Peramalan Permintaan
Peramalan Permintaan
PERAMALAN (FORECASTING)
OLEH
IR. INDRAWANI SINOEM, MS
05/25/15
PENGERTIAN
Peramalan (Forecasting) adalah seni dan
ilmu untuk memperkirakan kejadian di
masa depan.
Berdasarkan horizon waktu, peramalan
dibagi 3, yaitu :
1. Peramalan jangka pendek
2. Peramalan jangka menengah
3. Peramalan jangka panjang
05/25/15
05/25/15
JENIS-JENIS PERAMALAN
Berbagai organisasi menggunakan tiga
jenis peramalan yg utama dalam perencanaan operasi di masa depan :
1. Peramalan ekonomi : merencanakan
indikator-indikator yg berguna dalam
membantu organisasi menyiapkan peramalan jangka menengah dan jangka
panjang.
05/25/15
KEPENTINGAN STRATEGIS
PERAMALAN
Peramalan
merupakan
satu-satunya
prediksi mengenai permintaan hingga permintaan yang sebenarnya diketahui.
Peramalan permintaan mengendalikan
keputusan di banyak bidang. Dampak
peramalan permintaan produk antara lain
pada aktivitas sumberdaya manusia,
kapasitas, dan manajemen rantai pasokan.
05/25/15
Sumberdaya manusia :
Memperkerjakan, melatih, dan memberhentikan
pekerja bergantung pada permintaan.
Jika
departemen SDM harus memperkerjakan pekerja
tambahan tanpa adanya persiapan, akibatnya
kualitas pelatihan menurun dan kualitas pekerja
juga menurun.
Sebuah perusahaan kimia besar di Lousiana hampir
kehilangan konsumen terbesarnya saat melakukan
ekspansi cepat yang memberlakukan giliran kerja
tanpa henti 24 jam yang mengakibatkan rendahnya
pengendalian kualitas pada giliran kerja kedua dan
ketiga.
05/25/15
10
Kapasitas :
Saat kapasitas tidak mencukupi, kekurangan yang
diakibatkannya bisa berarti tidak terjaminnya
pengiriman, kehilangan konsumen, dan kehilangan
pangsa pasar.
Inilah yang terjadi pada Nabisco saat ia melakukan
kesalahan dengan menghitung terlalu rendah
permintaan untuk biskuit baru bernama Snackwell
Devils Food yang rendah kalori yang ternyata
permintaannya sangat besar. Dengan bekerja lembur,
Nabisco bahkan tidak bisa memenuhi permintaan dan
bahkan kehilangan konsumennya. Namun jika
kapasitas dibangun berlebihan, biaya-nya dapat
melonjak tajam.
05/25/15
11
12
LANGKAH-LANGKAH
SISTEM PERMALAN
Ada 7 langkah dasar sistem peramalan :
1. Menetapkan tujuan peramalan
2. Memilih unsur yg akan diramalkan
3. Menentukan horizon waktu peramalan
4. Memilih jenis model pemodelan
5. Mengumpulkan data yg diperlukan untuk
melakukan peramalan
6. Membuat peramalan
7. Memvalidasikan dan menerapkan hasil peramalan.
05/25/15
13
PENDEKATAN DALAM
PERAMALAN
Terdapat dua pendekatan umum untuk
peramalan, yaitu :
1. Peramalan kuantitatif : peramalan yang
menggunakan model matematis yang
beragam dengan data masa lalu dan
variabel sebab-akibat untuk peramalan
permintaan.
05/25/15
14
15
16
17
18
1. Tren : merupakan pergerakkan data sedikit demi sedikit meningkat atau menurun. Perubahan pendapatan, populasi, penyebaran umur, atau pandangan
budaya dapat mempengaruhi pergerakkan tren.
2. Musiman : adalah pola data yg berulang
pada kurun waktu tertentu, seperti :
harian, mingguan, bulanan, atau kuartal.
05/25/15
19
3. Siklus : pola dalam data yg terjadi setiap beberapa tahun. Siklus ini biasanya terkait pada siklus bisnis dan merupakan satu hal penting dlm analisis
dan perencanaan bisnis jangka pendek.
