Peramalan dan Pengelolaan Permintaan samsulb

Peramalan dan Pengelolaan PermintaanPeramalan dan Pengelolaan Permintaan

samsulbsamsulb

AgendaAgenda

• Pengertian Peramalan• Mengapa Peramalan Diperlukan• Sistem Peramalan• Metode Peramalan• Horison dan Periode Peramalan• Data Peramalan untuk P3• Prosedur Peramalan• Pola Data• Teknik-teknik Peramalan• Verifikasi Peramalan

2

Pengertian PeramalanPengertian Peramalan

3

Bukan menduga (guess) !Estimasi nilai atau

karakteristik masa depan

Is the art of specifying meaningful information about the future (Narasimhan, et.al., 1995)

Informasi yang dipergunakan sebagai dasar untuk membuat rencana

Mengapa DiperlukanMengapa Diperlukan

Peramalan dan Pengelolaan Permintaan

4

Masa depan (waktu tempat perencanaan dimaksud) bersifat tidak pasti (uncertain)

Permintaan tidak pasti karena:-Kompetisi-Perilaku konsumen-Siklus bisnis-Upaya penjualan-Siklus hidup produk-Variasi random, dll.

Diperlukan referensi untuk perencanaan hasil peramalan

““HukumHukum”” dalam Peramalan dalam Peramalan


5

Detailed forecasts are worse than aggregate forecasts!

Semakin jauh ke masa depan peramalan dilakukan semakin tidak handal hasilnya !

Hasil ramalan tidak pernah tepat !

Sistem Sistem PeramalanPeramalan

6

DECISION

MAKER

ORGANIZATION & ITS

ENVIRONMENT

INFORMAL

INFORMATION

INFORMAL

INFO

MIS

VALUE

OBJECTIVE

DECISIONREQUIREMENT

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

Sistem Sistem PeramalanPeramalan

7

Historical Data

Historical Data

Model Objectives

Model Objectives

ForecastForecast

Feedback on forecast accuracy

Feedback on forecast accuracy

Comparison to actual

observation

Comparison to actual

observation

UpdatingUpdating

Knowledge of changed condition

Knowledge of changed condition

Data cheked for accuracy and

reasonableness

Data cheked for accuracy and

reasonableness

Metode PeramalanMetode Peramalan

• Terdapat dua kelompok:– Metode Kualitatif

• Tidak memerlukan data kuantitatif

• Unsur subyektifitas peramalan sangat besar pengaruhnya dalam hasil peramalan

• Baik untuk peramalan jangka panjang

– Metode Kuantitatif• Data kondisi masa lalu• Data tersebut dapat

dikuantifisir• Diasumsikan pola data masa

lalu akan berlanjut pada masa yang akan datang


8

Forecasting Method

Qualitative Method

Quantitative Method

Causal Method

Time Seires Method

Smoothing Method

Moving Average Method

Horison dan Periode Horison dan Periode PeramalanPeramalan

• Horison peramalan: menunjukkan seberapa jauh ke depan peramalan dilakukan dan terkait dengan jangkauan perencanaan yang akan dilakukan (misal: setahun ke depan)

• Periode peramalan: menunjukkan basis waktu data peramalan (misal: bulanan)

9

DATA FORECAST

Horison Peramalan

Periode peramalan

Data Peramalan untuk P3Data Peramalan untuk P3

• Perencanaan produksi berusaha memenuhi permintaan pasar (demand)

• Data permintaan pasar sulit diukur

• Penjualan biasa dipakai sebagai pendekatan

• Baik jika bisa memperoleh data penjualan pasar keseluruhan


10

Total Market

Our compan

y market

Competitor market

Prosedur PeramalanProsedur Peramalan

11

Plot the data versus time using graph and examine the demand pattern

Plot the data versus time using graph and examine the demand pattern

Select several forecating methods which suitable for the demand

pattern

Select several forecating methods which suitable for the demand

pattern

Performs the forecasting and evaluate the forecasting errorPerforms the forecasting and evaluate the forecasting error

