Modul Forecasting

1

MANAJEMEN OPERASIONAL FORECASTING

MODUL : 3&4

OLEH : Hesti Hesti Maheswari SE., MSi

PROGRAM KELAS KARYAWAN FAKULTAS EKONOMI UNIVERSITAS MERCU BUANA JAKARTA 2008

Pusat Pengembangan Bahan Ajar - UMB

Hesti Maheswari SE., M.Si MANAJEMEN OPERASIONAL

2

PERAMALAN (FORECASTING)

Forecasting adalah seni dan ilmu memprediksi peristiwa-peristiwa masa

depan.

Peramalan

memerlukan

pengambilan

memproyeksikannya ke masa depan matematis.

data

historis

dan

dengan beberapa bentuk model

Bisa berupa prediksi subjektif atau intuitif disesuaikan dengan

penilaian yang baik oleh manajer.

Peramalan

dikalompokkan

menurut

horison

waktu

masa

dpan

yang

mendasarinya menjadi tiga kategori, yaitu : 1.

Peramalan jangka pendek ; Rentang waktunya mencapai satu tahun tetapi

umumnya kurang dari tiga bulan.

Peramalan jangka pendek digunakan

untuk merencanakan pembelian, penjadwalan kerja, jumlah tenaga kerja, penugasan, dan tingkat produksi. 2.

Peramalan jangka menengah; Permalan jangka menengah biasanya

berjangka tiga bulan hingga tiga tahun. Peramalan ini sangat bermanfaat dalam perencanaan penjualan, perencanaan dan pengaggaran produksi, penggaran kas, dan menganalisis berbagai rencana operasi. 3.

Peramalan jangka panjang ; Rentang waktunya tiga tahun atau lebih;

digunakan dalam merencanakan produk baru, pengeluaran modal, lokasi fasilitas, atau ekspansi dan penelitian serta pengembangan.

Peramalan jangka menengah dan jangka panjang mempunyai tiga ciri yang membedakan keduanya dari peramalan jangka pendek. Peramalan jangka menengah dan jangka panjang berhubungan dengan isu-isu yang lebih kompetitif

dan

mendukung

keputusan

manajemen

berkaitan

dengan

perencanaan dan produk, pabrik dan proses. Menerapkan beberapa keputusan fasilitas, seperti membuka pabrik.

Sedangkan peramalan jangka pendek

biasanya menggunakan metodologi yang berbeda dari pada peramalan yang lebih panjang waktunya.

Tekinik-teknik matematis seperti metode rata-rata

bergerak, exponential smoothing dan eksplorasi trend adalah biasa untuk proyeksi jangka pendek. Metode-metode kualitatif yang agak luas bermanfaat dalam memprediksi seperti apa produk baru.

Peramalan jangka pendek

cenderung lebih akurat dari peramalan jangka panjang.


Dengan demikian


3

ramalan penjualan perlu diperbaharui secara teratur untuk mempertahankan nilainya. Setelah ramalan penjualan berlalu ramalan harus dikaji kembali dan diperbaiki.

JENIS-JENIS PERAMALAN Organisasi menggunakan tiga jenis peramalan ketika merencanakan masa depan operasinya. Dua yang pertama, peramalan ekonomi dan teknologi, adalah teknik-teknik khusus yang mungkin berada di luar peran manajer operasi.

Peran manajer operasi dalam permalan adalah permalan permintaan.

1. Ramalan Ekonomi, membahas siklus bisnis dengan memprediksi tingkat inflasi, suplai uang, dan indikator-indikator perencanaan lainnya. 2. Ramalan teknologi, berkaitan dengan tingkat kemajuan teknologi yang akan melahirkan produk-produk baru yang mengesankan, membutuhkan pabrik dan peralatan baru. 3. Ramalan

permintaan,

perusahaan.

proyeksi

permintaan

untuk

produk

atau

jasa

Ramalan ini disebut juga ramlan penjualan, mengarahkan

produksi, kapasitas, dan sistem penjadwalan perusahaan dan bertindak sebagai masukan untuk perencanaan keuangan, pemasaran, dan personalia.

