Penilaian Beban Kerja

(Peramalan)

Prakiraan diperlukan untuk menggambarkan masa depan. Contoh peramalan

termasuk jumlah pasien di rumah sakit, siswa di perguruan tinggi, pelanggan di
toko kelontong, mobil yang akan diproduksi, dan sebagainya. Perkiraan
permintaan mengatur agenda untuk bagaimana seluruh perusahaan akan
menggunakan orang-orangnya, melakukan sumber dayanya, meminta pemasok
dari luar, dan merencanakan jadwal kerjanya. Prakiraan memberikan informasi
untuk berkoordinasi menuntut produk dan layanan dengan pasokan sumber
daya yang dibutuhkan memenuhi tuntutannya. Dengan demikian, ramalan adalah
platform untuk perencanaan masa depan. Ini adalah perencanaan reaktif. Strategi
yang bagus juga bertujuan untuk mengubah perkiraan yang akan mempengaruhi
apa yang mungkin terjadi di masa depan daripada hanya menerima ramalan
sebagai sesuatu yang tak terelakkan kebenaran. Dengan cara ini, manajemen
mendapatkan imbalannya dengan kemampuan produksi yang lebih baik (jangka
pendek dan panjang) untuk kemungkinan pemasaran. Ini adalah perencanaan
proaktif.

Peramalan bukanlah istilah yang biasanya digunakan untuk berbicara tentang

komposisi acak
imbang kartu atau bagaimana roda rolet bekerja. Itu adalah fenomena statistik
yang probabilitasnya diketahui. Las Vegas dan Atlantic City telah dibangun
keuntungan kasino judi mereka pada hukum probabilitas, tetapi pelanggan masih
harus melakukannya
datang dan main. Kehadiran pelanggan bukanlah probabilitas yang diketahui.
Kasino berusaha
perkiraan kehadiran.
Peramalan adalah untuk meramalkan volume permintaan penjualan meskipun
probabilitasnya
belum pernah dipelajari secara formal. Pelaku bisnis sering menggunakan apa
yang mereka rasakan
sedang terjadi untuk mencapai keputusan yang mungkin lebih baik dilakukan
jika seseorang telah menyimpannya
catatan tentang apa yang telah terjadi. Sering ada beberapa dasar empiris untuk
memperkirakan apa yang mungkin terjadi di masa depan.
Model pemasaran untuk memprediksi penjualan (tidak memiliki kontrak)
berurusan dengan tingkat
ketidakpastian yang membuat perkiraan volume permintaan, pangsa pasar, dan
pendapatan
sulit, tetapi tidak irasional. Salah satu sumber informasi terbaik tentang masa
depan
adalah masa lalu. Untuk produk baru, tidak ada masa lalu, sehingga metode lain
dapat dicoba.
Fokusnya di sini adalah menggunakan data yang ada untuk mengembangkan
perkiraan. The Rivet dan
Pabrik Kuku harus meramalkan penjualan produk untuk mengembangkan jadwal
departemen
untuk periode produksi selanjutnya. Perusahaan Mail Order harus
memperkirakan permintaan
untuk memiliki jumlah agen dan operator terlatih yang tepat di tempat.
Mengarungi
Perusahaan Motor harus meramalkan penjualan mobil sehingga persediaan
dealer memiliki ukuran yang wajar
untuk setiap model.

