PERENCANAAN PERMINTAAN DALAM Supply Chain

PERENCANAAN PERMINTAAN DALAM Supply Chain

Pendahuluan Permintaan adalah jumlah barang atau jasa yang ingin dan mampu dibeli oleh konsumen, pada berbagai tingkat harga, dan pada waktu tertentu. Perencanaan dan pengendalian aktifitas logistik memerlukan perkiraan yang akurat dari volume produk dan jasa yang ditangani dalam rantai persediaan. Perkiraan diwujudkan dalam peramalan/ forecasting

Definisi Peramalan Peramalan adalah prediksi, estimasi, proyeksi atau perkiraan akan suatu peristiwa yang tidak pasti di masa yang akan datang, didasarkan pada data historis, agar kesalahan yang mungkin terjadi dapat diperkecil.

Peran Peramalan dalam Supply Chain
Dasar untuk semua keputusan perencanaan dalam rantai pasokan Digunakan untuk proses push dan pull Penjadwalan produksi, persediaan Alokasi tenaga penjualan, promosi, pengenalan produk baru Investasi peralatan, perencanaan anggaran Perencanaan tenaga kerja, menambah karyawan, PHK Semua keputusan tersebut saling terkait

Karakteristik Forecasting
Hasil peramalan tidak selalu akurat, sehingga harus disertai dengan estimasi kesalahan Peramalan jangka panjang biasanya kurang akurat dibandingkan peramalan jangka pendek Secara umum, semakin panjang rantai pasokan, semakin besar distorsi informasi yang diterimanya

Faktor Yang Mempengaruhi Peramalan
Permintaan suatu produk sangat dipengaruhi oleh faktor lingkungan yang saling berinteraksi dalam pasar yang berada di luar kendali perusahaan. Faktor lingkungan yang mempengaruhi peramalan : Kondisi umum bisnis dan ekonomi Reaksi dan tindakan pesaing Tindakan pemerintah Kecenderungan pasar Siklus hidup produk Gaya dan mode Perubahan permintaan konsumen Inovasi teknologi

Peran TI dalam Peramalan
Modul peramalan/perkiraan adalah inti dari software Supply Chain Dapat digunakan untuk menentukan metode perkiraan terbaik bagi perusahaan dengan kategori produk dan pasar Membantu perusahaan merespon perubahan pasar dengan cepat Memfasilitasi kebutuhan perencanaan

Metode Peramalan Metode Kualitatif / Subyektif Metode Kuantitatif
Berhubungan dengan data-data kualitatif, misalnya tentang selera konsumen terhadap suatu produk, atau survey tentang loyalitas konsumen, dan lain-lain Metode Kuantitatif Menggunakan berbagai model matematis yang menggunakan data historis atau variabel kausal untuk memperkirakan permintaan.

Peramalan Kualitatif Metode kualitatif digunakan jika data historis atau variabel yang akan diramal tidak ada, tidak cukup, atau kurang dapat dipercaya. Metode ini juga disarankan jika lingkungan dan teknologi sedang atau diperkirakan akan mengalami perubahan drastis. Input utama metode ini adalah judgement, opini dan pengalaman. Karena alasan itu, metode ini juga dinamakan judgemental, subjective, intuitive, atau technological forecasting method.

Peramalan Kualitatif Terdapat 5 teknik peramalan kualitatif :
Opini dari Eksekutif dan Manajer Senior Riset Pasar Metode Delphi (ditentukan dalam suatu panel) Grass Roots (berdasarkan wilayah penjualan) Hystorical Analogy / Pendekataan Naif (berdasarkan permintaan periode sebelumnya)

Peramalan Kuantitatif
Secara garis besar dibagi menjadi dua kelompok : Metode Deret Berkala (Time Series) Model Kausal Teknik yang digunakan dalam peramalan kuantitatif: Rata-rata bergerak (Moving Average) Penghalusan Eksponensial (Exponential Smoothing) Proyeksi Trend (Trend Projection) Regresi Linier (Linear Regression)

Metode Time Series Memprediksi penjualan dengan asumsi bahwa masa depan adalah hasil dari fungsi dari masa lalu. Tiga kondisi yang harus dipenuhi, yaitu: Tersedia informasi tentang masa lalu Informasi dapat dikuantitatifkan dalam bentuk data numerik Diasumsikan pola masa lalu akan terus berlanjut.

