunaan Model Kualitatif:

Tidak memerlukan data kuantitatif

Unsur subyektifitas peramalan sangat besar pengaruhnya dalam hasil peramalan

Baik untuk peramalan jangka panjang

• Contoh:

Opini individu

Opini kelompok

Delphi


14

Qualitative Forecasting

1. Market Survey

2. Expert Opinian and the Deplhi Technique

Please check the approproate boxes

I do not own a 35 mm camera

I own Single Lens Refelx (SLR 35 mm camera

I onw an autofocus 35 mm camera

I plan to purchase a new SLR 35 mm camera in the next two years

I plan to purchase a new autofocus 35 mm camera in the next two years

I do not plan to purchase a new 35 mm camera in the next two years


15

Taksonomi Peramalan (3)

• Penggunaan model kuantitatif membutuhkan:

Data kondisi masa lalu

Data tersebut dapat dikuantifisir

Diasumsikan pola data masa lalu akan berlanjut pada masa yang akan datang

• Data yang digunakan untuk keperluan perencanaan produksi:

Paling baik menggunakan data permintaan

Menggunakan data jumlah unit penjualan

Kalalu tidak dimiliki data penjualan gunakan data jumlah unit produksi


16

Prosedur Peramalan

• Plot data permintaan vs. waktu

• Pilih beberapa metoda peramalan

• Evaluasi kesalahan peramalan

• Pilih metoda peramalan dengan kesalahan peramalan terkecil

• Intepretasi hasil peramalan


17

Pengembangan Model Peramalan

• Formulasi dasar :

Konstan :

Liniear trend

Seasonal :

• Solve model : cari nilai parameter

• Intepretasi dan implementasi

tktt xfd )(

tt ad

tt btad

ttt acd


18

CAUSAL FORECASTING

1. SIMPLE LINIEAR REGRESSION

2. MULTI LINEAR REGRESSION

ntbhad ttt ,...,2,1

1bulan padan dikeluarka yg (IMB)bangunan mendirikanijin jumlah

bulan pada terjualyangset kitchen jumlah where

t-h

td

t

t

. 3322110 ttttt xbxbxbbd

termnoise

bulan padarusak yang phone-cellularjumlah

bulan pada phone-cellular harga

bulan pada potensial pembelijumlah

bulan pada terjualyang phone-cellularjumlah where

3

2

1

t

t

t

t

t

tx

tx

tx

td


19

TIME SERIES FORCASTING

1. CONSTANT PROCESS :

a) Simple methods :

b) Moving Average:

c) Simple Exponential smoothing:

2. TREND PROCESS:

• Double exponential smoothing

3. SEASONAL PROCESS:

tt ad

T

t

tTTkT dT

ddF

1

1 dimana

T

NTt

tTTkT dN

MMF

1

1 dimana

1)1( dimana TTTTkT SdSSF

tt btad

ttt acd


20

Pola Data


21

Contoh Teknik Peramalan

• Konstan

• Regresi linier

• Siklis

^ ^ ^

( )D a ad

tn

tt

n

1

N

tbtd

N

t

N

ttdtdtN

t

N

t

N

t

N

t

N

t

N

t

N

t

a

tt

b

tbaD

11^

1

2

2

1 1 1^

^^^

)(

1

)()(.

)(

)(

^

( ) cosD t a ut

Nv sin

2 t

N

2


22

Kriteria Performansi Peramalan

• Mean Square Error (MSE)

dimana:

dt = data aktual pada periode t

Dt‘ = nilai ramalan pada periode t

n = banyaknya periode

MSE

t tt

n

n

d D

2

1

( ' )


23


• Standard error of estimate (SEE)

dimana:

f = derajat kebebasan

– 1 : untuk data konstan

– 2 : untuk data linier

– 3 : untuk data kuadratis

SEE t t

n f

d Dt

n

2

1

( ' )( )


24


• Persentase Kesalahan

• Mean Absolute Percentage Error (MAPE)

t

t t

t

PEd D

dx

( ) %

'100

MAPEn

tt

n

PE

1


25

Contoh

• Dari data 12 bulan terakhir tercata penjualan produk X:

• Gambar diagram Pencar:

t 1 2 3 4 5 6 7 8 9 10 11 12

dt 140 159 136 157 173 181 177 188 154 179 180 160


26

Metoda Konstan

t dt dt' e = dt - dt' e2 SEE

1 140 165.33 -25.33 641.61 2 159 165.33 -6.33 40.07

3 136 165.33 -29.33 860.25

4 157 165.33 -8.33 69.39 5 173 165.33 7.67 58.83

6 181 165.33 15.67 245.55 7 177 165.33 11.67 136.19

8 188 165.33 22.67 513.93

9 154 165.33 -11.33 128.37 10 179 165.33 13.67 186.87

11 180 165.33 14.67 215.21 12 160 165.33 -5.33 28.41

3124.68 17


27

Metoda Konstan

aN

tt

n

t

dd

1 '

SEEn f

dt dtt

n

2

1

3124 68

12 1

3124 68

11

16 85 17

( ')

.

.

.


28

Metoda Linier

t dt t . dt t2 dt'=156+1.t e = dt - dt' e2

1 140 140 1 157 -17 289 2 159 318 4 158 1 1

3 136 408 9 159 -23 529

4 157 628 16 160 -3 9 5 173 865 25 161 12 144

6 181 1086 36 162 19 361 7 177 1239 49 163 14 196

8 188 1504 64 164 24 576

9 154 1386 81 165 -11 121 10 179 1790 100 166 13 169

11 180 1980 121 167 13 169 12 160 1920 144 168 -8 64

78 1984 13264 647 2628

t 6.5 dt 165.33


29

Metoda Linier

b

N t dt dt t

N

t

n

a

dt

N

b t

Ndt b t

t

n

t

n

t

n

t

n

t

n

t

n

t t

.

.

( )

1 11

2

1

2

1 1

1

b

a dt b t

dt t

12 13264 1984 78

12 647

157168 154752

7764 6084

2416

1680

1 44 1

165 33 1 44 6 5 165 33 9 35

155 98 156

156 1

2

78

( ) ( )( )

( )

.

.

. . ( . ) . .

.

'

( ) SEEn f

dt dtt

n

2

1

2628

12 2

2628

10

16 21 16

( ')

.


30

Metoda Kuadratis

t dt t.dt t2 t2.dt t4 dt' e=dt-

dt'

e2

-6 140 -840 36 5040 1296 118.36 21.64 468.29

-5 159 -795 25 3975 625 127.82 31.18 972.19

-4 136 -544 16 2176 256 143.88 -7.88 62.09

-3 157 -471 9 1413 81 146.74 10.26 105.27

-2 173 -346 4 692 16 147.6 23.4 547.56

-1 181 -181 1 181 1 152.46 28.54 814.53

1 177 177 1 171 1 156.86 20.14 405.62

2 188 376 4 752 16 158.4 29.6 876.16

3 154 462 9 1386 81 159.96 -5.96 35.52

4 179 716 16 2864 1256 161.48 17.52 306.95

5 180 900 25 4500 625 149.82 30.18 910.83

6 160 960 36 5760 1296 144.76 15.24 232.26

1984 404 182 28710 4550 5737.2

7


31

Metoda Kuadratis

b

t dt N dt

n

a

dt C

N

t

n

t

nt

n

t

n

t

n

t

n

t

n

t

n

t

t t

t t

t

. .

( )

1

2

1

2

1

2

1

2

1

4

1

1

2

1

2 c=

dtt=1

n

b

c

a

dt t t

404

1822 22 2 2

1984 182 12 28910

12 4550

361088 346920

33124 54600

14168

214760 6597 0 66

1984 0 66 182

12

1984 120 12

12

155 32

155 32 2 2 0 66

2

2

182

. .

( )( ) ( )

( )

. .

. ( ) .

.

' . . .

( )

SEE

5737 27

12 3

5737 27

9

25 25 25

.

.

.


