FORECASTING -PERAMALAN- OPERATION MANAGEMENT PRESENTED BY : HAYU WIKAN KIANASIH, SE

PERAMALAN “ SENI ATAU ILMU UNTUK MEMPERKIRAKAN KEJADIAN DIMASA DEPAN ”  Bisa merupakan prediksi matematis atau hanya sekedar intuisi

Horizon Waktu dalam Peramalan Peramalan Jangka Pendek Jangka waktu <1 tahun, biasanya 3 bulan Perencanaan pembelian, penjadwalan kerja, jumlah tenaga kerja, tk. Produksi, dll Peramalan Jangka Menengah Dalam hitungan bulan s/d jangka waktu 3 tahun Perencanaan penjualan, perencanaan dan anggaran produksi, anggaran kas, dll Peramalan Jangka Panjang Jangka waktu >3 tahun Perencanaan produk baru, pembelanjaan modal, penelitian dan pengembangan, dll

Jenis – jenis Peramalan PERAMALAN EKONOMI Menjelaskan siklus hidup bisnis dengan memprediksi tingkat inflasi, ketersediaan uang, dll PERAMALAN TEKNOLOGI Memperhatikan tingkat kemajuan teknologi yang dapat meluncurkan produk baru yang menarik yang membutuhkan pabrik dan peralatan baru PERAMALAN PERMINTAAN Proyeksi permintaan untuk produk atau layanan suatu perusahaan

Tujuh langkah sistem peramalan Menetapkan tujuan peramalan Memilih unsur yang akan diramalkan Menentukan horizon waktu peramalan Memilih jenis model peramalan Mengumpulkan data yang diperlukan untuk melakukan peramalan Membuat peramalan Memvalidasi dan menerapkan hasil peramalan

PENDEKATAN DALAM PERAMALAN PERAMALAN KUANTITATIF Menggunakan model matematis yang beragam dengan data masa lalu dan variabel sebab akibat untuk meramalkan permintaan. PERAMALAN KUALITATIF Menggabungkan faktor, seperti intuisi, emosi, pengalaman pribadi dan sistem nilai pengambil keputusan untuk meramal.

PENDEKATAN KUALITATIF Juri dari opini eksekutif Mengumpulkan ide sekumpulan kecil manajer Metode Delphi Membagi menjadi 3 partisipan: pengambil keputusan, karyawan, dan responden Komposit tenaga penjualan Perkiraan dilakukan oleh tenaga penjualan berdasarkan jumlah penjualan yang terjadi di wilayahnya Survei pasar konsumen Meminta input dari konsumen tentang rencana pembelian mereka di masa datang

PENDEKATAN KUANTITATIF MODEL DERET WAKTU Prediksi dibuat dengan asumsi yang terjadi di masa depan merupakan fungsi dari masa lalu Pendekatan naif Rata – rata bergerak Penghalusan eksponensial MODEL ASOSIATIF menggabungkan banyak variabel yang mungkin mempengaruhi kuantitas Proyeksi tren Regresi Linier

MODEL DERET WAKTU Deret waktu didasarkan pada urutan dari titik – titik data yang berjarak sama dalam satuan waktu. KOMPONEN DERET WAKTU TREN  pergerakan data sedikit demi sedikit MUSIM  pola data yang berulang pada kurun waktu tertentu SIKLUS  pola data yang terjadi setiap beberapa tahun VARIASI ACAK  titik khusus dalam data yang disebabkan oleh peluang dan situasi yang tidak lazim

1. Pendekatan Naif “ merupakan cara termudah dalam peramalan, yaitu menjadikan data periode terakhir untuk meramalkan kejadian di periode mendatang”

2. Rata – rata Bergerak “ metode peramalan yang menggunakan n rata-rata periode terakhir data untuk meramalkan periode berikutnya”

Contoh perhitungan rata – rata bergerak : Bulan Penjualan Aktual Rata - rata bergerak 3 bulanan Januari 10   Februari 12 Maret 13 April 16 (10+12+13)/3 = 11 2/3 Mei 19 (12+13+16)/3 = 13 2/3 Juni 23 (13+16+19)/3 = 16 Juli 26 (16+19+23)/3 = 19 1/3 Agustus 30 (19+23+26)/3 = 22 2/3 September 28 (23+26+30)/3 = 26 1/3 Oktober 18 (26+30+28)/3 = 28 November (30+28+18)/3 = 25 1/3 Desember 14 (28+18+16)/3 = 20 2/3

Pembobotan Rata – rata bergerak Bobot yang diberikan Periode 3 Bulan lalu 2 Dua bulan lalu 1 Tiga bulan lalu 6 Jumlah total bobot

Contoh pembobotan rata – rata bergerak Bulan Penjualan Aktual Rata - rata bergerak 3 bulanan Januari 10   Februari 12 Maret 13 April 16 [(3x13) + (2x12) + (10)]/6 = 12 1/6 Mei 19 [(3x16) + (2x13) + (12)]/6 = 14 1/3 Juni 23 [(3x19) + (2x16) + (13)]/6 = 17 Juli 26 [(3x23) + (2x19) + (16)]/6 = 20 ½ Agustus 30 [(3x26) + (2x23) + (19)]/6 = 23 5/6 September 28 [(3x30) + (2x26) + (23)]/6 = 27 ½ Oktober 18 [(3x28) + (2x30) + (26)]/6 = 28 1/3 November [(3x18) + (2x28) + (30)]/6 = 23 1/3 Desember 14 [(3x16) + (2x18) + (28)]/6 = 18 2/3

2. Penghalusan Eksponensial “merupakan metode peramalan rata-rata bergerak dengan pembobotan dimana titik – titik data dibobotkan oleh fungsi eksponensial” Rumus penghalusan eksponensial : dimana : α adalah sebuah bobot atau konstanta penghalusan yg dipilih oleh peramal yg mempunyai nilai antara 0 dan 1.

