Manajemen Operasional, Forecasting
Click here to load reader
-
Upload
shinta-rahmani -
Category
Documents
-
view
3.987 -
download
0
Transcript of Manajemen Operasional, Forecasting
Manajemen OperasionalManajemen Operasional
Pertemuan ke 7Pertemuan ke 7Dosen : Shinta Rahmani, SE., M.SiDosen : Shinta Rahmani, SE., M.Si
Sumber : Operational Management, Sumber : Operational Management, Roger G. Schroeder, 4th ed, Mc.Graw Roger G. Schroeder, 4th ed, Mc.Graw
HillHill
PERAMALAN (FORECASTING PERAMALAN (FORECASTING
Peramalan adalah perpaduan antara seni Peramalan adalah perpaduan antara seni dan ilmu untuk memprediksi masa depan. dan ilmu untuk memprediksi masa depan. Sampai dengan 2 dekade yang lalu, Sampai dengan 2 dekade yang lalu, peramalan merupakan sebuah seni, peramalan merupakan sebuah seni, namun sekarang ini sudah menjadi sebuah namun sekarang ini sudah menjadi sebuah ilmu. Meskipun pertimbangan secara ilmu. Meskipun pertimbangan secara manajerial masih diperlukan untuk manajerial masih diperlukan untuk peramalan, namun para manajer saat ini peramalan, namun para manajer saat ini telah dilengkapi dengan alat serta telah dilengkapi dengan alat serta methode mathematika yang canggih.methode mathematika yang canggih.
PERAMALAN (FORECASTING PERAMALAN (FORECASTING
Banyak metode peramalan yang Banyak metode peramalan yang dapat digunakan saat ini. Namun ada dapat digunakan saat ini. Namun ada satu hal penting yang perlu dipahami satu hal penting yang perlu dipahami bahwa metode peramalan harus bahwa metode peramalan harus dipilih secara seksama untuk suatu dipilih secara seksama untuk suatu tujuan tertentu. Tidak ada metode tujuan tertentu. Tidak ada metode peramalan umum yang dapat dipakai peramalan umum yang dapat dipakai untuk semua situasi. untuk semua situasi.
PERAMALAN (FORECASTING PERAMALAN (FORECASTING Peramalan hampir pasti selalu salah. Sangat Peramalan hampir pasti selalu salah. Sangat
jarang untuk dapat meramalkan penjualan secara jarang untuk dapat meramalkan penjualan secara tepat. Misalnya, diramalkan 100.000 unit akan tepat. Misalnya, diramalkan 100.000 unit akan terjual, kenyataannya hanya 80,000 unti yang terjual, kenyataannya hanya 80,000 unti yang terjual. Ekstra 20,000 yang tersisa akan berakhir terjual. Ekstra 20,000 yang tersisa akan berakhir menjadi persediaan, atau mungkin perlu mem menjadi persediaan, atau mungkin perlu mem PHK pekerja untuk mengurangi tigkat produksi.PHK pekerja untuk mengurangi tigkat produksi.
Sangat menyakitkan juga jika ramalan terlalu Sangat menyakitkan juga jika ramalan terlalu rendah, karena pekerja akan ditambahkan dalam rendah, karena pekerja akan ditambahkan dalam keadaan terburu-buru untuk memaksakan keadaan terburu-buru untuk memaksakan meningkatkan kapasitas, atau kesempatan meningkatkan kapasitas, atau kesempatan penjualan akan hilang karena kehabisan stok.penjualan akan hilang karena kehabisan stok.
Ada cara-cara untuk mengakomodasi Ada cara-cara untuk mengakomodasi kesalahan peramalan, misalnya kesalahan peramalan, misalnya mengurangi kesalahan melalui mengurangi kesalahan melalui peramalan yang lebih baik. Bisa juga peramalan yang lebih baik. Bisa juga membangun fleksibilitas pada bagian membangun fleksibilitas pada bagian operasional operasional
PERAMALAN (FORECASTING PERAMALAN (FORECASTING
Metode PeramalanMetode Peramalan
Qualitative Qualitative • Methode DelphiMethode Delphi, , • Market surveyMarket survey, , • Analogi dengan Analogi dengan lifecyclelifecycle produk produk• Pertimbangan berdasarkan informasi Pertimbangan berdasarkan informasi
yang dimiliki yang dimiliki
Metode PeramalanMetode Peramalan
QuantitativeQuantitative• Time seriesTime series, , • Decomposition time seriesDecomposition time series, , • Moving averageMoving average• Exponential smoothingExponential smoothing
Moving AverageMoving Average
Metode peramalan yang paling mudah dalam Metode peramalan yang paling mudah dalam Time seriesTime series adalah adalah Moving AverageMoving Average
Untuk mengetahui rata-rata permintaan : Untuk mengetahui rata-rata permintaan : AtAt, ,
untuk periode untuk periode NN pada waktu pada waktu tt dirumuskan sbb dirumuskan sbb
N
DDDA ntttt
11 ,,,
Weighted Moving AverageWeighted Moving Average
11211 ... NtNtttt DWDWDWAF
N
ttW
1
1
Dimana :Ft+1 = Ramalan periode mendatangW = Bobot / koefisien penimbangDt = Demand / permintaan aktual
Weighted Moving AverageWeighted Moving Average
Ditentukan koefisien penimbang adalah 0.2, 0.3 dan Ditentukan koefisien penimbang adalah 0.2, 0.3 dan 0.5 untuk 3 periode0.5 untuk 3 periode
PeriodePeriode 11 22 33 44 55 66 77
DemandDemand 1010 1616 2929 1515 3030 1212 1616
Maka Ft+1=At = 0.2(30)+0.3(12)+0.5(26) = 22.6
Weighted Moving AverageWeighted Moving Average
Dalam menentukan koefisien Dalam menentukan koefisien penimbang, angka yang lebih besar penimbang, angka yang lebih besar diletakkan pada periode terakhir. diletakkan pada periode terakhir. Ada pula yang menggunakan Ada pula yang menggunakan besaran angka koefisien penimbang besaran angka koefisien penimbang periode terakhir dari data histories periode terakhir dari data histories dua kali daripada koefisien dua kali daripada koefisien penimbang periode sebelumnya. penimbang periode sebelumnya.
