TUGAS MANAJEMEN OPERASI BAB 4
1. 2. 3. 4.
ANGGOTA KELOMPOK : Theresia Shirley T. 110418709 Bani Ramiya L. 110418715 Giftadara Inovani 110418769 Natalia 110418774 Kelas H
FAKULTAS EKONOMI UNIVERSITAS ATMA JAYA YOGYAKARTA TAHUN 2013
Pertanyaan untuk Diskusi 1. Model peramalan kualitatif adalah peramalan yang menggabungkan faktor seperti instuisi, emosi, pengalaman pribadi dan system nilai penghambilan keputusan untuk meramal. Model tersebut sesuai untuk digunakan pada saat mengambil keputusan untuk meramal . 2. Pendekatan umum dalam peramalan : Peramalan kuantitatif : peramalan yang menggunakan model matematis yang beragam dengan data masalalu dan variabel sebab-akibat untuk meramalkan permintaan. Peramalan kualitatif : peramalan yang menggabungkan faktor seperti instuisi, emosi, pengalaman pribadi dan system nilai penghambilan keputusan untuk meramal. 3. Horizon waktu pada peramalan Peramalan jangka pendek : peramalan ini meliputi jangka waktu hingga satu tahun, tapi umumnya kurang dari tiga bulan. Peramalan ini digunkan untuk merencanakan pembelian, penjadwalankerja, penugasan kerja dan tingkat produksi. Peramalan jangka menengah : umumnya mencakup hitungan bulan hingga tahun. Peramalan ini biasanya digunakan untuk merencanakan penjualan , perencanaan dan anggaran produksi , anggaran kas, serta menganalisis macam macam rencana operasi. Peramalan jangka panjang : peramalan ini untuk jangka waktu tiga tahun atau lebih. Umumnya digunakan untuk merencanakan produk baru, pembelanjaan modal, lokasi atau pengembangan fasilitas serta penelitian dan pengembangan (litbang). 4. Langkah yang digunakan untuk mengembangkan system peramalan : Menetapkan tujuan peramalan Memilih unsure yang akan diramalkan Menentukan horizon waktu peramalan Memilih jenis model peramalan Mengumpulkan data yang diperlukan untuk melakukan peramalan Membuat peramalan Memvalidasi dan menetapkan hasil peramalan 5. Tiga kemungkinan penggunaan atau tujuan dari peramalan kepada manajer : Berkaitan dengan permasalahan yang lebih menyeluruh dan mendukung keputusan manajemen yang berkaitan dengan perencanaan produk, pabrik dan proses. Meramalkan akan seperti apakah produk baru yang akan dibuat nantinya. Memperbaharui peramalan penjualan untuk menjaga nilai dan integritasnya. Peramalan harus selalu dikaji dan direvisi pada setiap periode akhir penjualan. 6. Karena teknik- teknik ini gagal memberikan respons terhadap tren yang terjadi sedangkan teknik peramalan lain dapat memberikan respon terhadap tren yang terjadi. 7. Rata-rata bergerak berbobot dengan menggunakan pembobotan yang sangat efektif dalam meredam fluktuasi pada pola permintaan untuk menghasilkan prediksi yang stabil. Sedangkan penghalusan eksponensial merupakan metode peramalan rata-rata bergerak dengan pembobotan yang canggih tetapi masih mudah digunakan. 8. Menggunakan yang pertama deviasi mutlak rerata, kedua kesalahan kuadran rerata, ketiga kesalahan persen mutlak rerata.dengan menggunakan laporan penghasilan kuartalan dari saham Microsoft, pengiriman harian bir coor, dan indeks harga konsumen tahunan. 9. Metode Delphi adalah suatu metode dimana proses pengambilan kkeputudan melibatkan beberapa pakar 10. Perbedaan antara model deret waktu dengan model asosiatif yaitu model deret waktu membuat prediksi masa depan dengan menggunakan data-data masa lalu, sedangkan model
