Peramalan (forecasting) Perancangan Sistem Produksi Widjajani Risris Nurjaman.

Presentasi berjudul: "Peramalan (forecasting) Perancangan Sistem Produksi Widjajani Risris Nurjaman."— Transcript presentasi:

1 Peramalan (forecasting) Perancangan Sistem Produksi Widjajani Risris Nurjaman

2 Peramalan Peramalan suatu hal yang diperkirakan akan terjadi di masa depan Peramalan merupakan dasar bagi perencanaan (jangka pendek, jangka panjang), misalnya: perencanaan anggaran, perencanaan penjualan, perencanaan kapasitas, perencanaan produksi dsb. Peramalan yang sempurna (tepat sesuai dengan yang akan terjadi) seringkali tidak mungkin karena banyaknya faktor-faktor yang tidak pasti yang mempengaruhi terjadinya kejadian di masa depan Untuk dapat memperoleh hasil ramalan yang terbaik maka cara yang terbaik ialah memilih metoda peramalan yang paling sesuai dan melakukan peninjauan kembali secara kontinyu terhadap peramalan yang telah dilakukan

3 Manajemen Permintaan (demand management) Peramalan digunakan untuk melakukan manajemen permintaan Tujuan dari manajemen permintaan ialah mengkoordinasikan dan mengendalikan semua sumber daya dari permintaan sedemikian sehingga sistem produksi dapat digunakan secara efisien dan produk dapat diselesaikan tepat waktu Permintaan (demand): Dependent demand: permintaan suatu produk tergantung dari permintaan produk lain, misalnya permintaan roda sepeda tergantung dari permintaan sepeda →tidak dilakukan peramalan Independent demand: permintaan suatu produk tidak tergantung permintaan produk lain, misalnya permintaan sepeda→dilakukan peramalan Hal-hal yang dapat dilakukan oleh perusahaan dalam mengelola independent demand: Melakukan peran aktif, yaitu melakukan tindakan-tindakan yang dapat mempengaruhi permintaan misalnya memberikan diskon, mengaktifkan petugas penjualan, meningkatkan promosi, dsb. Melakukan peran pasif, yaitu merespon terhadap permintaan

4 Kuantitatif

5 Tipe peramalan Peramalan kualitatif: bersifat subjektif dan berdasarkan estimasi atau pendapat Peramalan dengan analisis data (time series analysis): berdasarkan prinsip bahwa data masa lalu dapat digunakan untuk memprediksi permintaan masa depan (pola data masa lalu akan berlanjut di masa depan) Peramalan dengan hubungan kausal (causal relationship): berdasarkan asumsi bahwa permintaan berhubungan dengan beberapa faktor yang terdapat di lingkungan yang dapat diidentifikasikan Peramalan dengan simulasi: berdasarkan model yang dapat disimulasikan dengan menggunakan sejumlah asumsi (range of assumptions) mengenai kondisi dari peramalan

6 Peramalan Kualitatif Grass root: menurunkan peramalan dengan mengumpulkan masukan dari orang-orang yang berada pada hirarki terendah (grass root), misalnya peramalan penjualan diperoleh dari masukan dari setiap petugas penjualan dari setiap daerah Market research: mengumpulkan dari dengan berbagai cara (survey, wawancara dsb.) untuk menguji hipotesa mengenai pasar (biasanya untuk penjualan jangka panjang atau produk baru) Panel consensus: melakukan pertemuan oleh pihak-pihak yang berkepentingan (misalnya eksekutif, tenaga penjual, konsumen) dan tukar pendapat secara bebas Historical analogy: mengaitkan produk yang akan diramalkan dengan produk yang hampir sama. Biasanya dilakukan untuk merencanakan produk baru, peramalan dilakukan dengan melihat sejarah produk yang hampir sama Delphi method: sekelompok ahli yang merespon terhadap kuesioner, dan seorang moderator kemudian mengumpulkan dan memformulasikan hasilnya dan kemudian membentuk pertanyaan baru yang dibagikan kembali untuk direspon oleh para ahli tersebut. Informasi baru yang terkandung dalam kuesioner yang baru memberikan proses belajar bagi kelompok sehingga diharapkan didapatkan hasil yang baik.