Dalam setiap situasi perkiraan penjualan, volatilitas permintaan akan

menentukan bagaimana
kemungkinan itu adalah ramalan yang bagus yang bisa dibuat. Pola stabil yang
bertahan lama
periode waktu membuat peramal perusahaan yakin bahwa pekerjaan peramalan
yang kredibel
bisa diselesaikan. Perkiraan yang goyah membuat peramal perusahaan menjadi
tidak nyaman, sehingga mereka mencari
untuk faktor-faktor baru untuk berkorelasi dengan sistem permintaan.
Pola penjualan menjadi kurang stabil dengan meningkatnya persaingan dan
informasi.
Penjualan makanan yang dulu stabil sekarang dipengaruhi oleh laporan medis
tentang
efek makanan pada kesehatan. Penjualan mobil dan rumah adalah beberapa
produk yang
sangat dipengaruhi oleh suku bunga, yang berfluktuasi lebih dalam lingkungan
global.
Ekspor dan impor adalah penjualan yang bergerak di seluruh dunia sebagai
tanggapan terhadap mata uang
fluktuasi yang semakin tidak stabil. Akibatnya, sebaik mungkin, secara ekonomis
metode peramalan yang layak harus digunakan oleh perusahaan yang
dipengaruhi oleh peningkatan volatilitas.
82 ◾ Sistem Manajemen Produksi dan Operasi
Seberapa baik kita meramalkan masa depan? Jawabannya akan tergantung pada
stabilitas
dari pola rangkaian waktu untuk peristiwa yang sedang dipelajari. Pola dasar
bisa sulit ditemukan, tetapi bukan tidak mungkin. Bahkan jika sebuah pola
ditemukan, pertanyaannya
tetap, berapa lama itu akan bertahan? Kapan itu akan berubah? Mereka yang
bersedia meramalkan
harus menerima tantangan.
Persamaan matematis digunakan untuk berbagai jenis peramalan. Itu penting
untuk menekankan bahwa persamaan tidak membuat perkiraan “kebenaran.”
Juga, banyak sekali
peramalan yang baik dapat dilakukan tanpa matematika. Lebih lanjut, dengan
atau tanpa
matematika, tidak ada ramalan yang pernah dijamin.

Serangkaian waktu adalah aliran data yang mewakili pengukuran masa lalu.
Setiap acara
(pengamatan permintaan) diberi tanda waktu sehingga diketahui di mana
lokasinya
rangkaian data. Rangkaian waktu terdiri atas data yang direkam pada periode
waktu yang berbeda
seperti mingguan atau harian untuk variabel, yang bisa berupa unit yang
diproduksi atau tuntutan
diterima. Peramal mencoba memprediksi nilai atau kumpulan nilai berikutnya
yang akan terjadi
di masa depan. Dalam analisis deret waktu, sebab eksternal tidak dimasukkan ke
dalam gambar.
Pola rangkaian dianggap tergantung pada waktu. Itulah mengapa
definisi American Production and Inventory Control Society (APICS) menyatakan
"Nilai-nilai dari variabel adalah fungsi dari periode waktu." APICS sekarang
mencantumkan dirinya sebagai
Asosiasi Manajemen Operasi. Ekstrapolasi adalah proses pemindahan
dari data yang diamati (dulu dan sekarang) ke nilai yang tidak diketahui dari poin
masa depan. Itu
ekstrapolasi deret waktu adalah salah satu fungsi utama dari peramalan.
Data dalam rangkaian waktu dapat terdiri dari beberapa jenis variasi yang
berbeda.
Penting di antara mereka adalah variasi acak, kecenderungan yang meningkat
atau menurun,
dan variasi musiman. Variasi acak terjadi karena
permintaan jarang konstan pada tingkat tertentu. Variasi kecil terjadi dari satu
periode ke yang lain. Dalam banyak contoh, tidak ada penyebab spesifik yang
dapat ditetapkan untuk
variasi acak ini. Variasi acak adalah hasil dari lingkungan ekonomi
dan pasar tempat organisasi beroperasi.
Selain variasi acak, data time-series dapat menunjukkan peningkatan
atau tren menurun (lihat Gambar 3.2 untuk tren yang meningkat dan Gambar 3.3
untuk a
tren menurun). Jika time series menunjukkan tren linear yang meningkat, seperti
pada Gambar 3.3,
ada tingkat perubahan konstan (meningkat) dengan peningkatan waktu. Linear
penurunan juga bisa terjadi. Garis tren nonlinier terjadi di mana laju
perubahannya
250
300
350
400
200
150
100
Permintaan
50
0
0 20 40 60 80
Waktu
100 120 140
Gambar 3.2 Rangkaian waktu dengan variasi acak dan tren meningkat.
250
200
150
100
Permintaan
50
0
0 20 40 60 80
Waktu
100 120 140

