SI403 Riset Operasi Suryo Widiantoro, MMSI, M.Com(IS) Peramalan Permintaan SI403 Riset Operasi Suryo Widiantoro, MMSI, M.Com(IS)

Capaian Pembelajaran Materi Perkuliahan Mahasiswa mampu melakukan perancangan untuk memastikan kelancaran opearasi rantai pasok

Topik Bahasan Peramalan dalam organisasi Pola permintaan Metode peramalan

membuat peramalan yang tepat Peramalan (forecast)  prediksi akan kejadian di masa depan yang digunakan untuk keperluan perencanaan membuat peramalan yang tepat menjalankannya pada rantai pasok (supply chain) menyeimbangkan pasokan (supply) dan permintaan (demand) Perencanaan (planning)  proses pembuatan keputusan manajemen terhadap bagaimana mengelola sumberdaya untuk merespon ramalan permintaan dengan baik

Metode peramalan didasarkan pada model matematis yang menggunakan data historis yang ada metode kualitatif yang dihasilkan dari pengalaman dan pertimbangan manajerial kombinasi keduanya

Peramalan dalam organisasi

Proses peramalan di seluruh organisasi meliputi lintas area fungsional Meramalkan seluruh permintaan biasanya berawal dari marketing  pelanggan internal di dalam organisasi bergantung pada ramalan untuk memformulasikan dan mengeksekusi rencana mereka

Manajer Operasi dan Rantai Pasok Peramalan memberikan masukan penting untuk rencana bisnis (business plan), rencana tahunan (annual plan), dan anggaran: perlu untuk memproyeksikan kebutuhan cash flow dan modal Keuangan (finance) perlu untuk mengantisipasi kebutuhan perekrutan dan pelatihan SDM (human resource) sumber penting untuk informasi peramalan sales karena dekat dengan pelanggan eksternal Marketing perlu untuk merencanakan level output, pemesanan layanan dan material, tenaga kerja serta jadwal, persediaan, dan kapasitas jangka panjang Manajer Operasi dan Rantai Pasok

Tools untuk membuat peramalan pertimbangan (judgment), opini dari orang berpengetahuan, pengalaman, regresi, teknik seri waktu (time-series) peramalan dapat ditingkatkan namun tetap saja peramalan tidak selalu sempurna

Pola permintaan

Seringkali pola lebih dapat diprediksi Meramalkan permintaan pelanggan sulit  permintaan untuk barang dan jasa dapat bervariasi Contoh: permintaan pupuk diramalkan meningkat di bulan saat musim tanam; namun permintaan juga dipengaruhi oleh faktor diluar kendali seperti cuaca Seringkali pola lebih dapat diprediksi Contoh: jam puncak dalam sehari di call center sebuah bank adalah antara jam 9:00 A.M. hingga 12:00 P.M., dan hari puncak dalam seminggu adalah hari Senin

Time series Ada 5 pola dasar untuk time series permintaan pengamatan berulang terhadap permintaan layanan dan produk berdasarkan urutan kejadian akan membentuk pola Time series Ada 5 pola dasar untuk time series permintaan Horizontal  perubahan data di sekitar rata-rata konstan Trend  peningkatan atau penurunan sistematis dalam series rata-rata sepanjang waktu Seasonal  pola berulang untuk kenaikan dan pengurangan pada permintaan, tergantung waktu harian, mingguan, bulanan, atau musiman Cyclical  peningkatan atau penurunan gradual pada permintan yang sulit diprediksi dalam jangka waktu panjang (tahunan atau dekade) Random  variasi permintan yang tidak dapat diramalkan

Keputusan kunci dalam peramalan Sebelum menggunakan teknik peramalan, seorang manajer harus membuat 2 keputusan: apa yang diramalkan, apa jenis teknik peramalan yang dipilih untuk item yang berbeda

1# Menentukan apa yang diramalkan Beberapa estimasi permintaan dibutuhkan untuk layanan atau produk individual yang dihasilkan perusahaan Peramalan total permintaan untuk kelompok atau klaster dan diturunkan ke layanan atau produk individual mungkin adalah yang termudah Pemilihan unit pengukuran yang tepat untuk peramalan juga sama pentingnya dengan pemilihan metode yang terbaik

2# Memilih jenis teknik peramalan Sistem peramalan menawarkan berbagai jenis teknik  tidak ada satu teknik yang terbaik untuk semua situasi dan item Tujuan peramalan  mengembangkan sebuah ramalan yang berguna dari informasi yang dimiliki dengan teknik yang tepat untuk pola permintaan yang berbeda Dua jenis umum teknik peramalan: Metode judgment, Metode kuantitatif