Ramalan yang baik sangat penting dalam seluruh aspek bisnis; ramalan hanyalah estimasi permintaan produk sampai permintaan aktual diketahui. Ramalan permintaan mengarahkan keputusan di dalam banyak bidang. Ramalan produk berpengaruh terhadap tiga fungsi yaitu : a. Sumber daya manusia, Mempekerjakan, melatih dan memberhentikan para pekerja tergantung pada permintaan produk yang diantisipasi. b. Kapasitas, Bila kapasitas tidak tepat, akan muncul masalah-masalah seperti pengiriman yang tidak terjain, kehilangan pelanggan dan kehilangan pangsa pasar. c.

Manajemen rantai-suplai, Hubungan dengan pemasok yang baik dan keunggulan kerja yang terjamin untuk bahan baku dan suku cadang tergantung pada ramalan yang akurat.



4

PENDEKATAN PERAMALAN Terdapat dua pendekatan umum yang akan kita gunakan dalam peramalan; Peramalan kualitatif dan Peramalan kuantitatif. Peramalan

kualitatif

memanfaatkan

faktor-faktor

penting

seperti

pengalaman pribadi, dan sistem nilai pengambilan keputusan. peramalan

kuantitatif

menggunakan

data

menggunakan historis

dan

berbagai atau

model

Sedangkan

matematis

variabel-variabel

intuisi,

kausal

yang untuk

meramalakan.

Dalam prakteknya kombinasi atau campuran dari kedua jenis peramalan ini biasanya lebih efektif.

METODE KUALITATIF 1. Juri dari opini eksekutif Metode ini mengambil opini dari sekelompok kecil manajer tingkat tinggi, seringkali dikombinasikan dengan model-model statistik dan menghasilkan estimasi permintaan kelompok. 2. Gabungan pendapat armada penjualan Dalam pendekatan ini, setiap wiraniaga mengestimasi jumlah penjualan di wilayahnya,

ramalan

ini

kemudian

dikaji

ulang

untuk

meyakinkan

kerealistisannya, lalu dikombinasikan pada tingkat atas untuk mencapai ramalan secara menyeluruh. 3. Metode Delphi Beberapa ahli yang tinggal di beberapa tempat untuk membuat peramalan. 4. Survei pasar konsumen Metode memperbesar masukan dari pelanggan atau calon pelanggan tanpa melihat rencana pembelian masa depannya. Metode ini bisa membantu tidak hanya dalam menyiapkan ramalan tetapi juga dalam memperbaiki disain produk baru. 5. Pendekatan naif Cara sederhana untuk peramalan ini mengasumsikan bahwa permintaan dalam periode berikutnya adalah sama dengan peramalan dalam periode sebelumnya



5

METODE KUANTITATIF

MODEL SERI WAKTU

MOVING AVERAGES EXPONENTIAL SMOOTHING

METODE KUANTITATIF

TREND PROJECTION

MODEL KAUSAL

LINEAR REGRESSION

MODEL SERI WAKTU Memprediksi berdasarkan asumsi bahwa masa depan adalah fungsi dari masa lalu. Dengan kata lain, model ini melihat pada apa yang terjadi selama periode waktu lalu dan menggunakan seri data masa lalu untuk membuat ramalan. Seri waktu (time series) didasarkan pada tahapan dari titik data yang sudah tertentu (mingguan, bulanan, kuartalan dan sebainya).

1. Moving Averages (Rata-rata bergerak) Metode ini bermanfaat jika kita mengasumsikan bahwa permintaan pasar tetap stabil sepanjang waktu.

Σ Permintaan data n periode sebelumnya Rata-rata bergerak = ----------------------------------------------------------n

dimana n adalah jumlah periode dalam rata-rata bergerak, misalnya tiga,empat, atau lima secara berurutan untuk rata-rata bergerak tiga, empat atau lima periode.



6

Contoh: Penjualan mesin jahit di Shiva’s Hardware Store ditujukan dengan data berikut ini : Bulan

Penjualan

JAN FEB MRT APR MEI JUN JUL AGS SEP OKT NOV DES

Aktual 10 12 13 16 19 23 26 30 28 18 16 14

Rata-Rata Bergerak Tiga Bulanan



Rata-Rata Bergerak Tertimbang (weighted moving averages =WMA) Timbangan dapat digunakan untuk menempatkan lebih banyak tekanan pada nilai baru. Hal ini membuat teknik ini lebih responsif terhadap perubahan karena periode yang lebih baru mungkin lebih besar timbangannya.