Exponential SmoothingExponential Smoothing
Metode peramalan yang cukup sederhana yang menyatakan Metode peramalan yang cukup sederhana yang menyatakan bahwa rata-rata permintaan dihitung dari rata-rata data bahwa rata-rata permintaan dihitung dari rata-rata data yang lama dan aktual permintaan dengan rumus :yang lama dan aktual permintaan dengan rumus :
ttt FDF )1()(1
Simbol α merupakan koefisien pemulus yang besarnya 0<α<1Simbol α merupakan koefisien pemulus yang besarnya 0<α<1Ft+1Ft+1 == Ramalan periode yang akan dating Ramalan periode yang akan datingDtDt == Permintaan actual/periode saat ini Permintaan actual/periode saat iniFtFt = Ramalan periode saat ini= Ramalan periode saat ini
Exponential SmoothingExponential Smoothing
Contoh : Contoh : Peramalan penjualan produk pada bulan April Peramalan penjualan produk pada bulan April
adalah 12.000 unit, Mei 15.000 unit sedangkan adalah 12.000 unit, Mei 15.000 unit sedangkan penjualan bulan April adalah 10.000 unit. penjualan bulan April adalah 10.000 unit. Berdasarkan pengalaman maka kofisien pemulus Berdasarkan pengalaman maka kofisien pemulus adalah 0.8. Berapa seharusnya penjualan bulan adalah 0.8. Berapa seharusnya penjualan bulan Mei?Mei?
F Mei = 0.80(10.000)+(1-0.8)15.000 = 11.000F Mei = 0.80(10.000)+(1-0.8)15.000 = 11.000
Exponential SmoothingExponential Smoothing
Penetapan koefisien pemulus harus Penetapan koefisien pemulus harus didasarkan pada data penjualan setiap didasarkan pada data penjualan setiap bulan.bulan.
Untuk data penjualan yang stabil koefisien Untuk data penjualan yang stabil koefisien pemulusnya 0.1:0.2:0.3pemulusnya 0.1:0.2:0.3
Untuk penjualan yang kurang stabil Untuk penjualan yang kurang stabil koefisien pemulusnya 0.4:0.5:0.6koefisien pemulusnya 0.4:0.5:0.6
Sedangkan untuk penjualan yang Sedangkan untuk penjualan yang berfluktuasi koefisien pemulusnya berfluktuasi koefisien pemulusnya 0.7:0.8:0.90.7:0.8:0.9
Causal ForecastingCausal Forecasting
Merupakan metode peramalan garisMerupakan metode peramalan garis lurus yang lurus yang digunakan untuk meneliti perkembangan digunakan untuk meneliti perkembangan penjualan selama bertahun-tahun, yang dijadikan penjualan selama bertahun-tahun, yang dijadikan
peramalan produksi untuk masa mendatangperamalan produksi untuk masa mendatang
Dimana y = perkiraan permintaanx = variable independena = intercept yb = slope
bxay ˆ
error error yang ada dirumuskan sebagai :yang ada dirumuskan sebagai :
22 )()ˆ( iiii ybxayy
n
xb
n
ya ii
22ii
iiii
xxn
yXyxnb
bxay ˆ
Untuk mencari nilai a dan b digunakan rumus berikut :
Forecast ErrorsForecast Errors ( Kesalahan taksir ( Kesalahan taksir dalam peramalan)dalam peramalan)
Error peramalan adalah perbedaan secara Error peramalan adalah perbedaan secara numeric dari peramalan permintaan dengan numeric dari peramalan permintaan dengan permintaan actual. Metode peramalan yang permintaan actual. Metode peramalan yang digunakan untuk menentukan error adalah MAD digunakan untuk menentukan error adalah MAD (Mean Absolut Deviation) dan Bias/CFE(Mean Absolut Deviation) dan Bias/CFE
MAD menunjukkan terjadinya error peramalan MAD menunjukkan terjadinya error peramalan dari rata-rata peramalan secara absolute.dari rata-rata peramalan secara absolute.
CFE ( cumulative sum of forecast error) CFE ( cumulative sum of forecast error) menunjukkan jumlah error peramalan menunjukkan jumlah error peramalan
Jika tracking signal (TS) melebihi angka ± 6 maka metode Jika tracking signal (TS) melebihi angka ± 6 maka metode peramalan harus dihentikan dan diganti dengan metode peramalan harus dihentikan dan diganti dengan metode peramalan yang lebih mendekati kenyataan.peramalan yang lebih mendekati kenyataan.
n
eMAD
n
tt
1
||
Forecast ErrorsForecast Errors ( Kesalahan taksir ( Kesalahan taksir dalam peramalan)dalam peramalan)
n
tteBias
1
tMAD
CFETS
SEKIANSEKIAN