Time Series memiliki 4 komponen: Kecenderungan/Trend (T) Gerakan ekonomi dengan kecenderungan yang sifatnya jangka panjang, yang berhubungan dengan serangkaian karakteristik ekonomi

Time Series..... Musiman/Seasonal (S) Kegiatan yang memiliki pola yang sama yang terjadi pada bulan- bulan tertentu yang dipengaruhi oleh budaya masyarakat

Time Series..... Siklus/Cyclical (C) Rangkaian perekonomian dalam jangka panjang yang sangat dipengaruhi oleh siklus usaha yang kegiatannya seringkali naik turun.

Time Series..... Variasi Acak/Random (R) Pola yang tidak beraturan yang dipengaruhi oleh perubahan mendadak dan sulit diprediksi.

Metode Moving Averages
Metode Moving Average biasa digunakan untuk melakukan forecast hal-hal yang bersifat random, artinya tidak ada gejala trend naik maupun turun, musiman dan sebagainya, melainkan sulit diketahui polanya. Terdapat 2 pendekatan moving average: Single Moving Average (rata-rata bergerak sederhana) Weighted Moving Average (rata-rata bergerak tertimbang)

Simple Moving Averages
Metode Simple Moving Averages mempunyai 2 sifat khusus: Untuk membuat forecast diperlukan data masa lalu selama jangka waktu tertentu. Semakin panjang moving averages, maka akan menghasilkan moving averages yang semakin halus.

Metode rata-rata bergerak sederhana memprediksi dengan cara mencari rata-rata dari data n periode sebelumnya. Sehingga: St+1 = Forecast untuk periode ke t+1 Xt = Data periode t n = Jangka waktu moving averages.

Misal: Untuk mendapatkan angka perkiraan dengan menggunakan metode rata-rata bergerak 3 bulan , maka perkiraan data berikutnya sebesar rata-rata 3 bulan sebelumnya. Untuk mendapatkan angka perkiraan dengan menggunakan metode rata-rata bergerak 5 bulan , maka perkiraan data berikutnya sebesar rata-rata 5 bulan sebelumnya.

Contoh: Peramalan penjualan bulan April dengan metode peramalan rata-rata bergerak 3 bulan adalah: Penjualan Januari : kg Februari : kg Maret : kg April : ?

Weighted Moving Averages
Metode rata-rata bergerak tertimbang memprediksi dengan cara memberikan bobot kepada data n periode sebelumnya, kemudian membaginya dengan jumlah bobot. Bobot terbesar diberikan ke data 1 (satu) periode sebelumnya

Misal: Untuk mendapatkan angka perkiraan dengan menggunakan metode rata-rata bergerak tertimbang n bulan, maka perkiraan data berikutnya adalah: WMA = ∑ (bobot untuk periode n) * (permintaan dalam periode n) ∑ bobot

Cara memberikan bobot: Misal terdapat data permintaan seperti dalam tabel, untuk prediksi permintaan pada bulan Mei, maka pembobotannya adalah sebagai berikut : Sehingga: Bulan Permintaan Bobot Periode Januari 20 Pebruari 24 1 3 bln lalu Maret 21 2 2 bln lalu April 19 3 bln lalu Mei ? Perkiraan bl Mei = (3 x 19) + (2 x 21) + (1 x 24) = 20,5

Akurasi Peramalan Pengukuran akurasi peramalan dapat dilakukan dengan beberapa cara, antara lain : MAE (Mean Absolute Error) = Rata-rata Kesalahan Absolut MSE (Mean Square Error) = Rata-Rata Kuadrat Kesalahan MAD (Mean Absolute Deviation) = Rata-rata Deviasi Mutlak MFE (Mean Forecast Error) = Rata-Rata Kesalahan Peramalan MAPE (Mean Absolute Percentage Error) = Rata-Rata Persentase Kesalahan Absolut

Akurasi Peramalan MAE (Mean Absolute Error)
Mean Absolute Error (MAE) adalah rata-rata absolute dari kesalahan meramal, tanpa menghiraukan tanda positif atau negatif. E = kesalahan Xt = data aktual St = data hasil peramalan n = jumlah periode

