Pertemuan 3 dan 4 manajemen operasi Peramalan.pptx

Manajemen operasi peramalan

1. Metode Peramalan ( Forecasting Method ) Mia Kurniati , S.Stat.,M.M

2. D efinisi Peramalan ( Forecasting ) adalah suatu seni , ilmu , usaha untuk memprediksi kejadian masa depan menggunakan pengambilan data masa lalu untuk menentukan perencanaan strategi yang efektif dan efisien .

3. 7 Langkah di dalam Sistem Peramalan Menetapkan tujuan peramalan Menentukan horizon waktu peramalan Memilih unsur yang akan diramalkan Membuat peramalan Memilih jenis model peramalan Mengumpulkan data Memvalidasi dan menerapkan hasil peramalan

4. Berdasarkan horizon waktu , peramalan dibagi 3, yaitu : 1. Peramalan jangka pendek 2. Peramalan jangka menengah 3. Peramalan jangka panjang

5. Peramalan Janka Pendek digunakan untuk merencanakan : Pembelian Penjadwalan kerja Jumlah tenaga kerja Tingkat produksi , dll . Jangka waktu hingga 1 tahun tetapi umumnya kurang dari 3 bulan

6. Peramalan Jangka Menengah digunakan untuk merencanakan : Penjualan Anggaran produksi Anggaran kas Jangka waktu Bulanan hingga 3 tahun

7. Peramalan Jangka Panjang digunakan untuk merencanakan : Produk baru Pengembangan Pabrik Litbang Jangka waktu diatas 3 tahun

8. Economic Forecast Merencanakan indikator ekonomi yang berguna membantu organisasi untuk menyiapkan peramalan . ( inflasi ) Technological Forecast Peramalan jangka panjang yang memperhatikan tingkat kemajuan teknologi . Demand Forecast Meramalkan penjualan suatu perusahaan pada setiap periode dalam horizon waktu . JENIS PERAMALAN

9. Kualitatif PENDEKATAN PERAMALAN Kuantitatif

10. Juri dari opini eksekutif ( jury of executive opinion) Metode Delphi ( Delphi method) Komposit tenaga penjualan ( sales fore composite) Survei pasar konsumen ( consumer market survey) Metode Kualitatif

11. Jury of Executive Opinion Teknik peramalan yang meminta segolongan kecil manajer tingkat tinggi dan menghasilkan estimasi permintaan kelompok

12. Delphi Method Teknik peramalan yang menggunakan proses kelompok , dimana para pakar melakukan peramalan

13. Sales Force Composite Teknik peramalan berdasarkan prediksi tenaga penjualan terhadap besarnya penjualan yang memungkinkan dimasa yang akan datang

14. Consumer Market Demand Metode peramalan yang meminta input dari para konsumen mengenai rencana pembelian mereka di masa yang akan datang

15. Tersedia informasi tentang masa lalu . Informasi tersebut dapat di kuantitatifkan dalam bentuk data numerik . Dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus berlanjut di masa mendatang . Persyaratan Penggunaan Metode Kuantitatif :

16. PERAMALAN KUANTITATIF NAIVE APPROACH MOVING AVERAGE EXPONENTIAL SMOOTHING TREND PROJECTION LINIER REGRESSION ANALYSIS Menggunakan sekumpulan data masa lalu untuk peramalan MODEL TIME SERIES Model Asosiatif ( Hubungan sebab akibat )

17. Pola horisontal (H) terjadi bilamana data berfluktuasi disekitar nilai rata-rata yg konstan . Suatu produk yg penjualannya tdk meningkat atau menurun selama waktu tertentu termasuk jenis ini . Pola musiman (S) terjadi bilamana suatu deret dipengaruhi oleh faktor musiman ( misalnya kuartal tahun tertentu , bulanan , atau hari-hari pada minggu tertentu ). Penjualan dari produk seperti minuman ringan , es krim , dan bahan bakar pemanas ruang semuanya menunjukkan jenis pola ini . Dekomposisi Deret Waktu

18. Pola sikl u s (C) terjadi bilamana datanya dipengaruhi oleh fluktuasi ekonomi jangka panjang seperti yang berhubungan dengan siklus bisnis . Contoh : Penjualan produk seperti mobil , baja , dan peralatan utama lainnya . Pola trend (T) terjadi bilamana terdapat kenaikan atau penurunan sekuler jangka panjang dalam data. Contoh : Penjualan banyak perusahaan , GNP dan berbagai indikator bisnis atau ekonomi lainnya .