Memprediksi siklus bisnis sulit
dilakukan
karena adanya pengaruh kejadian
politik ataupun kerusuhan internasional.
05/25/15
20
05/25/15
21
PENDEKATAN NAIF
Pendekatan naif adalah teknik peramalan
yg mengasumsikan permintaan periode
berikutnya sama dengan permintaan pada
periode terakhir. Dengan kata lain, jika
penjualan sebuah produk (mis: telpon
gemgam Motorolla) adalah 68 unit pada
bulan Januari, kita dapat meramalkan
pen-jualan pada bulan Februari akan
sama, yaitu sebanyak 68 unit juga.
05/25/15
22
05/25/15
23
RATA-RATA BERGERAK
Rata-rata bergerak adalah suatu metode
peramalan yg menggunakan rata-rata periode
terakhir data untuk meramalkan periode
berikutnya.
Permintaan dlm periode n sebelumnya
24
Contoh :
Bulan
Penjualan Aktual
Januari
10
Februari
12
Maret
13
April
16
(10+12+13)/3 = 11,67
Mei
19
(12+13+16)/3 = 13,67
Juni
23
(13+16+19)/3 = 16
Juli
26
(16+19+23)/3 = 19,33
Agustus
30
(19+23+26)/3 = 22,67
September
28
(23+26+30)/3 = 26,33
Oktober
18
(26+30+28)/3 = 28
Nopember
16
(30+28+18)/3 = 25,33
Desember
14
(28+18+16)/3 = 20,67
05/25/15
25
Penjualan Aktual
Januari
10
Februari
12
Maret
13
April
16
[(3x13)+(2x12)+(10)]/6 = 12, 16
Mei
19
[(3x16)+(2x13)+(12)]/6 = 14, 33
Juni
23
[(3x19)+(2x16)+(13)]/6 = 17,00
Juli
26
[(3x23)+(2x19)+(16)]/6 = 20,50
Agustus
30
[(3x26)+(2x23)+(19)]/6 = 23,80
September
28
[(3x30)+(2x26)+(23)]/6 = 27,50
Oktober
18
[(3x28)+(2x30)+(26)]/6 = 28,33
Nopember
16
[(3x18)+(2x28)+(30)]/6 = 23,33
Desember
14
[(3x16)+(2x18)+(28)]/6 = 18,67
05/25/15
26
PENGHALUSAN EKSPONENSIAL
Penghalusan eksponensial merupakan metode
peramalan rata-rata bergerak dgn pembobotan
dimana titik data dibobotkan oleh fungsi
eksponensial.
Rumus penghalusan eksponensial :
Peramalan Baru Peramalan Periode terakhir (Permintaan sebenarnya periode terakhir)
- peramalan periode terakhir
27
Ft Ft 1 ( At 1 Ft 1 )
Rumus :
Periode
Ketiga
Sebelum
Terakhir
Periode
Keempat
Sebelum
Terakhir
Konstanta
Penghalusan
Periode
Terakhir
Periode
Sebelum
Terakhir
= 0,1
0,1
0,09
0,081
0,073
0,066
= 0,5
0,5
0,25
0,125
0,063
0,031
05/25/15
28
05/25/15
29
Aktual Peramalan
MAD
n
05/25/15
30
Contoh :
Selama 8 kuartal terakhir, Perusahaan X
membongkar muat sejumlah besar bijibijian dari kapal. Manajer operasi pelabuhan ingin menguji penggunaan penghalusan eksponensial utk melihat seberapa baik
teknik ini bekerja dlm memprediksi tonase
biji-bijian yg dibongkar/muat. Ia menebak
peramalan bongkar/muat biji-bijian pada
kuartal pertama adalah 175 ton. Dua nilai
yg diuji =0,1 dan =0,5.