Gambar 3.3 Rangkaian waktu dengan variasi acak dan tren menurun.
84 ◾ Sistem Manajemen Produksi dan Operasi
geometris. Dalam kasus seperti itu, adalah mungkin untuk mengekstrapolasikan
kurva dengan mata, tetapi tingkat
perubahan juga dapat dihitung, dan proyeksi dapat dibuat secara matematis.
Rangkaian waktu mungkin juga menunjukkan variasi musiman (atau siklus).
Gambar 3.4
menunjukkan variasi musiman ditambah dengan variasi acak, sedangkan Gambar
3.5 menggabungkan
ketiga komponen — variasi acak, tren yang meningkat, dan musiman
variasi. Misalnya, orang dapat mengamati variasi musiman dalam permintaan
untuk resor
hotel dan minyak pemanas rumah.
Ada kategori lain dari seri waktu yang berguna untuk diketahui. Untuk
Misalnya, fungsi langkah yang terlihat seperti tangga — naik atau turun juga
hadir dalam deret waktu. Diharapkan bahwa ramalan dapat memprediksi kapan
berikutnya
600
500
400
300
200
Permintaan
100
0
0 20 40 60 80
Waktu
100 120 140
Gambar 3.4 Rangkaian waktu dengan variasi acak dan variasi musiman.
600
700
500
400
300
200
Permintaan
100
0
0 20 40 60 80
Waktu
100 120 140

Gambar 3.5 Rangkaian waktu dengan variasi acak, variasi musiman, dan
peningkatan
kecenderungan.
Penilaian Beban Kerja (Peramalan) ◾ 85
langkah akan terjadi dan seberapa jauh naik atau turunnya. Jika mereka terjadi
secara teratur, itu bagus
perkiraan dapat dibuat dari periode antara langkah-langkah dan waktu langkah-
langkah di masa depan.
Fungsi langkah adalah karakteristik sistem yang hanya dapat berubah dalam
jumlah tertentu.
Jadi, jika penjualan harus dilakukan dalam banyak 100 unit, maka setiap
perubahan permintaan
akan terjadi dalam ratusan unit langkah. Jika penjualan Desember 500, penjualan
untuk Januari
bisa 400, 500, atau 600, artinya bisa naik atau turun, atau tetap sama dengan
Penjualan bulan Desember 500.
Data deret waktu juga dapat mencerminkan semburan yang tidak teratur yang
disebut impuls. Jika lonjakan ini
muncul dari waktu ke waktu dan beberapa pola dapat dikaitkan dengan mereka,
mereka bisa
ditambahkan ke daftar apa yang dapat diekstrapolasikan atau diproyeksikan ke
masa depan.
Siklus jangka pendek dapat dibonceng pada siklus jangka panjang. Semua jenis
kombinasi
itu mungkin. Kuncinya adalah siklus, tren, dan langkah adalah dasar
palet untuk pengembangan model peramalan.
Istilah "analisis deret waktu" layak mendapat penjelasan. Analisis deret waktu
adalah
“Analisis dari setiap variabel yang diklasifikasikan berdasarkan waktu, di mana
nilai-nilai dari variabel tersebut
fungsi dari periode waktu. ”Analisis deret waktu berhubungan dengan
menggunakan pengetahuan tentang
siklus, tren, dan rata-rata untuk meramalkan acara mendatang. Itu selalu berguna
untuk dicoba ditemukan
hubungan kausal antara siklus terkenal, seperti musim, dan pola permintaan
yang sedang dilacak. Menggunakan simbol, perkiraan harus dibuat dari beberapa
rangkaian
angka x1, x2,…, xn. Angka-angka mungkin angka penjualan bulanan untuk tahun
lalu.
Pertanyaannya adalah: Apa gunanya membuat angka-angka ini untuk
menunjukkan bulanan
angka penjualan untuk tahun depan? Bagaimana seri waktu yang diperkirakan
akan digunakan? Produksi
jadwal akan disusun untuk memenuhi permintaan. Pesanan akan ditempatkan
untuk inventaris
dibeli. Pekerja akan dipekerjakan dan dilatih, atau dilepaskan sebagai kru
produksi
dirampingkan. Ruang sewa akan ditambah atau dikurangi, atau akan tetap sama.
Banyak
keputusan yang saling terkait membutuhkan prakiraan yang dapat dipercaya
sebelum dibuat.
Analisis deret waktu menggunakan metode statistik, termasuk analisis tren dan
siklus,
untuk memprediksi nilai masa depan berdasarkan sejarah penjualan atau apa
pun waktunya
seri menjelaskan. Pada bagian berikut, kita akan membahas moving average
(MA),
weighted moving average (WMA), pemulusan eksponensial (ES), dan analisis tren
metode untuk peramalan dan ekstrapolasi. Cara membuat ramalan saat musiman
variasi yang hadir juga dibahas.

