Perencanaan dan Pengendalian Produksi Minggu 2 Peramalan Perencanaan dan Pengendalian Produksi Minggu 2

Hasil Pembelajaran Umum Mahasiswa mampu menerapkan model matematik, heuristik dan teknik statistik untuk perencanaan dan pengendalian produksi Khusus Mampu menganalisis pola permintaan serta menerapkan teknik-teknik peramalan

Peramalan Merupakan estimasi nilai atau karakteristik di masa mendatang, sehingga dimungkinkan adanya perencanaan Peramalan: prediksi (prediction) peramalan (forecast) kecenderungan (trend) Metoda peramalan dapat berdasarkan : Model kuantitatif, dengan mempergunakan data masa lalu Model kualitatif, berdasarkan pengalaman

Faktor yang mempengaruhi permintaan: Faktor Eksternal: Booming economy Perubahan dalam peraturan pemerintah Turning point, perubahan permintaan Leading indicator Coincident indicators Lagging indicator Perubahan selera konsumen

Faktor yang mempengaruhi permintaan: Faktor Internal: Desain produk atau jasa Harga dan promosi Desain kemasan Kuota penjualan atau insentif Ekspansi target pasar untuk merubah volume permintaan Manajemen permintaan: menggambarkan proses untuk mempengaruhi waktu (timing) dan volume permintaan. Contoh: adanya discount untuk pembelian kendaraan

Sistem Peramalan

Prosedur Peramalan Plot data permintaan vs. waktu Pilih beberapa metoda peramalan Evaluasi kesalahan peramalan Pilih metoda peramalan dengan kesalahan peramalan terkecil Intepretasi hasil peramalan

Konsiderasi (1) Ongkos dan manfaat Ongkos Ongkos pengembangan metoda Ongkos kegiatan peramalan Ongkos akibat kesalahan ramal Manfaat Mengerti hubungan antara permintaan dan faktor lain Kondisi dunia nyata  Sistem pengendalian produksi

Konsiderasi (2) Ketelitian Suatu ukuran seberapa tepat ramalan dari kondisi aktual Sederhana dalam perhitungan ketelitian tinggi vs sederhana dalam perhitungan Kemampuan menyesuaikan terhadap perubahan Lead time, perioda, horizon "Untuk tujuan apa suatu ramalan dibuat akan menentukan pendekatan yang diambil"

Pola Data

Karakteristik Pola Data Permintaan Pola data permintaan dapat berupa: Horizontal (average), fluktuasi permintaan berada diantara rataan tertentu. Trend, kecenderungan meningkat atau menurun rata-rata terhadap waktu Seasonal, perkiraan peningkatan atau penurunan permintaan yang tergantung pada waktu (hari, minggu, bulan atau musim Cyclical, perkiraan peningkatan atau penurunan permintaan dalam kurun waktu yang lama, dipengaruhi oleh: business cycle product / service life cycle Random error, tidak dapat diperkirakan.

Tingkat Akurasi Metode Peramalan (1) Forecast error Mean Absolute Deviation (MAD) Mean Squared Error (MSE) Standard Error of Estimate (SSE) Mean Absolute Percent Error (MAPE)

Tingkat Akurasi Metode Peramalan (2) Mean Square Error (MSE) dimana: dt = data aktual pada periode t Dt‘ = nilai ramalan pada periode t n = banyaknya periode

Tingkat Akurasi Metode Peramalan (3) Standard error of estimate (SEE) dimana: f = derajat kebebasan 1 : untuk data konstan 2 : untuk data linier 3 : untuk data kuadratis

Tingkat Akurasi Metode Peramalan (4) Persentase Kesalahan Mean Absolute Percentage Error (MAPE)

TAKSONOMI PERAMALAN BERDASARKAN WAKTU Jangka Panjang : > 2 tahun Jangka Menengah : 3 bulan – 2 tahun Jangka Pendek : 0 – 3 bulan