05/25/15
31
Penyelesaian :
Kuartal
Tonase
Bongkar/
Muat
Peramalan yg
dibulatkan
dgn =0,5
180
175
175
168
175+0,1(180-175)=175,50
177,50
159
175,50+0,1(168-175,50)=174,75
172,75
175
174,75+0,1(159-174,75)=173,18
165,88
190
173,18+0,1(175-173,18)=173,36
170,44
205
173,36+0,1(190-173,36)=175,02
180,22
180
175,02+0,1(205-175,02)=178,02
192,61
182
178,02+0,1(180-178,02)=178,22
186,30
178,22+0,1(182-178,22)=178,59
184,15
05/25/15
32
Perhitungan MAD :
Kuartal
Tonase B/M
Aktual
Peramalan
= 0,1
Deviasi
Absolut
=0,1
Peramalan
= 0,5
Deviasi
Absolut
=0,5
180
175
5,00
175
5,00
168
175,50
7,50
177,50
9,50
159
174,75
15,75
172,75
13,75
175
173,18
1,82
165,88
9,12
190
173,36
16,64
170,44
19,56
205
175,02
29,98
180,22
24,78
180
178,02
1,98
192,61
12,61
182
178,22
3,78
186,30
4,30
05/25/15
82,45
98,62
MAD
10,31
12,33
33
Peramalan =01
(Kesalahan)2
180
175
52 = 25
168
175,50
(-7,5)2=56,25
159
174,75
248,06
175
173,18
3,33
190
173,36
276,89
205
175,02
898,70
180
178,02
3,92
182
178,22
14,31
1.526,46
190,80
05/25/15
34
Peramalan =01
MAPE 100
(Kesalahan/Aktual)
180
175
(5/180)(100)=0,0278
168
175,50
0,0446
159
174,75
0,0990
175
173,18
0,0105
190
173,36
0,0876
205
175,02
0,1462
180
178,02
0,0110
182
178,22
0,0208
05/25/15
Jumlah kesalahan =
0,4475
MAPE=(Jumlah Kesalahan)/n =
0,0559
35
Penghalusan Eksponensial
dengan Penyesuaian Tren
Permintaan
Aktual
100
F1 = 100 (diberikan)
200
300
400
500
05/25/15
36
Untuk memperbaiki peramalan kita, berikut akan diilustrasikan model penghalusan eksponensial yg lebih rumit dan dapat
menyesuaikan diri pada tren yg ada. Idenya adalah menghitung rata-rata data
penghalusan eksponensial, kemudian menyesuaikan untuk kelambatan (lag) positif
atau negatif pada tren. Rumusnya :
Peramalan dengan Tren (FITt) = Peramalan penghalusan eksponensial (Ft)
- Tren penghalusan eksponensial (Tt)
05/25/15
37
05/25/15
38
Dimana :
Ft = peramalan dengan eksponensial yg dihaluskan dari
data berseri pada periode t.
Tt = tren eksponensial yg dihaluskan pada periode t.
At = permintaan aktual pada periode t.
= konstanta penghalusan untuk rata-rata (01)
= konstanta penghalusan untuk tren (01)
3 Langkah menghitung peramalan yg disesuaikan dgn
tren, yaitu :
1. Menghitung Ft, peramalan eksponensial yg dihaluskan
untuk periode t, menggunakan persamaan (1).
05/25/15
39
05/25/15
40
Contoh :
Bulan (t)
Permintaan
Aktual (At)
Bulan (t)
Permintaan
Aktual (At)
12
21
17
31
20
28
19
36
24
10
41
Penyelesaian :
Langkah-1 : Ramalkan bulan kedua :
Ft = At +(1-)(Ft +Tt)
F2 = (0,2)(12)+(1-0,2)(11+2) = 12,8 unit.
Langkah-2 : Hitung tren pada periode 2 :
T2 = (F2-F1)+(1-)T1
= (0,4)(1,8)+(0,6)(0,2) = 1,92
Langkah-3 : Hitung FITt :
FIT2 = F2 + T2
= 12,8 + 1,92 = 14,72 unit
05/25/15
42
Perhitungan selengkapnya :
Bulan
Permintaan
Aktual
Ft
Tt
FITt
12
11
13,00
17
12,80
1,92
14,72
20
15,18
2,10
17,28
19
17,82
2,32
20,14
24
19,91
2,23
22,14
21
22,51
2,38
24,89
31
24,11
2,07
26,18
28
27,14
2,45
29,59
36
29,28
2,32
31,60
10
32,48
2,68
35,16
05/25/15
43
Proyeksi Tren
Adalah suatu metode peramalan serangkaian
waktu yg sesuai dengan garis tren terhadap
serangkaian titik-titik data masa lalu, kemudian
diproyeksikan ke dalam peramalan masa depan
untuk peramalan jangka menengah dan jangka
panjang.