3.3 Metode Peramalan untuk Analisis Deret Waktu

Kami akan mempelajari teknik-teknik berikut untuk analisis deret waktu di
bagian ini:
◾◾ Pindah rata-rata
◾◾ Rata-rata bergerak tertimbang
◾◾ Pemulusan eksponensial
◾◾ Perkiraan musiman
◾◾ Analisis tren
86 ◾ Sistem Manajemen Produksi dan Operasi
3.3.1 Moving Average
Metode MA (rata-rata bergerak) memasok perkiraan nilai mendatang
berdasarkan
sejarah masa lalu baru-baru ini. MA juga disebut metode MA sederhana. Yang
terbaru n berturut-turut
nilai-nilai, yang merupakan pengamatan peristiwa aktual seperti harian,
mingguan, bulanan, atau
permintaan tahunan, digunakan dalam membuat ramalan. Data-data ini dicatat
dan harus
diperbarui untuk mempertahankan n nilai terbaru. Dengan berlalunya setiap
waktu
periode, nilai terbaru disimpan dan nilai periode paling awal dijatuhkan
mati. Misalnya, jika Anda ingin meramalkan permintaan untuk April
menggunakan n = 3, maka
permintaan untuk tiga bulan terakhir, yaitu, Januari, Februari, dan Maret,
diperlukan.
Prakiraan untuk April kemudian dapat dihitung sebagai
Prakiraan untukApril
Januari Februari Februari dan Maret Maret


3.
Contoh: Pertimbangkan data permintaan (penjualan) yang diberikan pada Tabel
3.1 selama 10 periode
(bulan dalam contoh ini). Perkiraan untuk bulan 4-10 diberikan dalam tabel. Itu
angka yang digunakan dalam rumus untuk setiap bulan diberikan dalam kolom
perhitungan.
Misalnya, perkiraan untuk bulan keempat adalah
Tabel 3.1 Contoh Metode MA (n = 3)
Bulan Perhitungan Perkiraan Penjualan
1 100
2 80
3 90
4 110 90,00 = (100 + 80 + 90) / 3
5 100 93,33 = (80 + 90 + 110) / 3
6 110 100,00 = (90 + 110 + 100) / 3
7 95 106,67 = (110 + 100 + 110) / 3
8 115 101,67 = (100 + 110 + 95) / 3
9 120 106,67 = (110 + 95 + 115) / 3
10 90 110,00 = (95 + 115 + 120) / 3
11 105 108.33 = (115 + 120 + 90) / 3
12 110 105,00 = (120 + 90 + 105) / 3
Penilaian Beban Kerja (Peramalan) ◾ 87
Ramalan cuaca
Permintaan Permintaan Permintaan
()
() () ()
.
4
123
3
100 80 90
3 90



Dapat dicatat bahwa perkiraan tidak dapat dilakukan untuk tiga bulan pertama,
jika
n = 3, karena data untuk tiga bulan terakhir diperlukan. Demikian pula, jika n = 4,
lalu
ramalan tidak bisa dibuat untuk empat periode pertama