asosiatif menggunakan variable atau faktor yang mempengaruhi kuantitatif yang akan diramalkan. 11. Deret waktu adalah rangkaian data yang berupa nilai pengamatan yang diukur selama kurun waktu tertentu berdasarkan waktu dengan interval yang sama. 12. Dampak dari nilai konstanta penghalusan (α) pada bobot yang diberikan pada nilai terkini adalah dapat memberikan bobot yang lebih pada data sekarang (saat tinggi) atau bobot yang lebih pada data masa lalu (saat rendah). 13. Perbedaan pola musiman dengan pola siklus yaitu musiman adalah pola data yang berulang pada kurun waktu tertentu seperti hari, minggu, bulan, atau kuartal, sedangkan pola siklus adalah pola dalam data yang terjadi setiap beberapa tahun dan terkait pada siklus bisnis. 14. Teknik peramalan yang dapat memberikan penekanan lebih banyak pada nilai sekarang adalah komposit tenga penjualan. 15. Peramalan adaptif adalah mengacu pada pemantauan sinyal penelusuran menggunakan komputer serta penyesuaian diri jika suatu sinyal melampaui batas yang ditentukan. 16. Tujuan sinyal penelusuran adalah mengawasi peramalan dapat berjalan dengan baik. 17. Makna koefisien korelatif adalah alat yang digunakan untuk mengukur hubungan diantara dua variabel yang menggambarkan suatu hubungan yang linear. Arti nilai koefisien korelatif adalah menunjukkan korelasi yang cukup berarti dan membantu menyajikan kekuatan hubungan-hubungan yang terjadi diantara dua variabel. 18. Variabel bebas adalah suatu variabel yang menyebabkan atau menjadi sebab bagi berubahnya variabel lain (Dependent Variables / DV). Apabila Independent Variables / IV mengalami perubahan maka Dependent Variables / DV juga mengalami perubahan. Variabel bebas memberikan stiumulus dalam perubahan variabel lain. Banyak istilah yang digunakan untuk penyebutan istilah variabel bebas, padanan kata atau sinonim dari variabel bebas diantaranya variabel penyebab (independent variables), prediktor, stimulus, eksougen atau antecendent. Variabel bebas biasanya dipilih oleh peneliti untuk menentukan hubungannya dengan suatu gejala yang diobservasi. Variabel Terikat (Dependen Variables / DV) merupakan variabel yang dipengaruhi atau menjadi akibat karena adanya variabel lain (variabel bebas). Juga sering disebut variabel terikat, variabel respons atau endogen. Variabel dependen atau terikat sering juga disebut variabel criteria, respond an output (hasil). Variabel dependen (DV) merupakan variabel yang dipengaruhi atau yang menjadi akibat, karena adanya variabel independent (bebas) . Ada pula yang mengistilahkan Variabel Terikat (Dependent Variables / DV) dengan variabel tergantung. Variabel tergantung memberikan reaksi / respon jika dihubungkan dengan varibel bebas. Variabel tergantung adalah adalah variable yang faktornya diamati dan diukur untuk menentukan pengaruh yang disebabkan oleh varaibel bebas. 