Akurasi Peramalan MSE (Mean Square Error)
MSE dihitung dengan menjumlahkan kuadrat semua kesalahan peramalan pada setiap periode dan membaginya dengan jumlah periode peramalan. Rumus matematisnya adalah : E = kesalahan Xt = data aktual St = data hasil peramalan n = jumlah periode

Contoh Soal Simple Moving Averages
Sebuah perusahaan memiliki data permintaan selama tahun 2014 seperti disajikan pada tabel. Hitung berapa kira-kira permintaan pada bulan Januari 2015, dan berapa perkiraan kesalahan akurasinya apabila menggunakan metode rata-rata bergerak 3 bulan dan rata-rata bergerak 5 bulan ? Tahun 2014 Permintaan Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember 20 21 19 17 22 24 18 23 25

Jawaban rata2 bergerak 3 bulan (1)
Mencari forecast untuk rata-rata bergerak 3 bulan. Hasilnya sbb  Tahun 2014 Permintaan Forecast 3 bulan Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember 20 21 19 17 22 24 18 23 25 - 20.00 19.00 19.33 21.00 21.33 21.67 20.33 22.67 22.33

Mencari Mean Absolute Error & Mean Square Error untuk rata-rata bergerak 3 bulan, dengan cara sbb: Tahun 2014 Permintaan Forecast Error Absolut Error Error 2 Januari 20 - Februari 21 Maret 19 April 17 20,00 -3,00 3,00 9,00 Mei 22 19,00 Juni 24 19,33 4,67 21,78 Juli 18 21,00 Agustus 23 21,33 1,67 2,78 September 21,67 -1,67 Oktober 25 20,33 November 22,67 -0,67 0,67 0,44 Desember 22,33 Jumlah : 24,00 79,33

Mean Absolute Error  Mean Squared Error 

Prediksi permintaan pada bulan Januari 2015 dengan metode rata-rata bergerak 3 bulan adalah: Dengan MAE sebesar 2,67 dan MSE sebesar 8,81 Mean Squared Error 

Mencari forecast untuk rata-rata bergerak 5 bulan. Hasilnya sbb  Tahun 2014 Permintaan Forecast 5 bulan Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember 20 21 19 17 22 24 18 23 25 - 19.80 20.60 20.00 20.80 21.40 22.00 21.60

Mencari Mean Absolute Error & Mean Square Error untuk rata-rata bergerak 5 bulan, dengan cara sbb: Tahun 2014 Permintaan Forecast Error Absolut Error Error 2 Januari 20 - Februari 21 Maret 19 April 17 Mei 22 Juni 24 19,80 4,20 17,64 Juli 18 20,60 -2,60 2,60 6,76 Agustus 23 20,00 3,00 9,00 September 20,80 -0,80 0,80 0,64 Oktober 25 21,40 3,60 12,96 November 22,00 0,00 Desember 21,60 2,40 5,76 Jumlah : 16,60 52,76

Mean Absolute Error  Mean Squared Error 

Prediksi permintaan pada bulan Januari 2015 dengan metode rata-rata bergerak 5 bulan adalah: Dengan MAE sebesar 2,37 dan MSE sebesar 7,54 Mean Squared Error 

Kesimpulan Jadi, prediksi permintaan pada bulan Januari 2015 adalah:
Metode MA Hasil Prediksi MAE MSE Rata2 bergerak 3 bln 23,67 2,67 8,81 Rata2 bergerak 5 bln 22,8 2,37 7,54

Contoh Soal Weighted Moving Averages
Dengan data yang sama dengan soal sebelumnya, hitung berapa kira-kira permintaan pada bulan Januari 2015, dan berapa perkiraan kesalahan akurasinya apabila menggunakan metode rata-rata bergerak tertimbang 3 bulan dan rata-rata bergerak tertimbang 5 bulan ? Tahun 2014 Permintaan Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember 20 21 19 17 22 24 18 23 25

Jawaban rata2 bergerak tertimbang 3 & 5 bulan (1)
Tahun 2014 Permintaan Forecast 3 bln Error Absolut Error Error 2 Forecast 5 bln Januari 20 - Februari 21 Maret 19 April 17 19,83 -2,83 2,83 8,03 Mei 22 18,33 3,67 13,44 Juni 24 4,17 17,36 19,80 4,20 17,64 Juli 18 22,17 -4,17 21,20 -3,20 3,20 10,24 Agustus 23 20,67 2,33 5,44 20,33 2,67 7,11 September 21,50 -1,50 1,50 2,25 21,33 -1,33 1,33 1,78 Oktober 25 4,33 18,78 21,07 3,93 15,47 November 23,00 -1,00 1,00 22,27 -0,27 0,27 0,07 Desember 22,67 1,73 3,00 Jumlah : 25,33 85,44 17,33 55,32