Istilah "moving average" digunakan karena setiap pengamatan baru menjadi

tersedia rata-rata baru dapat dihitung dan digunakan sebagai perkiraan. Tidak
ada perkiraan yang bisa dibuat sampai ada sebanyak pengamatan historis yang
diperlukan (n) untuk MA. Lebih lanjut metode MA digunakan untuk meramalkan
hanya satu periode waktu sebelumnya karena tidak tersedia nilai aktual yang
diperlukan untuk memperkirakan lebih dari satu periode sebelumnya. Keputusan
harus dibuat mengenai berapa banyak nilai data yang harus dimasukkan dalam
set MA (n). Apakah lebih baik menggunakan dua, tiga, empat, atau lebih periode?
Pencariannya adalah untuk menemukan jumlah optimal dari periode sebelumnya
untuk dimasukkan dalam seri MA. Berapa jauh kembali pergi tergantung pada
kecepatan perubahan seri dan kemutakhiran peristiwa yang cenderung
menentukan masa depan. “Sangat baru-baru ini” berarti beberapa nilai; "tidak
begitu recent "berarti lebih banyak nilai. Itu adalah aturan praktis yang bisa
diterapkan. Metode MA adalah digunakan ketika permintaan suatu produk cukup
konstan dari waktu ke waktu dan tidak ada tingkat pertumbuhan yang cepat atau
karakteristik musiman. Metode ini sangat berguna dalam menghapus fluktuasi
acak dalam data historis. Ketika besarnya Trennya bagus, dan polanya sangat
konsisten, maka semakin sedikit jumlah periode (n) dalam set yang lebih baik.
Jika trennya lambat (naik atau turun), dan jika fluktuasi sekitar rata-rata adalah
umum, kemudian memiliki lebih banyak periode waktu di set lebih baik daripada
memiliki terlalu sedikit. Dalam memilih nilai n, ada banyak konflik efek. Semakin
besar nilai n, semakin besar efek smoothing secara acak variasi. Nilai yang lebih
halus mungkin diinginkan jika ada banyak keacakan di data historis atau jika ada
sedikit perubahan dalam pola yang mendasarinya. Di sisi lain tangan, jika pola
yang mendasari dalam data berubah, yaitu, ada kecenderungan data baik
meningkatkan permintaan atau menurunkannya, maka nilai kecil n mungkin
diinginkan jika kita ingin bereaksi terhadap fluktuasi lebih cepat. Dalam kasus
seperti itu, MA berdasarkan nilai n yang besar memiliki karakteristik yang
merugikan dari tren yang tertinggal. Dengan nilai singkat n, tindak lanjut dari
tren akan cepat. Nilai yang lebih pendek dari n mungkin juga digunakan di mana
ada sedikit keacakan dalam data yang diamati. Yang besar dan nilai-nilai kecil n
bervariasi sekitar 36 dan 6, masing-masing. Secara umum, rata-rata bergerak n-
bulan adalah jumlah dari nilai yang diamati selama n bulan terakhir dibagi
dengan n.

88 ◾ Sistem Manajemen Produksi dan Operasi

Namun, dapat disimpan dalam pandangan bahwa nilai n yang besar
membutuhkan data yang lebih besar
penyimpanan dan ketika kita berurusan dengan sejumlah besar produk, nilai
besar
n akan membuat biaya penanganan data terlalu tinggi. Dalam kasus seperti itu,
kita mungkin memilih a
nilai n kecil, bahkan jika kita harus mengorbankan beberapa akurasi.
Untuk mengetahui nilai n yang harus dipilih kita dapat menghitung kesalahan
untuk nilai yang berbeda dari n dan n yang memberikan kesalahan terkecil
kemudian dapat dipilih.
Lihat detail lebih lanjut di bagian tentang analisis kesalahan. Nilai n ditentukan
oleh
manajer dan umumnya tetap konstan sampai ada alasan yang menunjukkan
perubahan
dalam pola time-series. Jika pola dasar dari seri waktu mengubah
nilai saat ini dari n mungkin tidak memberikan ramalan yang baik.
3.3.2 Rata-rata Bergerak Tertimbang
Cara untuk membuat perkiraan lebih responsif terhadap kejadian aktual terbaru
(permintaan) adalah dengan menggunakan metode rata-rata tertimbang
bergerak (WMA). Sama seperti MA
metode, periode n paling baru digunakan dalam peramalan. Namun, setiap
periode itu
menetapkan bobot antara 0 dan 1. Total semua bobot menambahkan hingga 1.
Yang tertinggi
berat ditugaskan ke periode terbaru dan kemudian bobot ditugaskan ke
periode sebelumnya dalam urutan besaran menurun.

