Universitas Gunadarma PERAMALAN

Transkripsi

1 PERAMALAN

2 PERAMALAN Kebutuhan Peramalan dalam Manajemen Produksi dan Operasi Manajemen Operasi/produksi menggunakan hasil-hasil peramalan dalam pembuatan keputusan-keputusan yang menyangkut pemilihan proses, perencanaan kapasitas, layout fasilitas dan untuk berbagai keputusan yang bersifat continue berhubungan dengan perencanaan, schedulling dan persediaan.

3 Metode Peramalan a. Top down forecasting Dimulai dengan penggunaan hasil-hasil peramalan berbagai kondisi bisnis umum yang dibuat oleh para ahli ekonomi dalam lembaga pemerintah dan perusahaan besar serta universitasuniversitas. b. Bottom Up forecasting Dimulai dengan perkiraan permintaan produk-akhir individual. Peramal menerima estimasi dari orang-orang penjualan, distribusi dan langganan.

4 Proses-proses Peramalan Penentuan tujuan Pengujian model Penerapan model Pengembangan model Revisi dan evaluasi

5 Teknik-Teknik Peramalan Teknik-Teknik Peramalan a. Teknik Kualitatif Bersifat subyektif/judgemental Berdasar pada estimasi- estimasi dan pendapat- pendapat dari para eksekutif, orang-orang penjualan, langganan, spesialis/ahli dari berbagai bidang. 1. Juri Opini eksekutif 2. Metode Delphi 3. Gabungan tenaga penjualan 4. Survei pasar

6 1. Juri Opini eksekutif Pendekatan ini berdasar pendapat dari sekelompok kecil eksekutif tingkat atas. Karena pendapatnya lebih dari satu orang maka diharapkan lebih akurat. Kelemahannya: Ketepatan sangat tergantung masukan individu dan dapat bias. Keuntungannya: Paling sederhana 2. Metode Delphi Teknik yang menggunakan suatu prosedur yang sistematik untuk mendapat suatu konsensus pendapat-pendapat dari suatu kelompok ahli. Keuntungannya: Dapat menggambarkan keadaan di masa datang lebih akurat dan profesional sehingga peramalan diharapkan mendekati aktual.

7 3. Gabungan tenaga penjualan Tenaga penjual merupakan sumbangan informasi yang baik tentang permintaan konsumen. Tiap tenaga penjual meramalkan tingkat penjualan di daerah, lalu digabung pada tingkat propinsi kemudian digabung hingga tingkat nasional untuk mencapai peramalan menyeluruh. 4. Survei pasar Masukan dari konsumen/konsumen potensial terhadap rencana pembelian di masa datang.peralatan peramalan yang berguna bila ada kekurangan data historik/data tak reliabel. Digunakan untuk meramal permintaan jangka panjang dan penjualan produk baru. Kelemahannya: Mahal dan sulit.

8 b. Teknik Kuantitatif 1. Time series (analisis runtun waktu) Meramalkan kejadian di masa datang atas dasar serangkaian data masa lalu, yang merupakan hasil observasi berbagai variabel menurut waktu dan digambarkan dalam bentuk grafik yang menunjukan perilaku variable subjek. Pola data dari serangkaian waktu: konstan kecendrungan (trend) musiman (seasonal) siklus (cyclical)

9 Metode dasar dari analisis runtun waktu: Rata-rata bergerak a. Rata-rata bergerak sederhana (Simple moving average) Bobot tiap periode sama. t N + 1 Xi i= t F t+1 = = X t + X t Xt-N N N Dengan, Ft = Nilai prakiraan untuk periode t N = Jumlah deret waktu yang digunakan Xi = Data pengamatan periode i

10 b. Rata-rata bergerak tertimbang Tiap periode mempunyai bobot yang berbeda F t+1 = W t X t + W t-1 X t W t-n+1 X t-n W t + W t W t-n+1 Dengan, Wt = persentase bobot yang diberikan untuk periode t Jika jumlah bobot = W t + W t W t-n+1 = 100 % = 1, maka rumus bisa disederhanakan menjadi: F t+1 = W t X t + W t-1 X t W t-n+1 X t-n+1