Select forecast result with the smallest error, validate and interpret

the result

Select forecast result with the smallest error, validate and interpret

the result

Pola DataPola Data

12

Teknik Peramalan untuk Teknik Peramalan untuk Pola Data KonstanPola Data Konstan

• Data relatif stable untuk periode waktu tertentu• Terjadi variasi sepanjang waktu tetapi tidak

signifikan• Fungsi yang menunjukkan pola data konstan

d(t) = ad(t) = permintaan selama periode ta = konstanta

• Teknik peramalan yang bisa dipakai antara lain:– Rata-rata biasa– Single Moving average

13

Rata-rata BiasaRata-rata Biasa

• Berdasarkan metode least square• Peramalan:

14

ad

nd

tt

n

1

dt = penjualan pada periode t t = 1, 2, 3………..n

a = nilai ramalan

ContohContoh

15

Month

Sales

J an 90 Feb 111 Mar 99 Apr 89 May 87 J un 84 J ul 104 Ags 102 Sept 95 Oct 114 Nov 103 Des 113

ad

nd

tt

n

1

• Peramalan:

a = 90 + 111 + 99…..

+113/12 = 99.25 ~ 100

unit/bulan

Single Moving AverageSingle Moving Average

• Jika terdapat data penjualan dt dari periode t = 1, 2, 3,… n; maka single moving average dan peramalan adalah:

16

Time Moving Average Forecasting t

dd d d

tt 1 2 .... d d d tt i

i

t

11

'

t+1 d

d d d

tt 2 3 1....

d d d tt ii

t

12

1'

t+2 d

d d d

tt 3 4 2....

d d d tt ii

t

13

2'

Contoh:Contoh:

17

Month Period Sales MA(3) MA(5)

Jan 1 200

Feb 2 135

Mar 3 195

Apr 4 197,5 176,7

Mei 5 310 175,8

Jun 6 175 234,2 207,5

Jul 7 155 227,5 202,5

Agu 8 130 213,3 206,5

Sep 9 220 153,3 193,5

Okt 10 227 168,3 198,0

Nov 11 235 209,2 191,4

Des 12 ? 244,2 203,5

(3) dan (5) menunjukkan periode averaging

Mempengaruhi akurasi hasil peramalan

Teknik Peramalan untuk Teknik Peramalan untuk Pola Data TrendPola Data Trend

• Demand menunjukkan kecenderungan meningkat (menurun) dari waktu ke waktu

• Fungsi pola data trend adalah: d(t) = a + bt

d(t) = permintaan pada periode t

a, b = parameter model• Teknik peramalan yang dipakai antara lain:

– Simple linear regression– Double moving average


18

Simple Linear RegressionSimple Linear Regression

• Gunakan metode least square untuk memperoleh parameter a dan b

19

bn td d t

n t t

t tt

n

t

n

t

n

t

n

t

n

1 11

2

1 1

2a d bt

ContohContoh

20

Month SalesJan 199Feb 202Mar 199Apr 208Mei 212Jun 194Jul 214Ags 220Sept 219Okt 234Nov 219Des 233

t dt t.dtt2

1 199 199 12 202 404 43 199 597 94 208 832 165 212 1060 256 194 1164 367 214 1498 498 220 1760 649 219 1971 81

10 234 2340 10011 219 2409 12112 233 2796 14478 2553 17030 650

b = (12 x 17030)-(2553x78)/(12 x 650)-(78)2

= 3.0a = 2553/12 - 3 x 78/12 = 193

21

Month Period (t) Forecasting

Jan 13 233

Feb 14 236

Mar 15 239

Apr 16 242

Mei 17 245

Jun 18 248

Jul 19 251

Ags 20 254

Sept 21 257

Okt 22 260

Nov 23 263

Des 24 266

Fungsi peramalan:d(t) = 193 + 3t

Peramalan untuk 12 periode ke depan:

Double Moving AverageDouble Moving Average

• Parameter model a dan b dicari dengan teknik double moving average

• Moving average dilakukan dua tahap • Dinyatakan dengan MA(m x n): moving

avegare of m period for n moving averaged data

• Berdasarkan hasil perhitungan double moving average ini dihitung nilai parameter a dan b

22

ProsedurProsedur• Untuk data penjualan dt, t = 1, 2, 3,….. N• Hitung moving average n periode sebagai berikut:

• Hitung moving average m periode dari hasil moving average n periode tersebut sebagai berikut:

• Hitung parameter model a dan b sebagai berikut:

23

Sd d d

Ntt N' .... 1 2 1

SS S S

Mtt t t N' '' ' '.... 1 1

a S S St t t t ' ' ' '( ) bN

S St t t

2

1' ' '

Contoh:Contoh:

24

Period Sales MA(4) MA(4x4) a b a+bm(m=1)

1 1402 1593 1364 157 148.05 173 156.26 131 149.27 177 159.5 153.2 165.7 4.168 188 167.2 158.06 176.4 6.12 169.99 154 162.5 159.6 165.3 1.91 182.5

10 179 174.5 165.9 183.0 5.7011 180 175.2 169.8 180.6 3.5812 160 168.2 170.1 166.3 -1.213 182 175.2 173.3 177.1 1.2914 192 178.5 174.3 182.6 2.7915 224 189.5 177.8 201.1 7.7516 188 196.5 184.9 208.0 7.7017 198 200.5 191.2 209.7 6.1618 206 204.0 197.6 210.3 4.2519 203 198.7 199.9 197.5 -0.720 238 211.2 203.6 218.8 5.0821 223.88

22 228.96

a7 = 2S7’ - S7’’ = 2 (159.5) - 153.25 = 167.75 b7 = 2 (S7’ - S7’’) n - 1 = 2/ (4-1) * (159.5 - 153.25) = 4.166

Peramalan ???

Teknik Peramalan untuk Teknik Peramalan untuk Pola Data SiklisPola Data Siklis

• Pola data siklis dapat didekati dengan fungsi:

• Parameter a, u dan v dapat dicari dengan metode determinan matriks:

25

d a unt v

ntt

' cos sin 2 2

dnt

nt

d n

dnt

n

dnt

n

' cos sin

cos

sin

12 2

0 02

02

0

20 0

2

0

n = jumlah periode per siklus

Kriteria Performansi Kriteria Performansi PeramalanPeramalan

• Performansi diukur dari kesalahan peramalan (forecasting error)

• Cerminan dari akurasi peramalan: semakin kecil kesalahan semakin akurat hasil ramalan

• Kesalahan peramalan (et): deviasi antara observasi aktual (dt) dengan nilai ramalannya (d’t) atau et = dt – d’t

• Karena observasi aktual pada saat peramalan belum ada maka kesalahan dihitung pada data historis (observasi aktual historis vs nilai ramalan periode historis)

26

Ukuran Kesalahan Ukuran Kesalahan PeramalanPeramalan

• Mean Square Error (MSE)

• Standard Error of Estimate (SEE)

• Error percentage


27

n

n

ttt

MSE

dd 1

)'(2

n

t fnttSEE dd

1

2

)(

)'(

%100)( ' xdddPEt

ttt

f = degree of freedom- 1 untuk pola data konstan- 2 untuk pola data trend- 3 untuk pola data siklis

Verifikasi PeramalanVerifikasi Peramalan

• Dilakukan untuk memeriksa apakah hasil peramalan sudah betul

• Menggunakan teknik moving range chart

28

Procedure:1.Calculate moving range for each period

2.Compute average moving range

3.Compute control limit

4.Compute verification region

1'

1' ddddMR tttt

1n

MRMR

MRLCL

MRUCL

66.2

66.2

29

center line

UCL

LCL

reg

ion

A

reg

ion

B

reg

ion

C

reg

ion

A

reg

ion

B

reg

ion

C

Kondisi di luar kendali jika:1.Ada titik di luar UCL atau LCL2.Dari 3 titik plot berturutan 2 titik berada pada region A ( 1.77 MR)3.Dari 5 titik plot berturutan terdapat 4 titik berada pada region B ( 0.89 MR)4.Ada 8 titik plot berturutan berada pada bagian atas atau bawah garis tengah (region C)

Plot nilai (dt-d’t) pada grafik

30

OUT OF CONTROL !