7 Time series analysis Simple moving average Weighted moving average Exponential smoothing Exponential smoothing with trend Linear regression analysis Decomposition

8 Causal Regression analysis Econometric models Input/output models Leading indicators

9 Proses peramalan

10 Tentukan Tujuan Identifikasi Data Data 1 jenis? Agregasi Data Buat Pola Data Error Peramalan Verifikasi Tidak Ya Lakukan Peramalan Pilih min 3 Metode Terkendali ? Tidak Ya Implementasi

11 Teknik Persentase

12 Komponen pola permintaan Untuk suatu perioda tertentu, pola permintaan terdiri dari komponen-komponen: Rata-rata permintaan (average demand) Kecenderungan (trend) Elemen musiman (seasonal element) Elemen siklikal (cyclical element) Variasi random (random variation) Korelasi setiap titik dengan data masa lalunya (autocorrelation)

13 Komponen pola permintaan

14 Time series with trend

15 Kecenderungan (trend)

16 Time series with seasonality

17 Time series with random fluctuation

18 Permintaan dengan fluktuasi random

19 Variabilitas dari time series

20 Time series analysis

21 Simple Moving Average Permintaan tidak secara cepat naik atau turun Pola permintaan tidak mempunyai karakteristik musiman (seasonal) Prinsipnya dilakukan penghalusan data dengan merata-ratakan Permasalahan utama ialah menentukan panjang perioda penghalusan yang terbaik. Perioda penghalusan makin panjang maka makin besar elemen random yang dihaluskan. Jika ada trend pada data, baik meningkat maupun menurun, moving average mempunyai karakteristik keterlambatan yang berkebalikan

22 Metoda Peramalan Simple Moving Average Rumus: F t = peramalan untuk perioda berikutnya n = jumlah perioda yang akan dirata-ratakan A t-1 = data aktual pada perioda yang lalu A t-2, A t-3, dan A t-n = data aktual dua perioda yang lalu, tiga perioda yang lalu dan seterusnya hingga n perioda yang lalu

23 Contoh peramalan dengan simple moving average

24 Peramalan simple moving average dan permintaan aktual

25 Metoda Peramalan Weighted Moving Average Rumus: w 1 = bobot untuk data aktual perioda t-1 w 2 = bobot untuk data aktual perioda t-2 w n = bobot untuk data aktual perioda t-n n = jumlah perioda pada peramalan Σw i = 1

26 Contoh peramalan dengan weighted moving average Sebuah toko serba ada, dari pengalaman masa lalu dapat menyimpulkan bahwa dalam perioda 4 bulan, peramalan terbaik diturunkan dengan menggunakan 40% dari penjualan aktual bulan sebelumnya, 30% dari dua bulan sebelumnya, 20% dari tiga bulan sebelumnya dan 10% dari empat bulan sebelumnya. Penjualan aktual ialah: F 5 = 0.40(95) + 0.30(105) + 0.20(90) + 0.10(100) = 38 + 31.5 + 18 + 10 = 97.5

27 Memilih bobot Pengalaman dan cara coba-coba merupakan cara yang terbaik untuk menentukan bobot Waktu yang terdekat dengan saat ini merupakan indikator yang paling penting untuk masa yang akan datang, oleh karena itu sebaiknya mempunyai bobot yang lebih tinggi

28 Metoda Peramalan Exponential Smoothing Tidak membutuhkan banyak data, hanya tiga data yang diperlukan yaitu: Peramalan yang paling terbaru Permintaan aktual yang terjadi Konstanta pemulusan (smoothing constant): α Rumus:

29 Contoh Peramalan dengan Exponential Smoothing Produk yang akan diramalkan relatif stabil dan mempunyai konstanta pemulusan α=0.05. Peramalan bulan lalu 1050 unit dan permintaan aktual 1000. Peramalan bulan ini: F t = 1050 + 0.05(1000-1050) = 1050 + 0.05(-50) = 1047.5 unit

30 Konstanta pemulusan α Nilai α merupakan nilai diantara 0 dan 1 Makin besar nilai α maka makin dekat nilai peramalan terhadap nilai aktual perioda sebelumnya Pengaruh trend menyebabkan peramalan selalu tertinggal (di atas atau di bawah nilai aktualnya)

31 Exponential smoothing with trend Disamping konstanta pemulusan alpha (α) persamaan trend juga menggunakan konstanta pemulusan delta (δ) Rumus:

32 Contoh peramalan dengan Exponential smoothing with trend Nilai peramalan untuk awal perioda t adalah 100 unit, kecenderungan 10 unit, α=0.20; δ=0.30. Permintaan aktual untuk periode t tersebut ternyata 115. Hitung peramalan untuk perioda selanjutnya. Jika kemudian nilai aktualnya menjadi 120 maka peramalan untuk bulan selanjutnya akan berlanjut menjadi

33 Memilih konstanta pemulusan α Jika permintaan aktual stabil (misalnya produk fungsional seperti makanan, produk elektronik standar) akan lebih sesuai jika digunakan nilai α kecil untuk mengurangi pengaruh fluktuasi random Jika permintaan aktual meningkat atau menurun secara cepat (misalnya produk inovatif seperti produk fashion, peralatan- peralatan yang dibeli tidak semata-mata karena fungsinya), akan lebih sesuai jika digunakan nilai α yang besar agar dapat mengikuti perubahan secara cepat Untuk mengendalikan nilai α dapat dilakukan dengan: Mengunakan beberapa nilai α dengan cara menghitung kesalahan (error) antara nilai peramalan dan nilai aktual. Jika error besar maka dapat digunakan nilai α=0.8 dan jika error kecil maka dapat digunakan nilai α=0.2 Nilai α dihitung dengan menghitung tracking signal (error aktual dibagi dengan error absolut)

34 Kesalahan peramalan (forecast error) Kesalahan peramalan merupakan perbedaan antara nilai peramalan dengan nilai aktual Kesalahan peramalan terdiri dari: Bias error: kesalahan konsisten yang terjadi, disebabkan karena kesalahan peramalan, misalnya tidak mengikutsertakan variabel-variabel yang tepat, menggunakan hubungan antar variabel yang salah, menggunakan garis trend yang salah dsb. Random error: kesalahan yang tidak dapat dijelaskan oleh model peramalan yang digunakan

35 Mengukur kesalahan peramalan Mean Absolute Deviation (MAD): mengukur perbedaan antara permintaan aktual dengan peramalan tanpa memperhatikan tanda perbedaannya (lebih kecil atau lebih besar) Jika kesalahan peramalan tersebut berdistribusi normal (kasus yang umum terjadi), hubungan antara MAD dan standar deviasi:

36 Mean Absolute Deviation (MAD)

37 Mean square error (MSE)

38 Mean forecast error (MFE): rata-rata error

39 Mengukur kesalahan peramalan Tracking signal: ukuran yang mengindikasikan apakah rata-rata peramalan mengikuti perubahan menaik atau menurun pada permintaan. Tracking signal merupakan angka dari MAD dimana nilai peramalan berada di atas atau di bawah nilai aktualnya. Rumus tracking signal: RSFE: Running Sum of Forecast Error yang menggambarkan kesalahan yang sebenarnya (misalnya kesalahan negatif akan meniadakan kesalahan positif dan sebaliknya) MAD: menggambarkan rata-rata dari semua kesalahan peramalan tanpa memperhatikan apakah deviasi yang terjadi positif atau negatif atau rata-rata dari deviasi absolut

40 Running sum of forecast error (RSFE)

41 Contoh perhitungan