Σ (timbangan utk periode n)(Permintaan dalam periode n) WMA =

----------------------------------------------------------------------------n

Contoh : Shiva’s Hardware Store memutuskan untuk meramlakan penjualan mesin jahit dengan pemberian timbangan pada tiga bulan sebelumnya sebagai berikut : PERIODE Bulan lalu Dua bulan lalu Tiga bulan lalu

PENETAPAN TIMBANGAN 3 2 1

Hasil ramalan dengan metode rata-rata bergerak tertimbang adalah sebagai berikut : Bulan

Penjualan

JAN FEB

Aktual 10 12


Rata-Rata Bergerak Tiga Bulanan


7

MRT APR MEI JUN JUL AGS SEP OKT NOV DES

13 16 19 23 26 30 28 18 16 14



Rata-rata bergerak sederhana dan tertimbang efektif dalam menghaluskan fluktuasi tiba-tiba dalam pola permintaan untuk menghasilkan estimasi yang stabil. Namun rata-rata bergerak mempunyai tiga masalah yaitu : 

Meningkatkan ukuran n (jumlah periode yang dirata-ratakan) memang menghaluskan fluktuasi dengan lebih baik tetapi metode ini kutrang sensitif untuk perubahan nyata dalam data.



Rata-rata bergerak tidak dapat memanfaatkan trend dengan baik



Karena merupakan rata-rata, rata-rata bergerak akan selalu berada dalam tingkat masa lalu dan tidak akan memprediksi perubahan ke tingkat yang lebih tinggi maupun yang lebih rendah.

2. Exponential Smoothing Adalah metode peramalan yang mudah digunakan dan efisien bila dilakukan dengan komputer. Rumus metode Exponential Smoothing dasar adalah : Ramalan baru = Ramalan periode lalu + α (permintaan aktual periode lalu – ramalan periode lalu) Dimana α adalah timbangannya atau konstanta smoothing yang nilainya antara 0 hingga 1. Rumus diatas dapat juga ditulis sebagai berikut : Ft = Ft-1 +

(At-1 – Ft-1)

Di mana : Ft

= Peramalan baru

Ft-1

= Peramalan sebelumnya

α

= Konstanta smoothing

At-1 = Peramalan aktual periode sebelumnya



8

α, konstanta smoothing umunya antara 0,05 sampai 0,50 untuk aplikasi bisnis. konstanta smoothing dapat diubah untuk memberikan timbangan yang lebih besar pada data baru (bila α tinggi) atau pada data masa lalu (bila α rendah).

Yang pasti periode masa lalu menurun dengan cepat ketika α

meningkat. Contoh : Pada bulan januari, agen perjalanan yang berspesialisasi dalam kapal pesiar memprediksi permintaan bulan februari untuk kapal pesiar yang berlayar satu minggu adalah sebesar 142. Permintaan bulan Februari aktual adalah 153. Menggunakan konstanta smoothing α = 0,20.

Kita dapat meramalkan

permintaan bulan Maret dengan menggunakan model exponential smoothing dengan rumus diatas : Ft = 142 + 0,20 (153-142) Ft = 144,2

Memilih konstanta smoothing Pendekatan dengan exponential smoothing mudah digunakan dan tealh sukses diterapkan di banyak organisasi.

Akan tetapi nilai konstanta

smoothing yang tepat bisa menciptakan perbedaan antara ramalan yang akurat dan ramalan yang tidak akurat. Dalam mengambil sebuah nilai untuk konstanta smoothing, tujuannya adalah untuk mencapai ramalan yang paling akurat. Keakuratan yang menyeluruh dari model peramalan bisa ditentukan dengan membandingkan nilai-nilai yang diramalkan dengan nilai aktual. Kesalahan permalan didefinisikan dengan :

Kesalahan Peramalan = Permintaan – Ramalan. Mean absolute deviation (MAD) adalah sebuah ukuran untuk kesalahan peramalan menyeluruh untuk suatu model.