19. Contoh industri yang dipengaruhi oleh musim adalah industri pakaian. Di Indonesia, ketika Hari Raya Idul Fitri (lebaran) tiba misalnya, permintaan pakaian akan meningkat. Industri pakaian tentu ingin menghilangkan faktor musim karena industri tersebut menginginkan pendapatan tinggi di setiap harinya lewat permintaan pakaian tanpa melihat apakah itu kondisi lebaran atau tidak. 20. Contoh industri di mana peramalan permintaan bergantung pada permintaan produk lain adalah industri gula. Apabila permintaan akan produk teh meningkat maka peramalan permintaan akan produk gula akan meningkat, begitu juga sebaliknya. Hal ini disebabkan
karena teh dan gula adalah produk-produk yang komplementer (saling melengkapi) sehingga ketika satu produk ada yang lain akan melengkapinya. 21. Yang terjadi dengan kemampuan kita untuk meramalkan suatu periode yang sangat jauh di masa depan tentu akan sangat berkurang probabilitas tercapainya ramalan tersebut. Sepandai-pandainya kita meramal tetapi kalau harus meramal sesuatu yang sangat jauh di depan kita maka kemampuan peramalan kita banyak meleset. Hal ini disebabkan karena adanya keterbatasan kapasitas peramalan waktu. Soal-soal 4.1 a. labu yang rata2 bergerak pekan ke digunakan 3mingguan 31 agustus 360 7-Sep 389 14-Sep 410 386.3333333 21-Sep 381 393.3333333 28-Sep 368 386.3333333 5 oktober 374 374.3333333 12 oktober 374.3333333 b. labu yang rata2 bergerak dengan pembobotan pekan ke digunakan 3mingguan 31 agustus 360 7-Sep 389 14-Sep 410 21-Sep 381 66.45 28-Sep 368 65.08333333 5 oktober 374 62.68333333 12 oktober 62.15 c. pekan labu yang ke digunakan eksponensial 31 agustus 360 7-Sep 389 14-Sep 410 21-Sep 381 28-Sep 368 5 oktober 374 12 oktober 72
4.2 a. 14 12 10 8 tahun 6
permintaan
4 2 0 1
2
3
4
5
6
7
8
9
10
11
b. 1 2 3 4 5 6 7 8 9 10 11 tahun 7 9 5 9 13 8 12 13 9 11 7 permintaan rata2 21 23 27 30 33 33 34 33 bergerak c. 1 2 3 4 5 6 7 8 9 10 11 tahun 7 9 5 9 13 8 12 13 9 11 7 permintaan rata2 0.8 0.98 1.38 1.2 1.36 1.525 1.31 1.3 bergerak d. yang terlihat memberikan hasil lebih baik adalah peramalan rata rata bergerak 3mingguan 4.3 Ya, peramalan lebih baik karena peramalan rata-rata bergerak lebih cepat dengan permintaan yang tidak menurun. 4.4 a. 48 jumlah cek 40 juni Juli bulan c. jumlah cek 40 45 54 juni juli ags bulan 4.5 a. rata2 bergerak tahun jarak 2tahun 1 3000 2 4000 3 3400 3500
4 5
3800 3700
3700 3600
c. tahun jarak 1 3000 2 4000 3 3400 4 3800 5 3700 4.6
rata 2 bergerak 2 tahunan
3000 2840 2960
rata2 bergerak bulan penjualan 3bulanan januari 20 februari 21 maret 15 april 14 4.666666667 mei 13 4.166666667 juni 16 3.5 juli 17 3.583333333 agustus 18 3.833333333 september 20 4.25 oktober 20 4.583333333 november 21 4.833333333 desember 23 5.083333333 4.9 rata2 bergerak bulan harga per chip 2bulanan januari $1.80 februari 1.67 maret 1.7 0.289166667 april 1.85 0.280833333 mei 10.9 0.295833333 juni 1.87 1.0625 juli 1.8 1.064166667 agustus 1.83 0.305833333 september 1.7 0.3025 oktober 1.65 0.294166667 november 1.7 0.279166667 desember 1.75 0.279166667 4.7 Berdasarkan data yang ada, peramalan tidak terjadi cukup baik karena jumlah pasien yang semakin menurun di minggu-minggu terakhir.