19. Pendekatan Naif (Naive Approach) Teknik peramalan yg mengasumsikan permintaan periode berikutnya sama dengan permintaan pada periode terakhir. Contoh : jika penjualan produk A bulan Januari adalah 78 unit. Kita meramalkan penjualan pd bulan februari akan sama yaitu sebanyak 78 unit juga.

20. Menggunakan rata-rata periode terakhir data untuk meramalkan periode berikutnya . Rumus : Keterangan : d t -1 = demand dlm periode n sebelumnya n = jumlah periode dlm rata2 bergerak Pembobotan Rata-rata bergerak : Rata-rata Bergerak

21. Moving Average dengan Pombobotan Bulan Penjualan Aktual Rata2 Bergerak dengan Pembobotan 3-Bulan Januari 20 Februari 30 Maret 45 April 35,8 { (3x45) + (2x30) + (1x20) / 6 = 35,8 Bobot yg diberikan Periode 3 Bulan lalu (Maret) 2 Dua bulan lalu (Februari) 1 Tiga bulan lalu (Januari) 6 Total bobot

22. Suatu teknik peramalan rata-rata bergerak dengan pembobotan di mana titik-titik data dibobotkan oleh fungsi eksponensial Keterangan : F t = peramalan baru F t-1 = peramalan sebelumnya α = konstanta penghalusan (pembobotan) (0< α< 1) A t-1 = permintaan aktual periode lalu F t = F t-1 + α ( A t-1 – F t-1 ) Penghalusan Eksponensial α biasanya ditentukan dengan trial error, tapi bisa dengan rumus : α =2/(n+1)

23. Selama 8 kuartal terakhir , Perusahaan X membongkar muat sejumlah besar biji-bijian dari kapal . Manajer operasi pelabu-han ingin menguji penggunaan penghalus -an eksponensial utk melihat seberapa baik teknik ini bekerja dlm memprediksi tonase biji-bijian yg dibongkar / muat . Ia menebak peramalan bongkar / muat biji-bijian pada kuartal pertama adalah 175 ton. Dua nilai yg diuji α =0,1 dan α =0,5. Kuartal Tonase Bongkar / Muat Peramalan yg dibulatkan dgn α =0,1 Peramalan yg dibulatkan dgn α =0,5 1 180 175 175 2 168 175+0,1(180-175)=175,50 177,50 3 159 175,50+0,1(168-175,50)=174,75 172,75 4 175 174,75+0,1(159-174,75)=173,18 165,88 5 190 173,18+0,1(175-173,18)=173,36 170,44 6 205 173,36+0,1(190-173,36)=175,02 180,22 7 180 175,02+0,1(205-175,02)=178,02 192,61 8 182 178,02+0,1(180-178,02)=178,22 186,30 9 ? 178,22+0,1(182-178,22)=178,59 184,15

24. Forecasting Errors & Tracking Signals 3 metode perhitungan kesalahan peramalan :

25. Perhitungan MAD : Kuartal Tonase B/M Aktual Peramalan α = 0,1 Deviasi Absolut α =0,1 Peramalan α = 0,5 Deviasi Absolut α =0,5 1 180 175 5,00 175 5,00 2 168 175,50 7,50 177,50 9,50 3 159 174,75 15,75 172,75 13,75 4 175 173,18 1,82 165,88 9,12 5 190 173,36 16,64 170,44 19,56 6 205 175,02 29,98 180,22 24,78 7 180 178,02 1,98 192,61 12,61 8 182 178,22 3,78 186,30 4,30 Jumlah Deviasi Absolut 82,45 98,62 MAD 10,31 12,33

26. Kesalahan Kuadrat Rata-rata (MSE) Kuartal Tonase B/M Aktual Peramalan α =01 ( Kesalahan ) 2 1 180 175 5 2 = 25 2 168 175,50 (-7,5) 2 =56,25 3 159 174,75 248,06 4 175 173,18 3,33 5 190 173,36 276,89 6 205 175,02 898,70 7 180 178,02 3,92 8 182 178,22 14,31 Jumlah Kesalahan dikuadratkan = 1.526,46 MSE=( Jumlah Kesalahan dikuadratkan )/n = 190,80