Σ (Kesalahan Peramalan) MAD =-------------------------------------n

Contoh :



9

Pelabuhan New Orleans telah membongkar muatan daging sapi dari kapal South American selama delapan kuartal terakhir. Manajer operasi pelabuhan ingin menguji penggunaan exponential smoothing untuk melihat seberapa baik teknik itu bekerja dalam memprediksi pembongkaran tonasi. Ia mengasumsikan bahwa pembongkaran daging sapi dalam kuartal pertama adalah 175 ton. Dua nilai diuji, α = 0,10 dan α = 0,50. Untuk mengevaluasi keakuratan setiap konstanta smoothing dihitung MAD. MAD yang kecil yang lebih disukai .

Kuartal

Pembongkaran

Peramalan dengan

Peramalan dengan

α = 0,10

α = 0,50

1 2 3 4 5 6 7 8 9

Tonasi Aktual 180 168 159 175 190 205 180 182 ?

Kuartal

Pembongkar Peramalan

Deviasi

Peramalan

Deviasi

an Tonasi

dengan

absolut u/

dengan

absolut u/

Aktual

α = 0,10

α = 0,10

α = 0,50

α = 0,50

1 2 3 4 5 6 7 8 Jumlah

180 168 159 175 190 205 180 182

MAD α = 0,10 =

MAD α = 0,50 =

Kesalahan kuadrat rata-rata (mean squared error=MSE)



10

Adalah cara lain untuk mengukur kesalahan ramalan secara menyeluruh. MSE adalah rata-rata perbedaan kuadrat antara nilai yang diramalkan dan nilai yang diamati. MSE yang kecil adalah baik.

Σ Kesalahan peramalan 2 MSE = ---------------------------------------n

Kuartal

Pembongkar Peramalan

(Deviasi

Peramalan

(Deviasi

an Tonasi

dengan

absolut)2 u/

dengan

absolut) 2 u/

Aktual

α = 0,10

α = 0,10

α = 0,50

α = 0,50

1 2 3 4 5 6 7 8 Jumlah

180 168 159 175 190 205 180 182

MSE α = 0,10=

MSE α = 0,50=

Exponential smoothing dengan penyesuaian trend Seperti halnya dengan rata-rata bergerak, exponential smoothing gagal merespon trend. Exponential smoothing sederhana sering disebut sebagai penghalusan tingkat pertama dan exponential smoothing with trend adalah penghalusan tingkat kedua. Rumus :

Ft =

(At-1 ) + (1- ) (Ft-1 +Tt-1)



11

Tt = ( Ft - Ft-1) + (1- ) Tt-1 Dimana : α = smoothing constant for the average

β = smoothing constant for the trend

Contoh : Shiva’s manufacture menggunakan exponential smoothing untuk meramalkan permintaan produknya. α = 0,20 dan β = 0,40. Diasumsikan peramalan untuk bulan pertama = 11 unit dan trend pada periode tersebut (T 1) = 2. Data permintaan aktual adalah sebagai berikut :

Bulan 1 2 3 4 5 6 7 8 9 10

Actual Demand

Smoothed

Smoothed

Forecast Including

Forecast, Ft

Trend, Tt

Trend, FITt

12 17 20 19 24 21 31 28 36 -

3. Trend Projection Teknik ini mencocokan garis trend ke rangkaian titik data historis dan kemudian memproyeksikan garis itu ke dalam ramalan jangka-menengah hingga jangka-panjang.

Dalam bahasan ini akan dibicarakan trend linear

yang memakai metode kuadrat terkecil (least square mathod). Persamaan = Y = a + bx Y

= nilai variabel yang dihitung untuk diprediksi

a

= perpotongan sumbu-y

b

= kelandaian garis regresi

x

= variabel bebas

Kelandaian garis regresi (b) diperoleh dengan persamaan =

ΣXY – n X Y b = --------------------------

a=Y–bX

ΣX2 – n X2



12

Contoh: Permintaan terhadap daya listrik di N.Y Edison selama periode 1990 – 1996 ditunjukkan di bawah ini, dalam satuan megawatt. Buatlah trend garis lurus untuk data ini dan ramalkan permintaan tahun 1997. TAHUN DAYA LISTRIK

1996 74

1997 79

1998 80

1999 90

2000 105

2001 142

YG DIMINTA

Dengan seri data sepanjang waktu, kita bisa meminimalkan perhitungan dengan mengubah nilai x (waktu) ke angka-angka yang lebih sederhana.