Jawaban rata2 bergerak tertimbang 3 & 5 bulan (2)
MAE & MSE untuk rata-rata bergerak tertimbang 3 dan 5 bulan adalah :

Prediksi permintaan pada bulan Januari 2015 dengan metode rata-rata bergerak tertimbang 3 bulan adalah: Dengan MAE sebesar 2,81 dan MSE sebesar 9,49 Mean Squared Error 

Prediksi permintaan pada bulan Januari 2015 dengan metode rata-rata bergerak tertimbang 5 bulan adalah: Dengan MAE sebesar 2,48 dan MSE sebesar 7,90 Mean Squared Error 

Kesimpulan Jadi, prediksi permintaan pada bulan Januari 2015 adalah:
Metode MA Hasil Prediksi MAE MSE Rata2 bergerak tertimbang 3 bln 23,50 2,81 9,49 Rata2 bergerak tertimbang 5 bln 23,07 2,48 7,90

Membandingkan Metode Perbandingan error antara 3 bulan dan 5 bulan moving average : Berdasarkan perbandingan tersebut, moving average dengan jangka waktu lebih lama, penyimpangan pada hasil peramalannya akan lebih kecil. Metode MA Hasil Prediksi MAE MSE Rata2 bergerak 3 bln 23,67 2,67 8,81 Rata2 bergerak 5 bln 22,8 2,37 7,54 Rata2 bergerak tertimbang 3 bln 23,50 2,81 9,49 Rata2 bergerak tertimbang 5 bln 23,07 2,48 7,90

Kelemahan Moving Averages
Rata-rata bergerak sederhana dan tertimbang efektif dalam menghaluskan fluktuasi pada permintaan yang tak terduga guna menghasilkan estimasi yang stabil. Kelemahan teknik rata-rata bergerak: Meningkatkan ukuran n (jml periode yang dirata-ratakan) bisa menghaluskan fluktuasi dengan lebih baik, tetapi kurang sensitif untuk perubahan nyata dalam data Karena merupakan rata-rata, maka akan selalu berada dalam tingkat masa lalu dan tidak akan memprediksi perubahan ke tingkat yang lebih tinggi atau lebih rendah.

LATIHAN SOAL Sebuah perusahaan elektronik PT. ‘X’ memutuskan untuk meramal penjualannya dengan pemberian timbangan pada empat tahun sebelumnya. Perusahaan juga menghendaki kira-kira berapa tingkat kesalahan dari hasil peramalan tersebut. Data yang dimiliki adalah data penjualan dari sebelas tahun terakhir sebagai berikut: Tahun Penjualan (jutaan Rp) 1994 500 1995 365 1996 430 1997 445 1998 389 1999 381 2000 326 2001 387 2002 417 2003 411 2004 338

Tahun Penjualan (jutaan Rp) S X-S |X-S| |X-S|^2
1994 500 1995 365 1996 430 1997 445 1998 389 430,00 (41,00) 41,00 1.681,00 1999 381 411,60 (30,60) 30,60 936,36 2000 326 401,10 (75,10) 75,10 5.640,01 2001 387 367,00 20,00 400,00 2002 417 367,70 49,30 2.430,49 2003 411 386,20 24,80 615,04 2004 338 399,50 (61,50) 61,50 3.782,25 302,30 15.485,15 S 380,60 MSE 2.212,16 MAE 43,19

PERENCANAAN PERMINTAAN DALAM Supply Chain

Presentasi serupa

Presentasi berjudul: "PERENCANAAN PERMINTAAN DALAM Supply Chain"— Transcript presentasi:

Presentasi serupa

Tentang proyek

Tanggapan

Masuk

Otorisasi melalui jaringan sosial:

PERENCANAAN PERMINTAAN DALAM Supply Chain

Presentasi serupa

Presentasi berjudul: "PERENCANAAN PERMINTAAN DALAM Supply Chain"— Transcript presentasi:

Presentasi serupa

Tentang proyek

Tanggapan