JANGKA PENDEK (0-3 bulan) Untuk meramalkan permintaan akan suatu produk atau jasa Umumnya digunakan analisa time series, causal dan judgment Untuk jangka pendek manajer jarang ingin menunggu. Judgment digunakan apabila data masa lalu tidak tersedia Keputusan untuk manajemen persediaan, penjadwalan final assembly, penjadwalan tenaga kerja, master production scheduling (MPS)

JANGKA MENENGAH (3 bln-2 thn) Dikaitkan dengan perencanaan kapasitas, total penjualan, sekelompok produk (family) Umumnya digunakan metoda causal Judgment digunakan, apabila data masa lalu tidak tersedia Analisa time series tidak memberikan hasil yang akurat, karena asumsi yang berlaku untuk jangka pendek belum tentu berlaku untuk jangka panjang Untuk perencanaan staff, perencanaan produksi, MPS, pembelian dan distribusi

JANGKA PANJANG (> 2 thn) Peramalan biasanya dikembangkan untuk menghitung penjualan total 3 (tiga) jenis keputusan: lokasi fasilitas, perencanaan kapasitas dan pemilihan proses Umumnya digunakan metoda causal dan judgment

Taksonomi Peramalan Berdasarkan Derajat Kuantifikasi (1)

Taks. Peramalan Berdasarkan Derajat Kuantifikasi (2) Penggunaan Model Kualitatif: Tidak memerlukan data kuantitatif Unsur subyektivitas peramalan sangat besar pengaruhnya dalam hasil peramalan Baik untuk peramalan jangka panjang Menggunakan metoda judgement

Taks. Peramalan Berdasarkan Derajat Kuantifikasi (3) Model Kualitatif : Metoda Judgement ; digunakan, apabila data yang tersedia tidak mencukupi. Terdapat 4 pendekatan; Estimasi ‘sales force’, berdasarkan pengolahan dari perkiraan permintaan mendatang yang dibuat secara periodik oleh tenaga penjualan perusahaan Executive opinion, berdasarkan opini, pengalaman dan pengetahuan teknis darai para pimpinan Market research, pendekatan secara sistematik untuk menentukan minat konsumendengan membangun hipotesa melalui data pengamatan yang dikumpulkan Metoda Delphi, berdasarkan konsensus dari sekelompok pakar yang identitasnya dipertahankan untuk tidak saling mengetahui.

Taks. Peramalan Berdasarkan Derajat Kuantifikasi (4) Model Kuantitatif : Membutuhkan data kondisi masa lalu Diasumsikan pola data masa lalu akan berlanjut pada masa yang akan datang Data tersebut dapat dikuantifisir Data yang digunakan untuk keperluan perencanaan produksi: Paling baik menggunakan data permintaan Menggunakan data jumlah unit penjualan Kalau tidak memiliki data penjualan gunakan data jumlah unit produksi

Model Kuantitatif : Metoda Causal Digunakan bila tersedia data masa lalu Hubungan antara faktor internal ataupun eksternal dapat diidentifikasikan Hubungan dinyatakan dalam bentuk matematis Terdapat 3 pengukuran ketelitian peramalan hasil analisa ; Correlation coefficient (r) Coefficient of determination (r2) Standard error of the estimate (txy)

Model Kuantitatif : Metoda Time Series Sesuai untuk peramalan jangka pendek. Berdasarkan informasi masa lalu yaitu variabel tidak bebas dengan asumsi, bahwa variabel tidak bebas ini akan memiliki pola yang sama dengan masa lalu. Metode yang dapat digunakan antara lain : Simple Moving Average ; N tertentu Double Moving Average ; N tertentu Simple Exponential Smoothing ;  tertentu Double Exponential Smoothing ;  tertentu Multiplicative Seasonal Method (MSM)