TAHUN

PERIODE

PERMINTAAN

WAKTU

DAYA LISTRIK 74 79 80 90 105 142 122 692

1996 1997 1998 1999 2000 2001 2002 Jumlah

X2

XY

b=

a=

Permintaan tahun 2003 =

Variasi musim dalam data Peramalan seri waktu seperti dalam contoh-contoh diatas mencakup trend data atas rangkaian

observasi


waktu.

Namun

demikian,

kejadian


2002 122

13

berulangnya variasi pada musim tertentu membuat penyesuaian musiman dalam rangkaian garis trend harus diadakan. Contoh : Penjualan bulanan Komputer notebook IBM di Hardwareland selama periode 2001/2002 ditunjukkan pada tabel dibawah ini :

Bulan JAN FEB MRT APR MEI JUN JUL AGS SEP OKT NOV DES JUMLAH

Permintaan Penjualan 2001 2002

80 75 80 90 115 110 100 90 85 75 75 80

Permintaan

Rata-rata

Rata-rata

rata-rata

Permintaan

indeks

bulanan

musiman

100 85 90 110 131 120 110 110 95 85 85 80

Rata-rata permintaan bulanan = jumlah permintaan rata-rata : 12 bulan

Rata-rata permitaan bulanan =

Indeks musiman = Permintaan rata-rata : rata-rata permintaan bulanan

Indeks musiman =

MODEL KAUSAL Metode peramalan

kausal biasanya mempertimbangkan beberapa

variabel yang dikaitkan pada variabel yang sedang diprediksi. Sekali variabelvariabel ini diperoleh, model statistik dibangun dan digunakan untuk meramal variabel. Pendekatan ini lebih kuat ketimbang metode seri waktu yang hanya mengunakan nilai historis untuk variabel yang diramalkan. Banyak faktor bisa dipertimbangkan dalam analisis kausal.

Sebagai

contoh, penjualan produk mungkin dikaitkan dengan anggaran iklan perusahaan,



14

pembebanan harga, harga pesaing, dan strategi promosi atau bahkan tingkat ekonomi dan pengangguran.

Dalam hal ini, penjualan akan disebut variabel

tidak bebas (dependent variable) dan variabel-variabel lain disebut variabel bebas (independent varable).

Menggunakan Analisis Regresi Linear Untuk Meramal Model matematika yang sama yang kita gunakan dalam metode kuadrat terkecil dari proyeksi trend bisa digunakan untuk melakukan analisis regresi linear. Variabel-variabel tidak bebas yang akan diramal tetap Y. Persamaan regresi = Y = a + bx Y

= Nilai variabel tidak bebas, yaitu penjualan

a

= Perpotongan sumbu y

b

= Kelandaian garis regresi

x

= Variabel bebas

Contoh : Richard Nodel memiliki perusahaan konstruksi yang membangun kantor di Detroit. Baru-baru ini perusahaan telah menemukan bahwa volume dolar dari kerja renovasinya bergantung pada

upah wilayah Detroit.

Tabel berikut ini

mencatumkan penghasilan Nodel dan jumlah uang yang diterima para penerima upah di Detroit selama tahun 1997 – 2002

PENJUALAN NODEL (Y) 2,0 3,0 2,5 2,0 2,0 3,5

GAJI LOKAL(X) 1 3 4 2 1 7

Persamaan matematis dengan menggunakan pendekatan regresi kuadrat terkecil =

PENJUALAN NODEL (Y) 2,0 3,0 2,5 2,0 2,0 3,5


GAJI LOKAL(X) 1 3 4 2 1 7

X2

XY


15

ΣY =

ΣX2=

ΣX =

ΣXY=

ΣXY – n X Y b = --------------------------

a=Y–bX

ΣX2 – n X2

b=

a=Y–bX

a=

Kesalahan Standar Estimasi (deviasi standar)

Σ Y2 – a Σ Y – b ΣXY S yx =

-------------------------------n–2

PENJUALAN NODEL (Y) 2,0 3,0 2,5 2,0 2,0 3,5 ΣY =

GAJI LOKAL(X) 1 3 4 2 1 7 ΣX =


X2

ΣX2=

Y2

XY

ΣXY=

ΣY2=


Modul Forecasting

Recommend Documents