02 Peramalan 2010

Perumulun
Perencanaan dan Pengendalian Produksi

Minggu 2
!urusan 1eknlk lndusLrl usakLl erencanaan dan engendallan roduksl
2
Husil Pembelujurun
Umum
Mahasiswa mampu menerapkan model
matematik, heuristik dan teknik statistik untuk
perencanaan dan pengendalian produksi
Khusus
Mampu menganalisis pola permintaan serta
menerapkan teknik-teknik peramalan
3
Perumulun
Merupakan estimasi nilai atau karakteristik di masa
mendatang, sehingga dimungkinkan adanya
perencanaan
Peramalan:
prediksi (prediction)
peramalan (forecast)
kecenderungan (trend)
Metoda peramalan dapat berdasarkan :
Model kuantitatif, dengan mempergunakan data
masa lalu
Model kualitatif, berdasarkan pengalaman
4
Iuktor yung mempengurohi permintuun:
Faktor Eksternal:
Booming economy
Perubahan dalam peraturan pemerintah
Turning point, perubahan permintaan
Leading indicator
Coincident indicators
Lagging indicator
Perubahan selera konsumen
5
Iuktor yung mempengurohi permintuun:
Faktor Internal:
Desain produk atau jasa
Harga dan promosi
Desain kemasan
Kuota penjualan atau insentif
Ekspansi target pasar untuk merubah volume
permintaan
Manajemen permintaan: menggambarkan proses
untuk mempengaruhi waktu (timing) dan volume
permintaan. Contoh: adanya discount untuk
pembelian kendaraan
6
Sistem Perumulun
Data Historis
Tujuan
model
Forecast
(Prediction)
Feedback on
forecast
accuracy
Data checked for
accuracy and
reasonableness
Update sesuai
kebutuhan
Knowledge of
changed
condition
Pembandingan
dengan kondisi
aktual
7
Prosedor Perumulun
Plot data permintaan vs. waktu
Pilih beberapa metoda peramalan
Evaluasi kesalahan peramalan
Pilih metoda peramalan dengan kesalahan
peramalan terkecil
Intepretasi hasil peramalan
8
Konsiderusi {1)
Ongkos dan manfaat
Ongkos
Ongkos pengembangan metoda
Ongkos kegiatan peramalan
Ongkos akibat kesalahan ramal
Manfaat
Mengerti hubungan antara permintaan dan
faktor lain
Kondisi dunia nyata Sistem pengendalian
produksi
9
Konsiderusi {)
Ketelitian
Suatu ukuran seberapa tepat ramalan dari
kondisi aktual
Sederhana dalam perhitungan
ketelitian tinggi vs sederhana dalam
perhitungan
Kemampuan menyesuaikan terhadap perubahan
Lead time, perioda, horizon
"Untuk tujuan apa suatu ramalan dibuat akan
menentukan pendekatan yang diambil"
10
Polu utu
11
Kurukteristik Polu utu Permintuun
Pola data permintaan dapat berupa:
1. Horizontal (average), fluktuasi permintaan berada diantara
rataan tertentu.
2. Trend, kecenderungan meningkat atau menurun rata-rata
terhadap waktu
3. Seasonal, perkiraan peningkatan atau penurunan
permintaan yang tergantung pada waktu (hari, minggu,
bulan atau musim
4. Cyclical, perkiraan peningkatan atau penurunan permintaan
dalam kurun waktu yang lama, dipengaruhi oleh:
1. business cycle
2. product / service life cycle
5. Random error, tidak dapat diperkirakan.
12
Tingkut Akorusi Metode
Perumulun {1)
Forecast error
Mean Squared Error (MSE)
Mean Absolute Deviation (MAD)
Standard Error of Estimate (SSE)
Mean Absolute Percent Error (MAPE)
13
Perumulun {)
Mean Square Error (MSE)
dimana:
e
i
= F
t
- D
t
= forecasting error dalam periode t
F
t
= nilai ramalan pada periode t
D
t
= data aktual pada periode t
t = banyaknya periode
)
=
=
n
i
i
e n MSE
1
2
1
14
Perumulun {)
Mean Absolute Deviation (MAD)
dimana:
|e
i
| = |F
t
- D
t
| = absolut forecasting error dalam
periode t
F
t
D
t
)
=
=
n
i
i
e n MAD
1
1
15
Perumulun {q)
Mean Absolute Percentage Error (MAPE)
dimana:
e
i
= F
t
- D
t
= forecasting error dalam periode t
F
t
D
t
) 100 1
1
D e n MAPE
n
i
i i