!!Periksa apa yang

terjadi pada kondisi out of control …… pabrik off ? Sales problem ?

….

Periksa apa yang terjadi pada kondisi out of control …… pabrik off ? Sales problem ?

….

Jika jelas penyebab; hasil ramalan bisa dipakai

Jika jelas penyebab; hasil ramalan bisa dipakai

Jika tidak: bisa tunggu evidence baru…. Kembali in

control … pakai terus…. Terjadi lagi out of control … pikirkan

ganti metode peramalan

Jika tidak: bisa tunggu evidence baru…. Kembali in

control … pakai terus…. Terjadi lagi out of control … pikirkan

ganti metode peramalan Bisa juga langsung mengganti metode peramalan…..

Bisa juga langsung mengganti metode peramalan…..

Contoh:Contoh:• Diketahui data penjualan 12 bulan yang lalu sebagai berikut:

• Plotting data menunjukkan gambaran sebagai berikut

31

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

dt140

159

136

157

173

181

177

188

154

179

180

160

Percobaan pertama: Percobaan pertama: konstankonstan

32

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

Percobaan Kedua: TrendPercobaan Kedua: Trend

33

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

Program Studi Teknik IndustriITB


34

Hasil ramalanHasil ramalan

35

bN t dt dt t

Nt

n

adt

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

tdt

tbdta

b

1156'

15698.155

35.933.165)5.6(44.133.165

.

144.11680

2416

60847764

154752157168

)647(12

)78)(1984()13264(12

)78(2

SEEn f

dt dtt

n

2

1

262812 2

262810

1621 16

( ')

.

Pemilihan PeramalanPemilihan Peramalan

36

Constant Linear

SEE 17 16

Peramalan terpilih adalah metode linearFungsi peramalan: d ’t = 156 + t Hasil peramalan:

t 13 14 15 16 17 18 19 20 21 22 23 24 D’t 169 170 171 172 173 174 175 176 177 178 179 180

VerifikasiVerifikasi

37

45.38

45.38

45.1411

159

LCL

UCL

MR

t 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

38

38. 45

25. 63

12. 82

- 38. 45

- 12. 82

- 25. 63

No evidence out of control observation

Forecasting function can be used for production planning

Catatan Berkaitan MTS-Catatan Berkaitan MTS-MTOMTO

• Peramalan dengan menggunakan data penjualan sangat mudah dipakai pada MTS ( Make to Stock )

• Pada MTO (Make to Order ) penjualan terjadi pada saat konsumen melakukan pemesanan dan jenis serta jumlah pesanan tidak bisa diketahui dengan pasti

• Data penjualan sulit dipakai

• Bagaimana caranya ?39

PenutupPenutup• Peramalan merupakan langkah awal dalam

perencanaan produksi• Berfungsi mendapatkan perkiraan penjualan

sepanjang periode perencanaan• Perkiraan tersebut menjadi referensi dalam

menyusun rencana produksi sesuai ketersediaan sumber daya perusahaan

• Peramalan yang diperoleh tepat waktu sangat menolong proses perencanaan

• Perlu juga diperhatikan biaya untuk mengumpulkan data serta manfaat dari perencanaan yang diperoleh

• Selalu diliputi kesalahan karena itu kemudian perlu up-dating data sebagai bentuk pengendalian

40

Peramalan dan Pengelolaan Permintaan samsulb

Documents

Transcript of Peramalan dan Pengelolaan Permintaan samsulb