dimana : Ft = Peramalan baru Ft-1 = Peramalan sebelumnya Rumus : dimana : Ft = Peramalan baru Ft-1 = Peramalan sebelumnya α = Konstanta penghalusan (0≤α≥1) At-1 = Permintaan aktual periode lalu Konstanta Penghalusan Periode Terakhir Periode Sebelum Terakhir ɑ(1- ɑ) Periode Kedua Sebelum Terakhir Periode Ketiga Sebelum Terakhir Periode Keempat Sebelum Terakhir α= 0,1 0,1 0,09 0,081 0,073 0,066 α= 0,5 0,5 0,25 0,125 0,063 0,031

Menghitung Kesalahan Peramalan Ada beberapa perhitungan yg biasa digunakan untuk menghitung kesalahan dlm peramalan. Tiga dari perhitungan yang paling terkenal adalah deviasi mutlak rata-rata (mean absolute deviation = MAD). Kesalahan kuadrat rata-rata (mean absolute deviation =MSE) dan kesalahan persen mutlak rata-rata (mean absolute percent = MAPE). Kesalahan Peramalan = Permintaan Aktual – Nilai Peramalan = At - Ft

Deviasi Mutlak Rata-rata (MAD) MAD adalah nilai yg dihitung dengan me-ngambil jumlah nilai absolut dari setiap kesalahan peramalan dibagi dengan jumlah periode data (n).

Penyelesaian : Kuartal Tonase Bongkar/Muat Peramalan yg dibulatkan dgn α =0,1 Peramalan yg dibulatkan dgn α =0,5 1 180 175 2 168 175+0,1(180-175)=175,50 177,50 3 159 175,50+0,1(168-175,50)=174,75 172,75 4 174,75+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 7 175,02+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

Jumlah Deviasi Absolut Perhitungan MAD : Kuartal Tonase B/M Aktual Peramalan α= 0,1 Deviasi Absolut α=0,1 α= 0,5 α=0,5 1 180 175 5,00 2 168 175,50 7,50 177,50 9,50 3 159 174,75 15,75 172,75 13,75 4 173,18 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 7 178,02 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

Kesalahan Kuadrat Rata-rata (MSE) Kuartal Tonase B/M Aktual Peramalan α=01 (Kesalahan)2 1 180 175 52 = 25 2 168 175,50 (-7,5)2=56,25 3 159 174,75 248,06 4 173,18 3,33 5 190 173,36 276,89 6 205 175,02 898,70 7 178,02 3,92 8 182 178,22 14,31 Jumlah Kesalahan dikuadratkan = 1.526,46 MSE=(Jumlah Kesalahan dikuadratkan)/n = 190,80

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 4 173,18 0,0105 5 190 173,36 0,0876 6 205 175,02 0,1462 7 178,02 0,0110 8 182 178,22 0,0208 Jumlah kesalahan = 0,4475 MAPE=(Jumlah Kesalahan)/n = 0,0559

Penghalusan Eksponensial dengan Penyesuaian Tren Asumsikan permintaan untuk barang atau jasa kita telah meningkat 100 unit per bulan, dan kita telah meramalkan dengan α=0,4 dalam model penghalusan eksponensial. Bulan Permintaan Aktual Permintaan untuk Bulan T(FT) 1 100 F1 = 100 (diberikan) 2 200 F2 = F1+α(A1-F1) = 100 + 0,4(100-100) = 100 3 300 F3 = F2+α(A2-F2) = 100 + 0,4(200-100) = 140 4 400 F4 = F3+α(A3-F3) = 140 + 0,4(300-140) = 204 5 500 F5 = F4+α(A4-F4) = 204 + 0,4(400-204) = 282

Untuk memperbaiki peramalan kita, beri-kut akan diilustrasikan model penghalus-an eksponensial yg lebih rumit dan dapat menyesuaikan diri pada tren yg ada. Ide-nya adalah menghitung rata-rata data penghalusan eksponensial, kemudian me-nyesuaikan untuk kelambatan (lag) positif atau negatif pada tren. Rumusnya : Peramalan dengan Tren (FITt) = Peramalan penghalusan eksponensial (Ft) - Tren penghalusan eksponensial (Tt)

Metode Peramalan Asosiatif Proyeksi Tren Analisis Regresi : 1. Regresi Linear 1.1. Regresi Linear Sederhana 1.2. Regresi Linear Berganda 2. Regresi Kuadrat 3. Regresi Eksponensial

Proyeksi Tren Adalah suatu metode peramalan serangkaian waktu yg sesuai dengan garis tren terhadap serangkaian titik-titik data masa lalu, kemudian diproyeksikan ke dalam peramalan masa depan untuk peramalan jangka menengah dan jangka panjang. Persamaan garis :

Dimana : y = variabel yg akan diprediksi a = konstanta b = kemiringan garis regresi x = variabel bebas (waktu) Dengan metode kuadrat terkecil (MKT) didapat :

Permintaan Daya Listrik (Y) Contoh : Tahun Periode Waktu (x) Permintaan Daya Listrik (Y) x2 xy 2001 1 74 2002 2 79 4 158 2003 3 80 9 240 2004 90 16 360 2005 5 105 25 525 2006 6 142 36 852 2007 7 122 49 854 Jumlah ∑x = 28 ∑y = 692 ∑x2 = 140 ∑xy = 3.063 Rata-rata 98,86 -

Penyelesaian : Persamaan tren : Permintaan tahun 2008 = 56,70+10,54(8) = 141,02 megawat

Garis tren : y = 56,70+10,54x Permintaan tenaga listrik (megawatts) Tahun

Korelasi