=

=
16
Perumulun {)
Standard error of estimate (SEE)
dimana:
f = derajat kebebasan
1 : untuk data konstan
2 : untuk data linier
3 : untuk data kuadratis
=

=
n
i
i
f n
e
SEE
1
2
) (
17
TAKSONOMI PIRAMALAN
BIRASARKAN WAKTL
angka Panjang : > 2 tahun
angka Menengah : 3 bulan - 2 tahun
angka Pendek : 0 - 3 bulan
18
ANGKA PINIK {o- bolun)
Untuk meramalkan permintaan akan suatu produk
atau jasa
Umumnya digunakan analisa time series, causal dan
judgment
Untuk jangka pendek manajer jarang ingin
menunggu.
udgment digunakan apabila data masa lalu tidak
tersedia
Keputusan untuk manajemen persediaan,
penjadwalan final assembly, penjadwalan tenaga
kerja, master production scheduling (MPS)
19
ANGKA MININGAH { bln- thn)
Dikaitkan dengan perencanaan kapasitas, total
penjualan, sekelompok produk (family)
Umumnya digunakan metoda causal
Judgment digunakan, apabila data masa lalu
tidak tersedia
Analisa time series tidak memberikan hasil yang
akurat, karena asumsi yang berlaku untuk jangka
pendek belum tentu berlaku untuk jangka
panjang
Untuk perencanaan staff, perencanaan produksi,
MPS, pembelian dan distribusi
20
ANGKA PANANG {> thn)
Peramalan biasanya dikembangkan untuk
menghitung penjualan total
3 (tiga) jenis keputusan: lokasi fasilitas,
perencanaan kapasitas dan pemilihan proses
Umumnya digunakan metoda causal dan
judgment
21
Tuksonomi Perumulun Berdusurkun
erujut KountiIikusi {1)
PERAMALAN
KAUSAL
EXPONENTIAL
SMOOTHING
MOVING
AVERAGE
RATA-RATA
SMOOTHING
REGRESI
TIME SERIES
MODEL
KUALITATIF
MODEL
KUALITATIF
22
Tuks. Perumulun Berdusurkun
erujut KountiIikusi {)
Penggunaan Model Kualitatif:
Tidak memerlukan data kuantitatif
Unsur subyektivitas peramalan sangat besar
pengaruhnya dalam hasil peramalan
Baik untuk peramalan jangka panjang
Menggunakan 2etoda judge2ent
23
erujut KountiIikusi {)
Model Kualitatif : Metoda Judge2ent digunakan, apabila
data yang tersedia tidak mencukupi.
Terdapat 4 pendekatan
sti2asi 'sales force', berdasarkan pengolahan dari
perkiraan permintaan mendatang yang dibuat secara periodik
oleh tenaga penjualan perusahaan
ecutive opinion, berdasarkan opini, pengalaman dan
pengetahuan teknis darai para pimpinan
Market research, pendekatan secara sistematik untuk
menentukan minat konsumendengan membangun hipotesa
melalui data pengamatan yang dikumpulkan
Metoda Delphi, berdasarkan konsensus dari sekelompok
pakar yang identitasnya dipertahankan untuk tidak saling
mengetahui.
24
erujut KountiIikusi {q)
Model Kuantitatif :
Membutuhkan data kondisi masa lalu
Diasumsikan pola data masa lalu akan berlanjut
pada masa yang akan datang
Data tersebut dapat dikuantifisir
Data yang digunakan untuk keperluan perencanaan
produksi:
Paling baik menggunakan data permintaan
Menggunakan data jumlah unit penjualan
Kalau tidak memiliki data penjualan gunakan
data jumlah unit produksi
25
Model KountitutiI : Metodu
Cuosul
Digunakan bila tersedia data masa lalu
Hubungan antara faktor internal ataupun eksternal
dapat diidentifikasikan
Hubungan dinyatakan dalam bentuk matematis
Terdapat 3 pengukuran ketelitian peramalan hasil
analisa
1. Correlation coefficient (r)
2. Coefficient of determination (r
2
)
3. Standard error of the estimate (t
xy
)
26
Model KountitutiI : Metodu Time
Series
Sesuai untuk peramalan jangka pendek.
Berdasarkan informasi masa lalu yaitu
variabel tidak bebas dengan asumsi, bahwa
variabel tidak bebas ini akan memiliki pola
yang sama dengan masa lalu.
Metode yang dapat digunakan antara lain :
Simple Moving Average N tertentu
Double Moving Average N tertentu
Simple Exponential Smoothing - tertentu
Double Exponential Smoothing - tertentu
Multiplicative Seasonal Method (MSM)
27
Simple Moving Averuge {SMA)
Model SMA berasumsi bahwa nilai rata-rata beberapa
periode terbaru baik digunakan untuk memperkirakan
pola mendatang
Cocok untuk pola data tanpa trend
Rumus SMA adalah
F
t
= peramalan untuk periode mendatang
N = jumlah periode yang akan dirata-ratakan
D
t
= demand aktual di periode t
) ) )
9 9 9
9
9 i
i 9
D D D D