Metode Judgment Metode Kuantitatif  mengubah opini manajer, pakar, survei pelanggan, dan estimasi tenaga sales menjadi sebuah estimasi kuantitatif Metode Kuantitatif Causal method  menggunakan data historis pada variabel bebas, seperti promosi, kondisi ekonomi, tindakan pesaing, untuk memprediksi permintaan Time-series analysis  pendekatan statistik yang bergantung pada data permintaan historis untuk memproyeksikan ukuran permintaan masa depan serta mengenali trend dan pola seasonal Trend projection using regression  campuran antara teknik time-series dan causal method

Forecast Error Kesalahan peramalan selama periode waktu t  selisih antara forecast dengan permintaan aktual: dimana Et = forecast error untuk periode t Dt = actual demand untuk periode t Ft = forecast untuk periode t

Nilai cumulative sum of forecast errors (CFE)  mengukur total kesalahan peramalan: Nilai average forecast error, atau disebut mean bias, dinyatakan sebagai:

Nilai mean squared error (MSE), standar deviasi kesalahan (), dan mean absolute deviation (MAD)  mengukur penyebaran kesalahan peramalan yang diatibusikan untuk efek trend, seasonal, cyclical, atau random:

Nilai mean absolute percent error (MAPE)  menghubungkan kesalahan peramalan ke tingkat permintaan dan membantu untuk menempatkan kinerja peramalan secara layak sudut pandangnya:

Contoh #1 Bulan t Demand Dt Forecast Ft 1 200 225 2 240 220 3 300 285 4 270 290 5 230 250 6 260 7 210 8 275 Tabel berikut berisi penjualan aktual kursi goyang dan peramalan yang dibuat untuk 8 bulan terkahir Hitunglah CFE, MSE,, MAD, dan MAPE untuk produk ini

Pembahasan:

cumulative forecast errors CFE = -15 Berdasarkan tabel diperoleh: cumulative forecast errors CFE = -15 average forecast error  mean squared error  standard deviation of the errors  mean absolute deviation  mean absolute percent error 

CFE = -15 mengindikasikan bahwa forecast memiliki bias terhadap demand yang berlebihan (overestimate) Statistik MSE, , dan MAD memberikan pengukuran variasi dari forecast error: MAD = 24.4 berarti average forecast error adalah 24.4 unit dalam nilai absolut Nilai  = 27.4 mengindikasikan bahwa sampel distribusi forecast errors memiliki standar deviasi 27.4 unit MAPE = 10.2 persen berarti bahwa, secara rata-rata, forecast error adalah sekitar 10 persen dari permintaan aktual Hasil pengukuran akan semakin baik apabila periode pengambilan data bertambah

Metode peramalan

Metode Judgment Dalam beberapa kasus, metode judgment adalah cara paling praktis untuk membuat peramalan Namun di kasus lain metode ini dapat juga digunakan untuk memodifikasi peramalan yang dihasilkan dari metode kuantitatif 4 metode judgment yang berhasil adalah: salesforce estimates, executive opinion, market research, dan the delphi method

Metode Kuantitatif 1# Causal Method : regresi linier Causal method digunakan saat data historis tersedia dan hubungan antara faktor yang akan diramalkan serta faktor internal dan eksternal lainnya dapat diidentifikasikan Causal method  bagus untuk memprediksi titik balik dalam permintaan dan untuk mempersiapkan peramalan jangka panjang Hubungan ini dinyatakan dalam istilah matematika dan bisa jadi sangat rumit

Variabel terikat Variabel bebas Dalam regrasi linier, satu variabel terikat (dependent) berhubungan dengan satu atau lebih variabel bebas (independent) melalui sebuah persamaan linier satu hal yang ingin diramalkan, misal: permintaan untuk es krim Variabel terikat diasumsikan akan berpengaruh terhadap variabel terikat dan oleh karenanya “cause” hasil dapat diamati di masa lalu, misal: biaya iklan Variabel bebas

Dalam model regresi linier sederhana, variabel terikat adalah sebuah fungsi dari hanya satu variabel bebas dan hubungan teoritisnya adalah sebuah garis lurus: dimana: Y = variabel terikat X = variabel bebas a = Y@titik potong garis b = kemiringan garis

Metode Kuantitatif: 2# Time-Series Metode time-series menggunakan informasi historis mengenai variabel bebas saja Metode ini didasarkan pada asumsi bahwa pola masa lalu variabel bebas akan berlanjut di masa depan Analisis time-series mengidentifikasi pola permintaan yang digabungkan untuk menghasilkan sebuah pola historis variabel bebas dan kemudian mengembangkan model untuk mereplikasinya