32

Pemilihan Metoda Terbaik & Hasil Peramalan

• Metode yang dipilih adalah metode peramalan linier

• Dt' = 156 + t

Konstan Linier Siklis

SEE 17 16 25

t 13 14 15 16 17 18 19 20 21 22 23 24

Dt' 169 170 171 172 173 174 175 176 177 178 179 180


33

Metoda Peramalan Lainnya

• Moving average method

Simple moving average

• Exponential smoothing

Simple exponential smoothing

• Winters model


34

Verifikasi Peramalan

• Dilakukan untuk memverifikasi apakah fungsi peramalan yang digunakan mewakili pola data yang ada.

• Metoda verifikasi: moving range chart

• Moving Range

• Average moving range

• Control limits

1'

1'

ddddMR tttt

1n

MRMR

MRLCL

MRUCL

66.2

66.2


35

Verifikasi Peramalan

• Pengujian Out of control

Dari 3 titik yang berurutan, 2 titik atau lebih di Daerah A

Dari 5 titik yang berurutan, 4 titik atau lebih di Daerah B

Dari 8 titik yang berurutan seluruhnya berada atau di bawah center line

Satu titik di luar batas kontrol

• Bila kondisi out-of-control terjadi, tindakan yang bisa diambil :

Perbaiki ramalan dengan mencakup data baru (sistem sebab baru)

Tunggu evidence selanjutnya

center line

UCL

LCL

reg

ion

A

reg

ion

B

reg

ion

C

reg

ion

A

reg

ion

B

reg

ion

C


36

Contoh Verifikasi (1)

•Dt' = 156 + tt Dt Dt' Dt'- Dt MR

1 140 156 16

2 159 157 -2 18

3 136 158 22 24

4 157 159 2 20

5 173 160 -13 15

6 181 161 -20 7

7 177 162 -15 5

8 188 163 -25 10

9 154 164 10 15

10 179 165 -14 24

11 180 166 -14 0

12 160 167 7 21

159

45.38

45.38

45.1411

159

LCL

UCL

MR


37

Contoh Verifikasi (2)

3 8 . 4 5

2 5 . 6 3

1 2 . 8 2

- 3 8 . 4 5

- 1 2 . 8 2

- 2 5 . 6 3


38

Tugas Kelompok

• Buku: Sipper D, R.L. Bulfin, Production planning, control and integration,

McGraw-Hill, USA, 1997

• Bab: Forcasting (Bab 4)

• Soal: 4.24, 4.29 dan 4.36 Data demand/penjualan pada setiap soal di atas diubah menggunakan

formula:Demand (baru) = demand (buku) * bulan + tanggal

Dimana:Bulan = bulan kelahiran (mis: Juli = 7)Tanggal = tanggal kelahiran dari salah satu anggota kelompok

• Kelompok: Beranggotakan minimum 1 orang dan maksimum 3 orang (masing-

masing dari TI(1), TI(2) dan TI(3); Anggota kelompok tidak boleh dari kelas yang sama

• Dikumpulkan: Rabu, 10 September 2003 Jam 12.00, di LSP


39

DESAIN SISTEM FORECASTING

FORECAST NEED

DATA AVAILABLE ?

COLLECT

DATA ?ANALYZE DATA

QUANTITATIVE ?

CAUSAL FACTORS?

TIME SERIES APPROACHCAUSAL APPROACH

SELECT MODEL

CHOOSE METHOD

ESTIMATE PARAMETERS

MODEL VALIDATION

QUALITATICE APPROACH

SELECT MODEL

CHOOSE METHOD

ESTIMATE PARAMETERS

MODEL VALIDATION

CHOOSE METHOD

MODEL VALIDATION

NO

NO

NO

YES

YES

YES


40

FORECAST ERROR

• Forecast Error = nilai actual – hasil peramalan

• Jenis Ukuran Forecast Error :

a) Mean Absolut deviatation (MAD) :

b) Mean Square Error (MSE) :

c) Mean absolut percentage Error (MAPE)

ttt Fde

T

t

teT

MAD

1

1

T

tt

eT

MSE

1

21

T

t t

t

d

e

TMAD

1

100.1

B. Peramalan

Documents

Transcript of B. Peramalan