=
+ + + = =

1 1
2 1
1
28
Minggu Demand SMA-3 SMA-6
1 650 F
4
=(650+678+720)/3
= 682,67
2 678
3 720
4 785 682,67 F
7
=(650+678+
720+785+859+920)/6
= 768,67
5 859 727,67
6 920 788,00
7 850 854,67 768,67
8 758 876,33 802,00
9 892 842,67 815,33
10 920 833,33 844,00
11 789 856,67 866,5
12 844 867,00 854,83
Hitung tingkat
akurasi metode
29
SMA PIotting
0
200
400
600
800
1000
1 2 3 4 5 6 7 8 9 10 11 12
Minggu
D
e
m
a
n
d Demand
SMA-3
SMA-6
30
adi peramalan untuk minggu ke 13 adalah sbb :
- SMA-3 : (920+789+844)/3 = 851
- SMA-6 : (850+758+892+920+789+844)/6 =
842,17
ika pada minggu ke 13 ternyata demand yang
terjadi adalah 849, berapakah peramalan untuk
periode ke 14 ?
- SMA-3 : (789+844+849)/3 = 827,33
- SMA-6 : (758+892+920+789+844+849)/6 = 842
31
ooble Moving Averuge {MA)
Digunakan untuk pola data trend
Merupakan SMA yang dirata-ratakan kembali
untuk mendapatkan trend.
SMA digunakan pada waktu t (S
t
)
Penyesuaian merupakan perbedaan antara SMA
dan DMA pada waktu t (S
t
-S
t
)
Penyesuaian digunakan untuk trend dari periode t
ke periode t+1 (atau periode t+m jika diramalkan
untuk m periode mendatang)
32
Formula DMA
n
D D D D
S
n 9 9 9 9
9
1 2 1

+
+ + + +
=
n
S S S S
S
n 9 9 9 9
9
1 2 1

+
+ + + +
=
9 9 9 9 9 9
S S S S S a 2 ) ( = + =
) (
1
2

9 9 9
S S
=
2 - a
9 9 2 9
+ =
+
33
Periode Demand SMA-4 DMA-4 a b F
t
1 140 S
t
=(140+159+136+157)/4 F
8
=165,75+4,17*1
2 150
3 136 S
t
=(148+156,25+149,25+159,5)/4
a = (2*159,5-153,25)
b = (2/3*(159,5-153,25))
4 157 148,00
5 173 156,25
6 131 149,25
7 177 159,50 153,25 165,75 4,17
8 188 167,25 158,06 176,44 6,13 169,92
9 154 162,50 159,63 165,38 1,92 182,56
10 179 174,50 165,94 183,06 5,71 167,29
11 188,77
itung tingkat akurasi
2etode
34
Simple Ixponentiul Smoothing {SIS)
Tidak semua data mempunyai bobot yang sama
Premise : data terbaru akan mempunyai nilai
predisksi tertinggi
Oleh karena itu data terbaru harus diberi bobot
lebih besar daripada data sebelumnya
Rumus SES
Asumsi : F
1
= D
1
constant smoothing
) 1 (
1 1
=
+ =