4.8
12 10 8 6
Harga Rata-Rata
4
Rata-rata bergerak
2
Column1
0 januari februari maretapril mei juni
4.9 Peramalan yang paling baik adalah pada saat menggunakan alpha (α) 0.3 karena hasil paling mendekati angka yang semakin kecil untuk penurunan harga. 4.10. a) Tahun 1 2 3 4 5 6 7 8 9 10 11 Pendaftaran 4 6 4 5 10 8 7 9 12 14 15 (000) Rata-rata 4,67 5 6,33 7,67 8,33 8 9,33 11,67 Bergerak 3 tahunan b) Tahun 1 2 3 4 5 6 7 8 9 10 11 Pendaftaran 4 6 4 5 10 8 7 9 12 14 15 (000) Rata-rata 4,67 4,67 8,33 8,67 7,33 8,33 11 13 Bergerak dg pembobotan c) 16 14 12
Pendaftaran
10 8
Rata-rata bergerak
6 Rata-rata bergerak dg pembobotan
4 2 0 1
2
3
4
5
6
7
8
9
10 11
Dari grafik diatas dapat dilihat bahwa metode peramalan yang lebih baik yaitu rata-rata bergerak dengan pembobotan. 4.11. a) Peramalan baru Tahun 2 = 5000 + 0,3(4000-5000) = 4700
b) Pada kasus ini tidak ada MAD karena α (konstanta penghalusan) hanya terdapat 1 saja 4.12. Peramalan baru pada hari Jumat = 80 + 0,25(48-80) = 72 4.13. a) Tahun 1 2 3 4 5 6 Transplantasi 45 50 52 56 58 35 Jantung Perkiraan 41 43 47 50 55 43 permintaan (α=0,6) Perkiraan 41 45 50 55 58 37 permintaan (α=0,9) b) Tahun 1 2 3 4 5 6 Transplantasi 45 50 52 56 58 35 Jantung Rata-rata 50 46 43 49 53 55 Bergerak 3 tahunan c) Tahun x (waktu) y (permintaan) x xy 1 1 45 1 45 2 2 50 4 100 3 3 52 9 156 4 4 56 16 224 5 5 58 25 290 6 6 35 36 210 21 296 91 1025 Jumlah (∑) ẍ= ŷ=
∑ ∑
b =
∑ ∑
()()() ()( )
a = ŷ-bẍ = 49,33 – (-0,62)(3,5) = 49,33 + 2,17 = 51,5
Persamaan tren = y = 51,5 – 0,62x Tahun 1 2 3 Perkiraan 51 50 50 Permintaan d) - Metode konstanta penghalusan α = 0,6 MAD =
4 49
5 48
6 48
- Metode konstanta penghalusan α = 0,9 MAD =
- Metode rata-rata bergerak = - Metode proyeksi tren =
Dari keempat metode yang digunakan yang terbaik dan tidak ada kesalahan yaitu metode rata-rata bergerak dan metode proyeksi tren MSE metode 1 =
MSE metode 2 =
4.14. MAD metode 1 = MAD metode 2 =
4.15. Tahun
ŷ=
Perubahan tahun(x) 1 2 3 4 5 6 21
2003 2004 2005 2006 2007 2008 ∑=
Rata-rata bergerak 3 tahunan 432 394 365 488 525 555
450 495 518 563 584 149
4.16. Tahun
ẍ=
Penjualan
2003 2004 2005 2006 2007 2008 MAD =
Penjualan (y)
x
xy
450 495 518 563 584 149 2759
1 4 9 16 25 36 91
450 990 1554 2252 2920 894 9060
b =
()()() ()( )
Persamaan = y = 459,55 + 0,08 x a = 459,83- 0,08 3,5 = 459,83-0,28 = 459,55 Tahun 1 2 3 4 5 Peramalan 460 460 460 460 460 4.17. Tahun Penjualan Proyeksi tren α Proyeksi tren α = 0,6 = 0,9 2003 450 410 410 2004 495 434 446 2005 518 471 490 2006 563 499 515 2007 584 537 558 2008 149 565 581 MAD α =0,3 =
MAD α = 0,6 = MAD α = 0,9 =
6 460
Dampak yang diberian oleh konstanta penghalusan akan membuat perkiraan penjualan menjadi lebih tinggi dari sebelumnya. Dan dari ketiga konstanta penghalusan yang digunakan yang paling akurat yaitu pada konstanta (α) 0,3.