Persamaan garis :
^
y a bx
05/25/15
44
Dimana :
y = variabel yg akan diprediksi
a = konstanta
b = kemiringan garis regresi
x = variabel bebas (waktu)
Dengan metode kuadrat terkecil (MKT) didapat :
xy n x y
b
x nx
2
05/25/15
a y bx
45
Contoh :
Tahun
Periode
Waktu (x)
Permintaan
Daya Listrik (Y)
x2
xy
2001
74
74
2002
79
158
2003
80
240
2004
90
16
360
2005
105
25
525
2006
142
36
852
2007
122
49
854
Jumlah
x = 28
y = 692
x2 = 140
xy = 3.063
Rata-rata
98,86
05/25/15
46
Penyelesaian :
xy n x y 3.063 - (7)(4)(98,86) 295
10,54
140 - (7)(4 )
28
x nx
2
Persamaan tren :
^
y a bx 56,70 10,54 x
Permintaan tahun 2008 = 56,70+10,54(8)
= 141,02 megawat
05/25/15
47
Tahun
05/25/15
48
49
Permintaan
Permintaan
rata-rata
bulanan
Indeks Musiman
2005
2006
2007
Permintaan
rata-rata
Jan
80
85
105
90
1.128/12 = 94
90/94 = 0,957
Feb
70
85
85
80
94
80/94 = 0,851
Mar
80
93
82
85
94
85/94 = 0,904
Apr
90
95
115
100
94
100/94 = 1,064
Mei
113
125
131
123
94
123/94 = 1,309
Jun
110
115
120
115
94
115/94 = 1,223
Jul
100
102
113
105
94
105/94 = 1,117
Agt
88
102
110
100
94
100/94 = 1,064
Sep
85
90
95
90
94
90/94 = 0,957
Okt
77
78
85
80
94
80/94 = 0,851
Nop
75
82
83
80
94
80/94 = 0,851
Des
82
78
80
80
94
80/94 = 0,851
Jumlah
1.128
Bulan
05/25/15
50
Permintaan
Bulan
Permintaan
Januari
(1.200/12)(0,957) = 96
Juli
(1.200/12)(1,117) = 112
Februari
(1.200/12)(0,851) = 85
Agustus
(1.200/12)(1,064) = 106
Maret
(1.200/12)(0,904) = 94
September
(1.200/12)(0,957) = 96
April
(1.200/12)(1,064) = 106
Oktober
(1.200/12)(0,851) = 85
Mei
(1.200/12)(1,309) = 131
Nopember
(1.200/12)(0,851) = 85
Juni
(1.200/12)(1,223) = 122
Desember
(1.200/12)(0,851) = 85
05/25/15
51
Januari
67
9.530
Februari
68
9.551
Maret
69
9.573
April
70
9.594
Mei
71
9.616
Juni
72
9.637
Juli
73
9.659
Agustus
74
9.680
September
75
9.702
Oktober
76
9.724
Nopember
77
9.745
Desember
78
9.766
Bulan
05/25/15
52
Waktu
Indeks
Musiman
Januari
67
9.530
1,04
9.911
Februari
68
9.551
0,97
9.265
Maret
69
9.573
1,02
9.764
April
70
9.594
1,01
9.691
Mei
71
9.616
0,99
9.520
Juni
72
9.637
0,99
9.542
Juli
73
9.659
1,03
9.949
Agustus
74
9.680
1,04
10.068
September
75
9.702
0,97
9.411
Oktober
76
9.724
1,00
9.724
Nopember
77
9.745
0,96
9.355
Desember
78
9.766
0,98
9.572
Bulan
05/25/15
53
05/25/15
54