11 Eksponensial Smoothing ( Pemulusan eksponensial) a. Eksponensial Smoothing ( Pemulusan eksponensial) tunggal Ada Tambahan parameter α dalam model untuk mengurangi faktor kerandoman. Serial data yang diamati memiliki pola horisontal (stasioner). F t+1 = α. X t + ( 1 - α) F t Dengan, Ft = Nilai prakiraan untuk periode t N = Jumlah deret waktu yang digunakan α = faktor/konstanta pemulusan Xi = Data permintaan periode t

12 b. Eksponensial Smoothing ( Pemulusan eksponensial) linier Serial data yang diamati memiliki unsur trend (kecendrungan). Metode yang digunakan metode Holt, dimana ada dua parameter, α(alpha) dan β (betha). Pemulusan eksponential linier menggunakan persamaan sbb: F t+m = S t + T t.m Dengan, S t = α. X t + ( 1 - α) (S t-1 + T t-1 ) Tt = β. (S t - S t-1 ) + (1-β). T t-1

13 Metode Dekomposisi Mengidentifikasi komponen pola dasar yang ada pada serial data, yaitu komponen trend, musiman dan siklus. Xt = f (St, Tt, Ct, Rt ) Dimana: St = Komponen musiman pada periode t Tt = Komponen trend pada periode t Ct = Komponen siklus pada periode t Rt = Komponen random (kesalahan) pada periode t

14 2. Metode kausal Merupakan teknik yang paling akurat. Umumnya membahas pendekatan sebab akibat (kausal atau yang bersifat menjelaskan (eksplanatoris), dan bertujuan untuk meramalkan keadaan di masa yang akan datang dengan menemukan dan mengukur beberapa variabel bebas (independen) yang penting beserta pengaruhnya terhadap variabel tidak bebas yang akan diramalkan. a. Analisa Regresi b. Analisa Korelasi

15 a. Analisa Regresi Metode statistik yang digunakan untuk menentukan hubungan antar paling tidak satu/lebih variabel bebas(independent variable) dan satu variabel bergantung (dependent variable ) dengan tujuan untuk meramalkan nilai variabel bergantung dalam hubungan dengan nilai variabel bebas tertentu. Bentuk umum persamaan regresi linier untuk dua variabel (regresi linier sederhana) adalah sbb: Ý = a + b. X Dimana : Ý = variabel tidak bebas (yang diramalkan) X = variabel bebas a = nilai daripada Y bila X = 0 b = perubahan rata-rata Y terhadap perubahan per unit X.

16 Nilai a dan b yang meminimalkan jumlah kesalahan kuadrat dapat dicari dengan menggunakan persamaan berikut: Y = n.a + ( X).b X.Y ( X).a + = 2 ( X ).b atau n( X.Y) -( X)( Y ) b = n.( X ) ( X ) X.Y -( X).b a = n

17 b. Analisa Korelasi Mengukur derajat hubungan antara dua atau lebih variabel- variabel tanpa melihat bentuk hubungan dengan menggunakan koefisien r. Bentuk umum persamaan matematikanya adalah sbb: r = n.( XY) ( X )( Y) n.( X 2 ) ( X ) 2 * n.( Y 2 ) ( Y) 2 Dimana nilai koefisien korelasi r terletak diantara 1 dan 1.

18 Bila kenaikan suatu variabel diikuti dengan kenaikan di dalam variabel lain maka kedua variabel tersebut mempunyai korelasi positif (+) dan nilai r mendekati atau sama dengan 1 Bila kenaikan suatu variabel diikuti dengan penurunan pada variabel lain maka kedua variabel tersebut mempunyai korelasi negatif (-) dan nilai r mendekati atau sama dengan -1 Bila tak ada perubahan maka kedua variabel tersebut tidak mempunyai hubungan dan nilai r = 0

19 Pengukuran Kesalahan Forecast MAD (Mean absolute deviation) Merupakan perbedaan antara permintaan nyata dengan forecast. Untuk periode tunggal: Kesalahan forecast = Dt Forecast

20 Untuk rata kesalahan bergerak MADt = α Dt Forecast + (1 - α) (MAD t-1)