4.18. Waktu (t) 1 2 3 4 5 F3 = F2 + α(A2-F2) 46 = 50 + α (42-50) 4=8α α = 0,5 4.19. Bulan Pendapatan
Februari Maret April Mei Juni Juli 4.20 Aktual α = 0,1 70000 65000 68500 65500 64800 65800 71700 65700 71300 66300 72800 66800 ? 67400 Jumlah MSE MSE =
Permintaan (At) 50 42 56 46 F5= F4 + α (A4-F4) = 50 + 0,5(46-50)
70,0 68,5 64,8 71,7 71,3 72,8 (Kesalahan) 25000000 9000000 1000000 36000000 25000000 36000000
Peramalan (Ft) 50 50 46 50
2
132000000 22000000
= 52 Peramalan dihaluskan Ft
Tren Dihaluskan Tt
65000 58507 57215,25 50332,698 43133,73 35793,38
0 -1298,6 -1297,23 -2414,29 -3371,22 -4165,05
β = 0,5
65000 67500 68000 66400 69050 70175 71487,5
(Kesalahan) 25000000 1000000 10240000 28090000 5062500 6890625
Peramalan Memperhitungkan Tren FITt 65000 57208,4 55918,02 47918,4 39762,5 31628,33
2
76283125 12713854,2
∑( )
Yang menghasilkan peramalan lebih baik adalah konstanta β=0,5 karena menghasilkan MSE yang minimum. 4.21 Bulan kelima F5 =αA4+(1-α)(F4+T4) = (0,2)(19)+(1-0,2)(17,82+2,32) =19,91 T5 =β(F5-F4)+(1-β)T4 =(0,4)(19,91-17,82)+(1-0,4)(2,32) =2,23
FIT5
=F5+T5 =19,91+2,23 =22,14
Bulan keenam F6
=αA5+(1-α)(F5+T5)
= (0,2)(24)+(1-0,2)(19,91+2,23) =22,51 T6
=β(F6-F5)+(1-β)T5
=(0,4)(22,51-19,91)+(1-0,4)(2,23) =2,38 FIT5
=F5+T5 =22,51+2,38 =24,89
4.21 Perhitungan α 182=150+α(100-141) 182=150+41α 32=41α α=0,78 4.22 Perhitungan α 200=180+α(155-185) 200=180+30α 20=30α α=0,6 4.23 Perhitungan α 114=120+α(101-120) 114=120+19α 19α=6 α=0,31 Bulan Penjualan Peramalan Februari 83 Maret 101 120 April 96 114 Mei 89 110 Juni 108 108 Jumlah MAD MAPE
Deviasi absolut α=0,31
Kesalahan % absolut
19 18 21 0 58 14,5
18,81 18,75 23,59 0 61,15 15,28
MAD = = MAPE = = 4.25 Bulan Januari Februari Maret April Mei
∑
= 14,5
∑
= 15,28%
Jumlah Kecelakaan 30 40 60 90 130
Kenaikan
10 20 30 40
Dengan persamaan tren y=a+bx Kecelakaan yang terjadi saat bulan Mei diperkirakan berjumlah 130. 4.26 tahun Musim masa lalu x-2 x-1 tahun ini depan gugur 200 250 300 450 dingin 350 300 250 200 semi 150 165 180 330 panas 300 285 270 220 Penjualan 1000 1000 1000 1000 1200 4.27 Tingkat permintaan untuk kapal layar Mark sedikit menurun terutama pada musim gugur apabila dibandingkan dengan musim lainnya. 4.28 Indeks musiman pengunjung yaitu 0,57. 4.29 Faktor Kuartal (indeks) 1984 1985 ... 2009 Dingin 0,8 77,43 79,15 116,99 Semi 1,1 77,86 79,58 117,42 Panas 1,4 78,29 80,01 117,85 Gugur 0,7 78,72 80,44 118,28 D=77+0,43Q Di mana mulai Q=1 untuk musim dingin tahun 1984 Maka untuk tahun 2009, sebagai berikut : Musim dingin = 77+0,43(93) = 116,99 Musim semi = 77+0,43(94) = 117,42 Musim panas = 77+0,43(95) = 117,85 Musim gugur = 77+0,43(96) = 118,28 4.30 a) Ramalan permintaan untuk Aztec saat temperatur 70oF adalah 337
