Bab 3-4

Peramalan

Peramalan

Memprediksi peristiwa masa depan Biasanya memerlukan kebiasaan selama jangka waktu tertentu

metode kualitatif

Berdasarkan metode yang subjektif

Metode kuantitatif

Berdasarkan rumus matematika

Peran Strategis Peramalan

Fokus pada manajemen supply chain

Peran jangka pendek permintaan produk

Peran jangka panjang produk baru , proses , dan teknologi

Fokus pada Total Quality Management

Memuaskan permintaan pelanggan

liran produk terganggu dengan tidak ada item yang cacat

Diperlukan untuk perencanaan strategis

Jarak Waktu

Jangka pendek , menengah , panjang

Perilaku permintaan

Tren , siklus , pola musiman , random

Komponen Peramalan

Jarak Waktu

Jangka pendek- menengah

harian, mingguan bulanan

Lebih dari 2 t ahun

Jangka panjang

Perencanaan strategis tujuan , produk ,

pasar

Perencanaan melampaui 2 tahun ke

depan

Perilaku permintaan

Trend

gradual, perubahan jangka panjang ke atas atau bawah

Cycle

Perubahan ke atas atau ke bawah berulang selama jangka waktu

yang lam

Seasonal pattern

gerakana pola musiman osilasi periodik dalam permintaan yang

berulang

Random movements follow no pattern

Bentuk Gerakan Peramalan

Metode Peramalan

Time series

Regression or causal modeling

Qualitative methods

Pertimbangan manajemen , keahlian , pendapat

Menggunakan manajemen , pemasaran , pembelian , teknik

Delphi method

Berdasarkan perkiraan dari para ahli

Proses Peramalan

Metode Time Series

Metode statistik menggunakan data historis

Moving average

Exponential smoothing

Linear trend line

Asumsi Pola berulang

Naive forecasts

Forecast = data dari data periode terakhir

Demand?

Moving Average

Beberapa periode rata-rata data

menghaluskan perubahan

Digunakan ketika permintaan stabil

tanpa kecenderungan atau pola

musiman

Moving Average

MAn =

n

i = 1 Di

n

Dimana

n = jumlah periode moving averag

Di = permintaan pada periode I

Averaging method

Bobot data yang terbaru lebih

kuat

Bereaksi lebih untuk perubahan

terbaru

Banyak digunakan , metode yang

akurat

Exponential Smoothing

Ft +1 = Dt + (1 - )Ft

Dimana

Ft +1 = peramalan untuk periode berikutnya

Dt = permintaan aktual untuk periode sekarang

Ft = sebelumnya ditentukan perkiraan untuk periode sekarang

= faktor bobot , konstanta smoothing

Exponential Smoothing

Effect of Smoothing Constant

0.0 1.0

If = 0.20, then Ft +1 = 0.20 Dt + 0.80 Ft

If = 0, then Ft +1 = 0 Dt + 1 Ft 0 = Ft

Forecast does not reflect recent data

If = 1, then Ft +1 = 1 Dt + 0 Ft = Dt Forecast based only on most recent data

y = a + bx

where

a = intercept (at period 0)

b = slope of the line

x = the time period

y = forecast for demand for period x

Linear Trend Line

y = a + bx

where

a = intercept (at period 0)

b = slope of the line

x = the time period

y = forecast for demand for period x

b = a = y - b x where n = number of periods x = = mean of the x values

y = = mean of the y values

xy - nxy

x2 - nx2

x

n

y

n

Linear Trend Line

Linear Trend Line

70 –

60 –

50 –

40 –

30 –

20 –

10 –

0 – | | | | | | | | | | | | |

1 2 3 4 5 6 7 8 9 10 11 12 13

Dem

an

d

Period Example 8.5

Seasonal Adjustments

Repetitive increase/

decrease in demand

Use seasonal factor

to adjust forecast

Seasonal Adjustments

Repetitive increase/

decrease in demand

Use seasonal factor

to adjust forecast

Seasonal factor = Si = Di

D

Forecast Accuracy

Error = Actual - Forecast

Find a method which minimizes error

Mean Absolute

Deviation (MAD)

Mean Absolute

Percent Deviation (MAPD)