Simple Moving Average (SMA) Model SMA berasumsi bahwa nilai rata-rata beberapa periode terbaru baik digunakan untuk memperkirakan pola mendatang Cocok untuk pola data tanpa trend Rumus SMA adalah Ft = peramalan untuk periode mendatang n = jumlah periode yang akan dirata-ratakan Dt= demand aktual di periode t

Simple Moving Average (SMA) Minggu Demand SMA-3 SMA-6 1 650 F4=(650+678+720)/3 = 682,67 2 678 3 720 4 785 682,67 F7=(650+678+ 720+895+920)/6 = 768,67 5 859 727,67 6 920 788,00 7 850 854,67 768,67 8 758 876,33 802,00 9 892 842,67 815,33 10 833,33 844,00 11 789 856,67 866,5 12 844 867,00 854,83 Hitung tingkat akurasi metode

Simple Moving Average (SMA)

Simple Moving Average (SMA) Jadi peramalan untuk minggu ke 13 adalah sbb : - SMA-3 : (920+789+844)/3 = 851 - SMA-6 : (850+758+892+920+789+844)/6 = 842,17 Jika pada minggu ke 13 ternyata demand yang terjadi adalah 849, berapakah peramalan untuk periode ke 14 ? - SMA-3 : (789+844+849)/3 = 827,33 - SMA-6 : (758+892+920+789+844+849)/6 = 842

Double Moving Average (DMA) Digunakan untuk pola data trend Merupakan SMA yang dirata-ratakan kembali untuk mendapatkan trend. SMA digunakan pada waktu t (S’t) Penyesuaian merupakan perbedaan antara SMA dan DMA pada waktu t (S’t-S’’t) Penyesuaian digunakan untuk trend dari periode t ke periode t+1 (atau periode t+m jika diramalkan untuk m periode mendatang)

Double Moving Average (DMA) Formula DMA

Double Moving Average (DMA) Hitung tingkat akurasi metode Periode Demand SMA-4 DMA-4 a b Ft 1 140 S’t=(140+150+136+157)/4 F8=165,75+4,17*1 2 150 3 136 S’’t=(148+156,25+149,25+159,5)/4 a = (2*159,5-153,25) b = (2/3*(159,5-153,25)) 4 157 148,00 5 173 156,25 6 131 149,25 7 177 159,50 153,25 165,75 4,17 8 188 167,25 158,06 176,44 6,13 169,92 9 154 162,50 159,63 165,38 1,92 182,56 10 179 174,50 165,94 183,06 5,71 167,29 11 188,77

Simple Exponential Smoothing (SES) Tidak semua data mempunyai bobot yang sama Premise : data terbaru akan mempunyai nilai predisksi tertinggi Oleh karena itu data terbaru harus diberi bobot lebih besar daripada data sebelumnya Rumus SES α = smoothing constant Asumsi : F1 = D1

Simple Exponential Smoothing (SES) Hitung tingkat akurasi metode Minggu Demand SES 0,1 SES 0,6 1 820 2 775 3 680 815.5 793 4 655 801.95 725.2 5 750 787.255 683.08 6 802 783.5295 723.232 7 798 785.3766 770.4928 8 689 786.6389 786.9971 9 776.875 728.1988 10   776.6875 756.2795

Simple Exponential Smoothing (SES)

Double Exponential Smoothing (DES) Satu Parameter Disebut juga Metode Linear Brown Untuk pola data trend Hampir sama dengan Double Moving Average Penyesuaian dari SES dilakukan dengan penambahan satu parameter

Double Exponential Smoothing (DES) Satu Parameter Rumus :

Contoh DES satu parameter α = 0.2 Minggu Dt S't S''t a b Ft 1 143.00 0.00   2 152.00 144.80 143.36 146.24 0.36 3 161.00 148.04 144.30 151.78 0.94 146.60 4 139.00 146.23 144.68 147.78 0.39 152.72 5 137.00 144.39 144.62 144.15 -0.06 148.17 6 174.00 150.31 145.76 154.86 1.14 144.09 7 142.00 148.65 146.34 150.96 0.58 155.99 8 141.00 147.12 146.49 147.74 0.16 151.53 9 162.00 150.09 147.21 152.97 0.72 147.90 10 153.69 m = 1 11 154.41 m = 2 12 155.13 m = 3 Hitung tingkat akurasi metode

