Forcasting 2
Forcasting 2
1. Forecasting (peramalan) dapat selalu salah. Dengan demikian, peramalan harus dapat
mencakup nilai yang diharapkan dan ukuran dari kesalahan peramalan.
2. Peramalan dalam jangka panjang biasanya kurang akurat. Karena peramalan jangka
panjang, terdapat standart deviasi dari kesalahan rata-rata relative dari prakiraan
jangka pendek.
3. Pengumpulan peramalan biasanya lebih akurat daripada pemisahan prakiraan.
Pengumpulan peramalan cenderung mempunyai standart deviasi yang kecil dari
kesalahan rata-rata relative.
Untuk setiap pola permintaan terdapat beberapa metode yang dapat dipakai.
9000
8000
7000
6000
Jika pola data berlanjut ke
5000 masa depan
4000
3000
2000
1000
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
Gambar diatas menunjukkan bahwa permintaan produksi memiliki pola yang berbeda-beda setiap
bulan. Sehingga perlu adanya ramalan permintaan (forecasting) agar perusahaan tidak
mengeluarkan biaya produksi yang tinggi.
Pola permintaan pada masa lalu akan terus berlanjut ke masa depan.
MANAJEMEN OPERASIONAL PRODUKSI - 16027304 14
Klasifikasi Metode Forecast
Kuantitatif :
Bersifat obyektif
Terdapat dua kelompok yaitu time series dan causal method
Menggunakan model statistik-matematik
Memerlukan data kuantitatif yang lengkap
Biasa digunakan untuk meramalkan permintaan pada jangka pendek
Demand
Periode
Jika data yang dimiliki kurang dari setahun maka diperlukan pengetahuan tambahan (kualitatif)
mengenai pola permintaan produk, misalnya untuk minuman dingin maka diduga kuat jika memiliki
pola musiman.
MANAJEMEN OPERASIONAL PRODUKSI - 16027304 18
2. Corrected History dan Outlier (deviasi)
Rata-rata penghasilan lima orang karyawan PT. XYZ adalah 7 juta.
Pernyataan ini diintepretasikan oleh kebanyakan orang bahwa lima orang tersebut
berpenghasilan sekitar 7 juta.
(benar jika data tidak mengandung deviasi (penyimpangan)).
25 2 2 2,5 3,5
7
5
Data Outlier
Jika outlier ikut diperhitungkan maka akan diperoleh hasil peramalan yang tidak akurat.
(bisa merusak pola data secara keseluruhan).
Outlier harus dikoreksi untuk mendapatkan data yang benar-benar menggambarkan pola
permintaan masa lalu.
Koreksi sebaiknya dilakukan secara manual, yaitu dengan memasukan estimasi nilai jika
kejadian khusus tersebut tidak terjadi. (berdasarkan pengalaman).
Gunakan nilai rata-rata gunakan cara ini untuk pola data konstan.
Jumlahkan permintaan pada periode sebelum dan sesudah data kemudian bagi dua
gunakan metode ini untuk pola data trend dan musiman.
Pola data dapat ditentukan dengan cara mengeplot data dan memahami karakteristik produk
(misal : lampu natal pasti musiman, lampu standard pasti konstan).
6,000
5,000
4,000
3,000
2,000
1,000
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
Data Historis
6000
Seasonal Linear
Regression 12 Periode
5000
Exponential
Smoothing
Linear Regression
4000 (trend)
3000
2000
1000
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
6000
5000
4000
3000
2000
1000
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
Kondisi perekonomian
Siklus hidup produk
Kompetisi
Performansi produk
Kualitas produk
Reputasi produk
Kepercayaan konsumen
Harga
Promosi
Teknologi baru
Produk substitusi
Promosi pesaing
1. Teknik forecasting yang dipilih harus dapat menghasilkan keakuratan tinggi dan
menghasilkan deviasi yang rendah antara hasil forecasting dengan realita.
2. Selain melihat dari segi akurasi, teknik forecasting juga dapat dipilih berdasarkan
tingkat ketanggapan (responsiveness) terhadap perubahan data.
3. Jika data memperlihatkan pola yang berulang, teknik forecasting yang dipilih juga
harus mempertimbangkan unsur trend.
4. Setelah teknik forecasting dipilih, kita tetap harus melakukan proses pengendalian
terhadap proses forecasting.
Simple Average
Moving Average
Weighted Moving Average
Exponensial Smoothing
Kelebihan:
Mudah
Kekurangan:
Semua data permintaan masa lalu diberi bobot yang sama.
Seharusnya data yang lebih baru diberi bobot yang lebih
besar karena lebih mewakili masa depan (lebih relevan).
Ai Period
1
Demand
10
SA
Ft i 1
2 12 10.0
N 3 14 11.0
4 15 12.0
Contoh : 5 16 12.7
6 17 13.4
F3 = (10 + 12)/2 = 11 7 19 14.0
8 21 14.7
F4 = (10 + 12 + 14)/3 = 12 9 23 15.5
t 1 Period Demand 3 MA
A i
1
2
10
12
Ft i t n
3 14
n 4 15 12,00
5 16 13,67
6 17 15,00
7 19 16,00
8 21 17,33
9 23 19,00
20 1 10
2 12 10
18
3 14 11
16 4 15 12 12,0 12,4
14 5 16 12,8 13,7 14,0
6 17 13,4 15 15,2
12
7 19 14 16 16,2
10 8 21 14,7 17,3 17,7
0 2 4 6 8 10 9 23 15,5 19 19,4
Dem Simple 3 MA WMA
Ft Ft 1 At 1 Ft 1
Ft 1 Ft 1 At 1
At-1 Permintaan aktual period t-1
Ft-1 Prediksi permintaan periode t-1
Smoothing constant 0< <1
(Smoothing Constant () between 0.1-0.3)
Forecast is old forecast plus a portion of the error of the last forecast.
120,50
120,00
Forecast
0.1
0.2
119,50
0.3
0.4
119,00
118,50
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Period