Cumulative Error (E)

Mean Absolute Deviation (MAD)

where

t = the period number

Dt = demand in period t

Ft = the forecast for period t

n = the total number of periods

= the absolute value

Dt - Ft

n MAD =

Other Accuracy Measures

Mean absolute percent deviation (MAPD)

MAPD = |Dt - Ft|

Dt

Cumulative error

E = et

Average error

E = et

n

Comparison of Forecasts

Table 8.1

FORECAST MAD MAPD E (E)

Exponential smoothing ( = 0.30) 4.85 9.6% 49.31 4.48

Exponential smoothing ( = 0.50) 4.04 8.5% 33.21 3.02

Adjusted exponential smoothing 3.81 8.1% 21.14 1.92

( = 0.50, = 0.30)

Linear trend line 2.29 4.9% – –

Forecast Control

Reasons for out-of-control forecasts

Change in trend

Appearance of cycle

Weather changes

Promotions

Competition

Politics

Tracking Signal

Menghitung setiap periode

Membandingkan pada control limits

control limits of +/- 2 to +/- 5 MAD

Tracking signal = = (Dt - Ft)

MAD

E

MAD

Tracking Signal Values

1 37 37.00 – – –

2 40 37.00 3.00 3.00 3.00

3 41 37.90 3.10 6.10 3.05

4 37 38.83 -1.83 4.27 2.64

5 45 38.28 6.72 10.99 3.66

6 50 40.29 9.69 20.68 4.87

7 43 43.20 -0.20 20.48 4.09

8 47 43.14 3.86 24.34 4.06

9 56 44.30 11.70 36.04 5.01

10 52 47.81 4.19 40.23 4.92

11 55 49.06 5.94 46.17 5.02

12 54 50.84 3.15 49.32 4.85

DEMAND FORECAST, ERROR E =

PERIOD Dt Ft Dt - Ft (Dt - Ft) MAD

Example 8.8

Tracking Signal Values

1 37 37.00 – – –

2 40 37.00 3.00 3.00 3.00

3 41 37.90 3.10 6.10 3.05

4 37 38.83 -1.83 4.27 2.64

5 45 38.28 6.72 10.99 3.66

6 50 40.29 9.69 20.68 4.87

7 43 43.20 -0.20 20.48 4.09

8 47 43.14 3.86 24.34 4.06

9 56 44.30 11.70 36.04 5.01

10 52 47.81 4.19 40.23 4.92

11 55 49.06 5.94 46.17 5.02

12 54 50.84 3.15 49.32 4.85

DEMAND FORECAST, ERROR E =

PERIOD Dt Ft Dt - Ft (Dt - Ft) MAD

TS3 = = 2.00 6.10

3.05

Tracking signal for period 3

Example 8.8

Tracking Signal Values

1 37 37.00 – – – –

2 40 37.00 3.00 3.00 3.00 1.00

3 41 37.90 3.10 6.10 3.05 2.00

4 37 38.83 -1.83 4.27 2.64 1.62

5 45 38.28 6.72 10.99 3.66 3.00

6 50 40.29 9.69 20.68 4.87 4.25

7 43 43.20 -0.20 20.48 4.09 5.01

8 47 43.14 3.86 24.34 4.06 6.00

9 56 44.30 11.70 36.04 5.01 7.19

10 52 47.81 4.19 40.23 4.92 8.18

11 55 49.06 5.94 46.17 5.02 9.20

12 54 50.84 3.15 49.32 4.85 10.17

DEMAND FORECAST, ERROR E = TRACKING

PERIOD Dt Ft Dt - Ft (Dt - Ft) MAD SIGNAL

Example 8.8

Tracking Signal Plot

Example 8.8

3 –

2 –

1 –

0 –

-1 –

-2 –

-3 –

| | | | | | | | | | | | |

0 1 2 3 4 5 6 7 8 9 10 11 12

Tra

ck

ing

sig

nal

(MA

D)

Period

Statistical Control Charts

= (Dt - Ft)

2

n - 1

Menggunakan , dapat digunakan

untuk menghitung batas kontrol

statistik untuk kesalahan perkiraan

Batas kontrol biasanya ditetapkan

pada 3