Metode yang paling sering digunakan adalah naïve forecast  forecast untuk periode berikutnya (Ft+1) sama dengan permintaan untuk periode saat ini (Dt) Naïve Forecast Contoh: Bila permintaan aktual untuk hari Rabu adalah 35 pelanggan, maka forecast permintaan untuk hari Kamis adalah 35 pelanggan juga Bila permintaan minggu ini adalah 120 unit dan minggu sebelumnya adalah 108 unit, dimana permintaan meningkat 12 unit dalam 1 minggu, maka forecast untuk minggu depan akan menjadi 120 + 12 = 132 unit

Simple Moving Averages Metode simple moving average  menghitung rata-rata permintaan untuk n periode paling terkini dan menggunakannya untuk melakukan forecast periode masa datang Simple Moving Averages Di periode berikutnya, setelah permintaan diketahui, maka permintaan dari rata-rata sebelumnya digantikan dengan permintaan terbaru dan rata- ratanya dihitung kembali  sehingga n permintaan paling terkini akan selalu digunakan dan nilai rata-ratanya bergeser dari periode ke periode dimana Dt = actual demand untuk periode t n = jumlah total periode Ft+1 = forecast untuk periode t+1

Contoh #2 Minggu Kedatangan pelanggan 1 400 2 380 3 411 a) Berdasarkan tabel di atas, hitunglah moving average forecast per 3-mingguan untuk kedatangan pelanggan pada minggu ke-4 b) Bila jumlah aktual pelanggan datang di minggu ke-4 adalah 415, berapakah forecast error untuk minggu ke-4 c) Hitung forecast untuk minggu ke-5

Pembahasan: a) Moving average forecast di minggu ke-4 adalah b) Forecast error untuk minggu ke-4 adalah c) Forecast untuk minggu ke-5 menggunakan data aktual 3 minggu paling terkini, yaitu minggu ke-2 sampai ke-4,

Weighted Moving Averages setiap permintaan memiliki bobot yang sama = 1/n setiap permintaan memiliki bobot sendiri yang totalnya = 1.0 Weighted Moving Averages Contoh: Dalam periode 3-mingguan model weighted moving average, periode paling terkini memiliki bobot 0.50, periode sebelumnya 0.30, dan yang terakhir 0.20. Maka perhitungan rata-ratanya menjadi: .

Contoh #3 Minggu Kedatangan pelanggan 1 400 2 380 3 411 a) Berdasarkan tabel di atas, hitunglah weighted moving average forecast per 3-mingguan untuk kedatangan pelanggan pada minggu ke-4 b) Bila jumlah aktual pasien datang di minggu ke-4 adalah 415, berapakah forecast error untuk minggu ke-4 c) Hitung MAD untuk 3 minggu paling terkini

Exponential Smoothing Metode exponential smoothing adalah metode weighted moving average yang menghitung rata-rata time series dengan memberikan permintaan terkini bobot lebih dari permintaan sebelumnya Exponential Smoothing Exponential smoothing memerlukan 3 data: Forecast periode terakhir; Permintaan aktual periode saat ini; Smoothing parameter, alpha (), bernilai antara 0 dan 1.0 Rumus exponentially smoothed forecast untuk periode t +1

Contoh #4 Minggu Kedatangan pelanggan 1 400 2 380 3 411 a) Dengan  = 0.10, hitung exponential smoothing forecast untuk minggu ke-4 b) Hitung forecast error untuk minggu ke-4 bila aktual permintaan = 415 c) Hitung forecast untuk minggu ke-5

Pembahasan: a) Forecast awal = rata-rata 2 minggu awal = (400+380)/2 = 390 Moving average forecast di minggu ke-4 adalah F4 = (0,10 * 411) + (0,90 + 390) = 392,1 = 392 pasien b) Forecast error untuk minggu ke-4 adalah E4 = 415 – 392 = 23 c) Forecast untuk minggu ke-5 menggunakan data aktual 3 minggu paling terkini, yaitu minggu ke-2 sampai ke-4, F5 = (0,10 * 415) + (0,90 * 392,1) = 394,4 = 394 pasien

LATIHAN #8 PERAMALAN PERMINTAAN

Soal #1 Bulan t Demand Dt Forecast Ft 1 5 8 2 20 15 3 30 32 4 35 49 45 6 70 7 10 Total Tabel berikut berisi penjualan aktual permen gulali serta peramalan yang dibuat untuk 8 bulan terkahir. Hitunglah CFE, MSE,, MAD, dan MAPE untuk produk ini.

Soal #2 Berdasarkan tabel permintaan bulan Mei sampai Desember: a) Gunakan metode exponential smoothing untuk melakukan forecast jumlah unit bulan Juni hingga Januari (forecast bulan Mei adalah 105 unit dan  = 0.2) b) Hitung absolute percentage error untuk setiap bulan dari Juni hingga December c) Hitung MAD dan MAPE

Terima Kasih