-
- -
9 9 9
D
35
Minggu Demand SES 0,1 SES 0,6
1 820 820 820
2 775 820 820
3 680 815.5 793
4 655 801.95 725.2
5 750 787.255 683.08
6 802 783.5295 723.232
7 798 785.3766 770.4928
8 689 786.6389 786.9971
9 775 776.875 728.1988
10 776.6875 756.2795
Hitung tingkat
akurasi metode
36
SimpIe ExponentiaI Smoothing PIotting
0
200
400
600
800
1000
1 2 3 4 5 6 7 8 9
Minggu
D
e
m
a
n
d
Demand
SES 0,1
SES 0,6
37
ooble Ixponentiul Smoothing {IS)
Suto Purumeter
Disebut juga Metode Linear Brown
Untuk pola data trend
Hampir sama dengan Double Moving Average
Penyesuaian dari SES dilakukan dengan
penambahan satu parameter
38
ooble Ixponentiul Smoothing {IS)
Suto Purumeter
Rumus :
) 1 (
+ =
9 9 9
S D S - -

1

) 1 (
+ =
9 9 9
S S S - -
) (
1

9 9 9
S S -
=
-
-
9 9 9 9 9 9
S S S S S a 2 ) ( = + =
2 - a
9 9 2 9
+ =
+
39
Contoh IS suto purumeter o = o.
Minggu Dt S't S''t a b Ft
1 143.00 143.00 143.00 143.00 0.00
2 152.00 144.80 143.36 146.24 0.36 143.00
3 161.00 148.04 144.30 151.78 0.94 146.60
4 139.00 146.23 144.68 147.78 0.39 152.72
5 137.00 144.39 144.62 144.15 -0.06 148.17
6 174.00 150.31 145.76 154.86 1.14 144.09
7 142.00 148.65 146.34 150.96 0.58 155.99
8 141.00 147.12 146.49 147.74 0.16 151.53
9 162.00 150.09 147.21 152.97 0.72 147.90
10 153.69 m = 1
11 154.41 m = 2
12 155.13 m = 3
Hitung tingkat
akurasi metode
40
Contoh IS suto purumeter o = o.
DES pIotting
0
50
100
150
200
1 2 3 4 5 6 7 8 9 10 11 12
Minggu
D
e
m
a
n
d
Dt
Ft
41
Perumulun Mosimun
Peramalan dimana data historis menunjukkan suatu
pertumbuhan tetapi juga memiliki pola musiman tertentu
Musiman di sini pada awalnya menunjukkan bulanan atau 4
bulanan (quarterly), tetapi pada peramalan, pola musiman
dapat ditemukan dalam bermacam-macam periode
Terdiri dari dua metode yaitu Multipicative Seasonal Method
dan Additive Seasonal Method.
Multipicative Seasonal Method
Faktor musiman dikalikan dengan estimasi rata-rata
permintaan yang akan tiba pada peramalan musiman. Pola
musimannya ditentukan oleh tingkat permintaan
Additive Seasonal Method
Peramalan musiman diperoleh dengan menambahkan suatu
konstanta pada estimasi rata-rata permintaan per musim.
Pendekatan ini berdasarkan asumsi bahwa pola musiman
konstan serta mengabaikan rata-rata permintaan.
42
Moltipicutive Seusonul Method
Problem
Manager ingin meramalkan permintaan pada setiap kuartal di
tahun ke 5 berdasarkan estimasi bahwa total permintaan pada
tahun ke 5 berjumlah 2600.
Kuartal Tahun 1 Tahun 2 Tahun 3 Tahun 4
1 45 70 100 100
2 335 370 585 725
3 520 590 830 1160
4 100 170 285 215
Total 1000 1200 1800 2200
43
Solosi Moltipicutive Seusonul
Method
$tep 1 : menentukan rata-rata permintaan
pada setiap musim
Av
1
= 1000/4 = 250
Tahun 1 2 3 4
Rata-rata 250 300 450 550
44
Solosi Moltiplicutive Seusonul
Method
$tep 2 : Tentukan indeks musiman
I
11
= 45/250 = 0,18 I
33
= 850/450 = 1,84
Kuartal Tahun 1 Tahun 2 Tahun 3 Tahun 4
1 0.18 0.23 0.22 0.18
2 1.34 1.23 1.30 .32
3 2.08 1.97 1.84 2.11
4 0.40 0.57 0.63 0.39
45
Method
$tep 3 : tentukan rata-rata indeks musiman untuk
setiap kuartal
I
1AV
= (0,18+0,23+0,22+0,18)/4 = 0,20
Kuartal 1 2 3 4
Rata2 indeks 0,20 1,30 2,00 0,50
46
Method
$tep 4 : Diperkirakan permintaan meningkat 400
unit per tahun, maka permintaan di tahun 5 menjadi
2200+400 = 2600. Rata-rata permintaan per kuartal
di tahun ke 5 adalah 2600/4 = 650. Selanjutnya
dapat diramalkan permintaan pada setiap kuartal
pada tahun ke 5.
Kuartal 2 = 650*1,30 = 845
Kuartal 1 2 3 4
Peramalan 130 845 1300 325
47
Method
Seandainya diketahui bahwa pola pertumbuhan
permintaan per tahun mengikuti regresi linier,
maka pada step 4 harus dihitung perkiraan
permintaan tahun ke 5 menggunakan regresi linier.
Untuk contoh ini, hasil regresi linier tahunan adalah
F
t
= 500 + 420t
F
5
= 500 + 420*5 = 2600
Maka rata-rata permintaan per kuartal
= 2600/4 = 650
48
Solosi Moltiplicutive Seusonul
Method
Hasil peramalan per kuartal untuk tahun ke 5
dihitung dengan cara yang sama yaitu :
Kuartal 1 = 650*0,20 = 130
Kuartal 1 2 3 4
Peramalan 130 845 1300 325
Hitung tingkat
akurasi metode
49
ANGKA MININGAH
Konstan
Regresi linier
Siklis
) ) )
( )
D a a
d
9
n
9
9
n
= =
=

