MANAJEMEN OPERASI FORECASTING

PENGERTIAN Peramalan adalah suatu alat bantu yang penting untuk melakukan suatu perencanaan yang efektif dan efisien, seperti peramalan terhadap tingkat permintaan suatu produk atau beberapa produk dalam periode waktu tertentu di masa yang akan datang (Biegel).

TUJUAN Menganalisa data masa lalu, yang berguna untuk menentukan karakteristik data yang akan terjadi di masa yang akan datang, yang ditunjukan dengan terbentuknya pola dari data tersebut. Selain itu juga untuk menetapkan kapan suatu peristiwa akan terjadi atau timbul, sehingga tindakan yang tepat dapat dilakukan. (Makridakis, Wheelwright, McGee, 1993).

JENIS PERAMALAN BERDASARKAN SIFAT Peramalan Kualitatif - Metoda Eksploratoris - Metoda Normatif Peramalan Kuantitatif - Metoda Time Series - Metoda Causal (Eksplanatoris)

TIME SERIES Simple Average Moving Average Weighted Moving Average Exponential Smoothing Regresi Linier Causal

Simple Average

Contoh Simple Average Bulan Demand Forecast 1 20 - 2 21 20,0 3 19 20,5 4 17 5 22 19,3 6 24 19,8 7 18 8 20,1 9 20,3 10 23 20,2 11 12 20,6 13  

Single Moving Average

Contoh Single Moving Average Bulan Demand Forecast (3 Bulan Moving) 1 20 - 2 21 3 19 4 17 20,0 5 22 19,0 6 24 19,3 7 18 21,0 8 21,3 9 10 23 19,7 11 12 21,7 13  

Weighted Moving Average Periode Demand Bobot D x B 5 70 0,2 14 6 50 0,3 15 7 0,5 25 8   54

Exponential Smoothing Ft = α Dt-1 + (1 – α)Ft-1 Dimana : Ft = Hasil Peramalan α = Konstanta pemulusan yang besarnya 0 – 1 Dt = Demand Aktual Ft = Hasil Peramalan Sebelumnya

Contoh Exponential Smoothing α = 0,6 Periode Demand Forecast 1 24 - 2 23 20,0 3 25 21,8 4 20 23,7 5 18 21,5 6   19,4

Latihan Permintaan Mingguan dari chicken wings untuk salah satu rumah makan dalam 6 minggu terakhir adalah : 650, 521, 563, 735, 514, dan 596. a). Ramalkan Permintaan pada minggu ke-7 menggunakan 5 periode Moving Average. b). Ramalkan permintaan pada minggu ke-7 menggunakan 3 periode weighted MA, gunakan bobot berikut untuk melakukan peramalannya : W1 = 0,2 w2 = 0,3 w3 = 0,5 c). Ramalkan permintaan untuk minggu ke-7 menggunakan exponential smoothing, dengan α = 0,1 dan diasumsikan hasil ramalan untuk periode ke-6 adalah 600 unit.

Regresi Linier

Contoh Regresi Linier

Contoh Regresi Linier Periode (X) Demand (Y) XY X2 Ramalan 1 1800 1785,538 2 1740 3480 4 1766,713 3 1768 5304 9 1747,888 1705 6820 16 1729,063 5 1731 8655 25 1710,238 6 1666 9996 36 1691,413 7 1713 11991 49 1672,587 8 1614 12912 64 1653,762 14994 81 1634,937 10 1594 15940 100 1616,112 11 1632 17952 121 1597,287 12 1555 18660 144 1578,462 ∑ = 78 ∑ = 20184 ∑ = 128504 ∑ = 650  

Metoda Causal Persamaan Regresi : Y = a + bx ∑Y = n.a + b. ∑x ∑XY = a. ∑x + b. ∑X

Contoh Metode Causal Periode Produksi (Y) Demand (X) XY X^2 1 3 2 6 4 3,5 2,4 8,4 5,76 4,1 2,8 11,48 7,84 4,4 13,2 9 5 3,2 16 10,24 5,7 3,6 20,52 12,96 7 6,4 3,8 24,32 14,44 8 28 Total 39,1 24,8 127,92 80,24

Lanjutan Contoh Causal

Menghitung Forecast Error Periode Demand 3 Periode Moving Average Forecast Error Absolute Error Error ^ 2 1 20 - 2 21 3 19 4 17 -3 9 5 22 6 24 19,3 4,7 22,09 7 18 8 21,3 -0,3 0,3 0,09 -1 10 23 19,7 3,3 10,89 11 0,7 0,49   Jumlah 4,4 61,56 Rata-rata 0,55 2,38 7,70

Menghitung Forecast Error Periode Demand 5 Periode Moving Average Forecast Error Absolute Error Error ^ 2 1 20 - 2 21 3 19 4 17 5 22 6 24 19,8 4,2 17,64 7 18 20,6 -2,6 2,6 6,76 8 9 20,4 -0,4 0,4 0,16 10 23 11 21,2 0,8 0,64   Jumlah 30,2 Rata-rata 0,83333 1,83 5,03

Menghitung Forecast Error 3 Periode Moving Average 5 Periode Moving Average Mean Absolute Error 2,38 1,83 Mean Square Error 7,7 5,03 Pilih Yang Errornya Lebih Kecil