Contoh DES satu parameter α = 0.2

Peramalan Musiman Peramalan dimana data historis menunjukkan suatu pertumbuhan tetapi juga memiliki pola musiman tertentu Musiman di sini pada awalnya menunjukkan bulanan atau 4 bulanan (quarterly), tetapi pada peramalan, pola musiman dapat ditemukan dalam bermacam-macam periode Terdiri dari dua metode yaitu Multipicative Seasonal Method dan Additive Seasonal Method. Multipicative Seasonal Method Faktor musiman dikalikan dengan estimasi rata-rata permintaan yang akan tiba pada peramalan musiman. Pola musimannya ditentukan oleh tingkat permintaan Additive Seasonal Method Peramalan musiman diperoleh dengan menambahkan suatu konstanta pada estimasi rata-rata permintaan per musim. Pendekatan ini berdasarkan asumsi bahwa pola musiman konstan serta mengabaikan rata-rata permintaan.

Multipicative Seasonal Method Problem Manager ingin meramalkan permintaan pada setiap kuartal di tahun ke 5 berdasarkan estimasi bahwa total permintaan pada tahun ke 5 berjumlah 2600. Kuartal Tahun 1 Tahun 2 Tahun 3 Tahun 4 1 45 70 100 2 335 370 585 725 3 520 590 830 1160 4 170 285 215 Total 1000 1200 1800 2200

Solusi Multipicative Seasonal Method Step 1 : menentukan rata-rata permintaan pada setiap musim Av1 = 1000/4 = 250 Tahun 1 2 3 4 Rata-rata 250 300 450 550

Solusi Multiplicative Seasonal Method Step 2 : Tentukan indeks musiman I11 = 45/250 = 0,18 I33 = 850/450 = 1,84 Kuartal Tahun 1 Tahun 2 Tahun 3 Tahun 4 1 0.18 0.23 0.22 2 1.34 1.23 1.30 .32 3 2.08 1.97 1.84 2.11 4 0.40 0.57 0.63 0.39

Solusi Multipicative Seasonal Method Step 3 : tentukan rata-rata indeks musiman untuk setiap kuartal I1AV = (0,18+0,23+0,22+0,18)/4 = 0,20 Kuartal 1 2 3 4 Rata2 indeks 0,20 1,30 2,00 0,50

Solusi Multipicative Seasonal Method Step 4 : Diperkirakan permintaan meningkat 400 unit per tahun, maka permintaan di tahun 5 menjadi 2200+400 = 2600. Rata-rata permintaan per kuartal di tahun ke 5 adalah 2600/4 = 650. Selanjutnya dapat diramalkan permintaan pada setiap kuartal pada tahun ke 5. Kuartal 2 = 650*1,30 = 845 Kuartal 1 2 3 4 Peramalan 130 845 1300 325

Solusi Multipicative Seasonal Method Seandainya diketahui bahwa pola pertumbuhan permintaan per tahun mengikuti regresi linier, maka pada step 4 harus dihitung perkiraan permintaan tahun ke 5 menggunakan regresi linier. Untuk contoh ini, hasil regresi linier tahunan adalah Ft = 500 + 420t F5 = 500 + 420*5 = 2600 Maka rata-rata permintaan per kuartal = 2600/4 = 650

Solusi Multiplicative Seasonal Method Hasil peramalan per kuartal untuk tahun ke 5 dihitung dengan cara yang sama yaitu : Kuartal 1 = 650*0,20 = 130 Hitung tingkat akurasi metode Kuartal 1 2 3 4 Peramalan 130 845 1300 325