1
) ) )
) )
( )
( ) ( ) ( )
( )
D a -9
-
9
9
a
9
9 d 9 d 9 9
d 9
= +
=
=
=
= = =
=
=

1 1 1
2
2
1
1
1

)
( ) cos
D
9 a u
9
; = + + sin
2 t
N
2x x
50
Contoh
Dari data 12 bulan terakhir tercatat penjualan
produk X:
Gambar
diagram
Pencar:
t 1 2 3 4 5 6 7 8 9 10 11 12
dt 140 159 136 157 173 181 177 188 154 179 180 160
51
Metodu Konstun
t dt dt e dt - dt
e
2

SEE
1 140 165 -25 64161
2 159 165 -6 4007
16 165 -29 86025
4 157 165 -8 699
5 17 165 767 588
6 181 165 1567 24555
7 177 165 1167 1619
8 188 165 2267 519
9 154 165 -11 1287
10 179 165 167 18687
11 180 165 1467 21521
12 160 165 -5 2841
12468 17

52
Metodu Konstun
a
9
9
n
9
d
d
=
=
1

SEE
n f
d9 d9
9
n
=
=
= <
=
2
1
124 68
12 1
124 68
11
16 85 17
( )

53
Metodu Linier
t dt t dt t
2
dt1561t e dt - dt e
2

1 140 140 1 157 -17 289
2 159 18 4 158 1 1
16 408 9 159 -2 529
4 157 628 16 160 - 9
5 17 865 25 161 12 144
6 181 1086 6 162 19 61
7 177 129 49 16 14 196
8 188 1504 64 164 24 576
9 154 186 81 165 -11 121
10 179 1790 100 166 1 169
11 180 1980 121 167 1 169
12 160 1920 144 168 -8 64
78
1984 1264 647 2628
t 65 dt 165