27. Kesalahan Persen Mutlak Rata-rata (MAPE) Kuartal Tonase B/M Aktual Peramalan α =01 MAPE 100 ( Kesalahan / Aktual ) 1 180 175 (5/180)(100)=0,0278 2 168 175,50 0,0446 3 159 174,75 0,0990 4 175 173,18 0,0105 5 190 173,36 0,0876 6 205 175,02 0,1462 7 180 178,02 0,0110 8 182 178,22 0,0208 Jumlah kesalahan = 0,4475 MAPE=(Jumlah Kesalahan)/n = 0,0559

28. TREND PROJECTION Trend Projection ( proyeksi tren ) merupakan metode peramalan yang menyesuaikan sebuah garis tren pada sekumpulan data masa lalu , dan kemudian diproyeksikan dalam garis untuk meramalkan masa depan a = b = Y = Variabel Terikat (penjualan) X = Variabel Bebas (waktu) a = Konstanta b = Koefisien Tren n = Jumlah data (pengamatan)

29. Perkembangan Penjualan PT.X Tahun Volume Penjualan (ton) 2003 2.847 2004 3.685 2005 4.065 2006 5.789 2007 7.639 2008 ? 2009 ?

30. Th Penjualan X Y XY X ² 2003 2.874 1 2.847 2.847 1 2004 3.685 2 3.685 7.370 4 2005 4.065 3 4.065 12.195 9 2006 5.789 4 5.789 23.156 16 2007 7.639 5 7.639 38.195 25 TOTAL( ) 15 24025 83763 55 a = Y/n = 24.052 / 5 = 4.810 b = XY/  X ² = 83.763 / 55 = 1523 Y = 4.810 + 1523 X Y2008 = 4.810 + 1523 (3) =9379 Y2009= 4.810 + 1523 (4) =10902

31. SIMPLE LINEAR REGRESSION Model matematis garis lurus yang menjelaskan hubungan fungsional antara satu variabel terikat ( dependent variable) b = Y = Variabel Terikat X = Variabel Bebas ( bukan waktu ) a = Konstanta b = Koefisien regresi n = Jumlah data ( pengamatan )

32. Case: Perusahaan Konstruksi Nodel , West Bloomfield Perusahaan Konstruksi Nodel merenovasi sejumlah rumah tua di West Bloomfield, Michigan. Sejalan dengan waktu , perusahaan mendapati bahwa biaya pekerjaan renovasinya tergantung pada tingkat penghasilan penduduk yaitu upah lokal di West Bloomfield. Tabel berikut ini menunjukkan penjualan Nodel dan upah lokal selama masa 6 tahun Years Penjualan upah 2002 20 1 2003 30 3 2004 25 4 2005 20 2 2006 20 1 2007 35 7 Jika kantor perdagangan lokal memperkirakan upah wilayah West Bloomfield tahun 2008 adalah 6, Tentukan perkiraan penjualan Nodel tahun 2008?

33. Years (Y) (X) X ² XY 2002 20 1 1 20 2003 30 3 9 90 2004 25 4 16 100 2005 20 2 4 40 2006 20 1 1 20 2007 35 7 49 245 Y=150 X=18  X ² =80 XY=515 b = = = 2,5

34. 1 2 3 4 5 6 7 10 20 30 40 Garis Regresi Y= 17,5 + 2,5 X a= 17,5 WAGES SALES 32,5

35. Untuk menghitung keakuratan regresi yang diperkirakan , harus dihitung Kesalahan Standar Estimasi ( Standard error of the estimate ). Perhitungan ini disebut Deviasi Standar Regresi (Standard Deviation of the Regression)

36. Case: Perusahaan Konstruksi Nodel Maka kesalahan standar estimasi adalah 3,06 dalam Penjualan (Sales)

37. KOEFISIEN KORELASI Suatu teknik statistik untuk menentukan kekuatan hubungan antara dua variabel

38. KOEFISIEN KORELASI

39. Case: Nodel