JANGKA MENENGAH Konstan Regresi linier Siklis

Contoh Dari data 12 bulan terakhir tercatat penjualan produk X: Gambar diagram Pencar: t 1 2 3 4 5 6 7 8 9 10 11 12 dt 140 159 136 157 173 181 177 188 154 179 180 160

Metoda Konstan

Metoda Konstan

Metoda Linier

Metoda Linier

Metoda Kuadratis

Metoda Kuadratis

Pemilihan Metoda Terbaik & Hasil Peramalan Metode yang dipilih adalah metode peramalan linier Dt' = 156 + t

Tracking signal = CFE/MAD Tracking Signal adalah sebuah ukuran yang mengidentifikasi apakah sebuah metode peramalan dapat secara akurat memprediksi perubahan permintaan aktual. Tracking signal = CFE/MAD Setiap periode, CFE dan MAD di update untuk memperlihatkan error terbaru dan tracking signal dibandingkan terhadap batasan yang sudah ditentukan

Tracking Signal (2) MAD dapat dihitung dengan dua cara Sebagai simple average dari semua absolute error Sebagai weighted average pada metode exponential smoothing

Tracking Signal (3) Model kedua mempunyai kelebihan yaitu jumlah data lebih sedikit Nilai α tidak harus sama dengan yang digunakan dalam peramalan tetapi biasanya digunakan α kecil sekitar 0,1 untuk mengurangi efek error masa lalu.

Tracking Signal (4) Jika peramalan berdistribusi normal dengan rata-rata 0, hubungan antara σ dan MAD adalah sbb : Hubungan di atas memungkinkan penggunaan tabel distribusi normal untuk menentukan batas tracking signal. Pemilihan batas tracking signal melibatkan trade-off antara biaya peramalan dan biaya pemeriksaan permasalahan

Tracking Signal (5)

Contoh Perhitungan Tracking Signal Minggu Dt S't S''t a b Ft F. Error Cumm. TS = CFE/MAD 1 143   2 152 144.8 143.36 146.24 0.36 9 4 3 161 148.04 144.3 151.78 0.94 146.6 14.4 23.4 10.4 139 146.23 144.68 147.78 0.39 152.72 -13.72 9.68 4.30222222 5 137 144.39 144.62 144.15 -0.06 148.17 -11.17 -1.49 -0.66222222 6 174 150.31 145.76 154.86 1.14 144.09 29.91 28.42 12.6311111 7 142 148.65 146.34 150.96 0.58 155.99 -13.99 14.43 6.41333333 8 141 147.12 146.49 147.74 0.16 151.53 -10.53 3.9 1.73333333 162 150.09 147.21 152.97 0.72 147.9 14.1 18 10 153.69 11 154.41 12 155.13 Jumlah MAD/MAE 2.25

Verifikasi Peramalan Dilakukan untuk memverifikasi apakah fungsi peramalan yang digunakan mewakili pola data yang ada. Metoda verifikasi: Moving Range Chart Moving Range Average moving range Control limits

Verifikasi Peramalan Pengujian Out of control Dari 3 titik yang berurutan, 2 titik atau lebih di Daerah A Dari 5 titik yang berurutan, 4 titik atau lebih di Daerah B Dari 8 titik yang berurutan seluruhnya berada atau di bawah center line Satu titik di luar batas kontrol Bila kondisi out-of-control terjadi, tindakan yang bisa diambil : Perbaiki ramalan dengan mencakup data baru (sistem sebab baru) Tunggu evidence selanjutnya

Contoh Perhitungan MR Chart (1) Dt Dt' Dt'- Dt MR 1 140 156 16 2 159 157 -2 18 3 136 158 22 24 4 20 5 173 160 -13 15 6 181 161 -20 7 177 162 -15 8 188 163 -25 10 9 154 164 179 165 -14 11 180 166 12 167 21 Dt' = 156 + t

Contoh Verifikasi (2)

Selesai