b) Permintaan saat temperatur 80oF adalah 380 c) Permintaan saat temperatur 90oF adalah 423 4.31 Berapa kopi mocha latte yang diramalkan akan terjual berdasarkan regresi linear sederhana jika harga secangkir kopi $1,80 adalah 345 4.32 a) Regresi linear yang menghubungkan penjualan di bar dengan jumlah tamu (bukan dengan waktu) adalah y = 50 + 18x b) Jika peramalan menunjukkan bahwa akan datang 20 tamu pekan depan, penjualan yang diharapkan adalah $410 4.33 a) Ramalan jumlah transistor yang akan dibuat tahun depan dengan menggunakan regresi linear adalah ŷ = 506,4 + 2,83x b) Jumlah MSE saat menggunakan regresi linear adalah 11 c) Jumlah MAPE adalah 5,6% 4.34 Jumlah kecelakaan mobil yang diperkirakan pada kondisi a = 28, b = 43, dan c = 58. 4.35 Jumlah MSE yaitu 16. 4.36 a) Jika Wanda Fennel kembali dari perjalanan sejauh 300 mil selama 5 hari, jumlah yang seharusnya ia tagihkan sebagai pengeluaran adalah $425,50. b) Fennel mengajukan permintaan penggantian biaya perjalanan sebesar $685. Hal yang seharusnya dilakukan oleh pihak akuntan adalah permintaannya lebih besar dari perkiraan , jadi perlu mencari dokumen tambahan. c) Haruskah variabel lain dimasukkan? Iya perlu memasukkan variabel lainnya, Variabel yang mana? Variabel index biaya tujuan, Mengapa? Untuk meningkatkan r dan r 2. 4.37 a) Jumlah MADnya adalah 13,55 b) Sinyal penelusurannya adalah 10 4.38 a) Persamaan regresi kuadrat terkecil adalah y = -0,158 + 0,308x. b) Dengan hasil bagian a), prediksi pengumpulan pajak penjualan jika pendaftaran mobil baru total 22,000 adalah $2,719. c) koefisien korelasi dan koefisien determinasinya adalah r = 0,966; r 2 =0,934. 4.39 Dengan menggunakan analisis tren, prediksilah jumlah pasien Dr. Sweeney pada tahun ke – 11 dan 12 adalah Jumlah pasien Dr. Sweeney pada tahun ke-11 adalah 11,008 Jumlah pasien Dr. Sweeney pada tahun ke-12 adalah 11,965. 4.40. 131,2 → 72,7 pasien ; 90,6 → 50,6 pasien 4.41. c. 250.000 orang / pengunjung 4.42. a. Mereka butuh banyak data dan harus mampu mengenali faktor musiman dan tren b. Coba meningkatkan model naïf anda sendiri karena musiman kuat c. Hitung dan gambar grafik perkiraan anda 4.43. Peramalan minggu ke 25 = 40 + 0,2 (50-40) = 42 4.44. Pengeluaran tren tidak memberikan peningkatan yang penting 4.45. Peramalan baru = 109 + 0,2 (120-109) = 111,2 4.46. a. Y=1,03 + 0,0034x, r²= 0,479 b. Untuk x = 350 , y = 2,22 c. Untuk x = 800, y = 3,75 4.47. a. Ada tren linier yang kuat dalam penjualan. 4.48. a. Penjualan (y)= -9,349 + 0,1121 (kontrak) b. r = 0,8963; Sxy = 1,3408 4.49. a. Karena konstanta ini bisa diubah untuk memberi bobot lebih pada data sekarang atau
data masa lalu