54
Metodu Linier
-
9 d9 d9 9
9
n
a
d9
- 9
d9 - 9
9
n
9
n
9
n
9
n
9
n
9
n
9
9
=
=
= =
= = =
=
= =

( )
1 1 1
2
1
2
1 1
1
-
a d9 - 9
d9 9
=

=
= <
=
= =
= <
= +
12 1264 1984 78
12 647
157168 154752
7764 6084
2416
1680
1 44 1
165 1 44 6 5 165 9 5
155 98 156
156 1
2
78
( ) ( )( )
( )
( )
( )
SEE
n f
d9 d9
9
n
=
=
= <
=
2
1
2628
12 2
2628
10
16 21 16
( )

55
Pemilihun Metodu Terbuik &
Husil Perumulun
Metode yang dipilih adalah metode peramalan
linier
Dt' = 156 + t
Konstan Linier Siklis
SEE 17 16 25

t 1 14 15 16 17 18 19 20 21 22 2 24
Dt 169 170 171 172 17 174 175 176 177 178 179 180

56
Trucking Signul {1)
Tracking Signal adalah sebuah ukuran yang
mengidentifikasi apakah sebuah metode peramalan dapat
secara akurat memprediksi perubahan permintaan aktual.
Tracking signal = CFE/MAD
Setiap periode, CFE dan MAD di update untuk
memperlihatkan error terbaru dan tracking signal
dibandingkan terhadap batasan yang sudah ditentukan

=
9
E CE
57
Trucking Signul {)
MAD dapat dihitung dengan dua cara
1. Sebagai simple average dari semua absolute
error
2. Sebagai weighted average pada metode
exponential smoothing
1
) 1 (
+ =
9
MAD
9
E MAD - -

n
9
E
MAD
=

58
Trucking Signul {)
Model kedua mempunyai kelebihan yaitu jumlah
data lebih sedikit
Nilai d tidak harus sama dengan yang digunakan
dalam peramalan tetapi biasanya digunakan d
kecil sekitar 0,1 untuk mengurangi efek error
masa lalu.
59
Trucking Signul {q)
ika peramalan berdistribusi normal dengan rata-
rata 0, hubungan antara o dan MAD adalah sbb :
Hubungan di atas memungkinkan penggunaan
tabel distribusi normal untuk menentukan batas
tracking signal.
Pemilihan batas tracking signal melibatkan trade-
off antara biaya peramalan dan biaya
pemeriksaan permasalahan

) )
o
x o
8 0 7978 0
) ( 25 1 2 /
= =
= =
MAD
MAD MAD

60
Trucking Signul {g)
ontrol Limit
Spread
(number oI MAD)
Equivalent
Number oI o
Percent oI Area
Within ontrol
Limits
10
15
20
25
0
5
40
080
120
160
200
240
280
20
5762
7698
8904
9544
986
9948
9986

61
Contoh Perhitongun Trucking
Signul
Minggu Dt $t $t a b Ft F. rror
Cu22.
F. rror
T$
= CFMAD
1 143 143 143 143 0
2 152 144.8 143.36 146.24 0.36 143 9 9 4
3 161 148.04 144.3 151.78 0.94 146.6 14.4 23.4 10.4
4 139 146.23 144.68 147.78 0.39 152.72 -13.72 9.68 4.30222222
5 137 144.39 144.62 144.15 -0.06 148.17 -11.17 -1.49 -0.66222222
6 174 150.31 145.76 154.86 1.14 144.09 29.91 28.42 12.6311111
7 142 148.65 146.34 150.96 0.58 155.99 -13.99 14.43 6.41333333
8 141 147.12 146.49 147.74 0.16 151.53 -10.53 3.9 1.73333333
9 162 150.09 147.21 152.97 0.72 147.9 14.1 18 8
10 153.69
11 154.41
12 155.13
Jumlah 18
MAD/MAE 2.25
Selesui

02 Peramalan 2010

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

02 Peramalan 2010

Diunggah oleh

Hak Cipta:

Format Tersedia

Perumulun

Perencanaan dan Pengendalian Produksi

!urusan 1eknlk lndusLrl usakLl erencanaan dan engendallan roduksl

!urusan 1eknlk lndusLrl usakLl erencanaan dan engendallan roduksl

Anda mungkin juga menyukai