Contoh: Pertimbangkan data yang diberikan pada Tabel 3.2. Misalkan jumlah
periode digunakan dalam meramalkan n = 3 dan bobotnya adalah 0,2, 0,3, dan
0,5. Berat tertinggi (dalam hal ini 0,5) ditugaskan untuk periode terbaru.
Misalnya, perkiraan untuk periode 4 akan dihitung dengan menggunakan berat
0,5 untuk periode 3, 0,3 untuk periode 2, dan 0,2 untuk periode 1. Perkiraan
untuk periode 4 akan menjadi Permintaan Permintaan Permintaan Prakiraan
Depan (4) 0.2  (1) 0.3  (2) 0.5  (3), cast (4) 0.2 100 0.3 80 0.5
90 89. Perkiraan permintaan untuk semua periode 4–10 ditunjukkan pada
Tabel 3.2. Komentar kolom mencakup nilai permintaan dan bobot terkait. Metode
WMA memungkinkan periode terbaru untuk memiliki dampak terbesar, dan
periode-periode berikutnya yang semakin berkurang. Perhatikan bahwa ketika
semua bobot sama (1 / n), maka WMA sama dengan MA. Bobot terbesar
ditugaskan ke peristiwa terbaru ketika ada yang berkelanjutan kecenderungan.
Dalam sistem yang berubah dengan cepat, wt mungkin jauh lebih besar (≫)
daripada wt − 1 Moving averages mungkin digunakan untuk mengekstrapolasi
event-event selanjutnya jika hal-hal berikut terjadi: tidak ada pola siklus yang
terlihat, dan sistem tampaknya menghasilkan serangkaian nilai sedemikian rupa
sehingga kumpulan nilai terakhir memberikan yang terbaik perkiraan apa yang
akan menjadi nilai selanjutnya. Pengkajian Beban Kerja (Peramalan) ◾ 89 dan wt
≫ wt − 1 ≫ wt − 2, ..., dll, di mana berat adalah untuk periode t. Ini setara untuk
mengurangi ukuran n, yang telah dibahas dalam bagian tentang MA. Demikian,
WMA dapat melacak tren yang kuat lebih akurat daripada rata-rata bergerak
yang tidak tertimbang. Analisis kesalahan menggunakan nilai yang berbeda dari
n dan bobot yang berbeda harus dilakukan untuk temukan nilai terbaik dari n
dan bobot yang sesuai. Lihat bagian tentang analisis kesalahan

3.3.3 Pelurusan Eksponensial Metode exponential smoothing (ES), seperti

metode WMA, menghitung sebuah permintaan rata-rata (perkiraan). Metodologi
ES mengingat estimasi terakhir dari rata-rata nilai permintaan dan
menggabungkannya dengan nilai aktual yang teramati terbaru untuk membentuk
estimasi rata-rata baru. ES memperkirakan permintaan untuk periode tertentu
menggabungkan perkiraan periode sebelumnya (t - 1) dan permintaan aktual
dari periode sebelumnya (t - 1). Permintaan sebenarnya untuk periode
sebelumnya diberikan bobot α dan perkiraan periode sebelumnya diberikan
bobot (1 - α), di mana α adalah a merapikan konstanta yang nilainya terletak
antara 0 dan 1. Persamaan untuk ramalan untuk periode t adalah Prakiraan (t)
Permintaan aktual (t −)  (−)  Prakiraan (t −),  A A Sebuah 1 1 1 0 1.
Tabel 3.2 Contoh Metode WMA (n = 3) Bulan Perhitungan Perkiraan Penjualan
Bobot = 0,2, 0,3, 0,5 1 100 2 80 3 90 4 110 89,00 = 0,2 * 100 + 0,3 * 80 + 0,5 * 90 5
100 98,00 = 0,2 * 80 + 0,3 * 90 + 0,5 * 110 6 110 101,00 = 0,2 * 90 + 0,3 * 110 +
0,5 * 100 7 95 107,00 = 0,2 * 110 + 0,3 * 100 + 0,5 * 110 8 115 100,50 = 0,2 * 100
+ 0,3 * 110 + 0,5 * 95 9 120 108,00 = 0,2 * 110 + 0,3 * 95 + 0,5 * 115 10 90 113,50
= 0,2 * 95 + 0,3 * 115 + 0,5 * 120 11 105 104,00 = 0,2 * 115 + 0,3 * 120 + 0,5 * 90
12 110 103,50 = 0,2 * 120 + 0,3 * 90 + 0,5 * 105

90 ◾ Sistem Manajemen Produksi dan Operasi

Dengan menata ulang ketentuan, persamaan ini juga dapat ditulis sebagai
Prakiraan Prakiraan
Ramalan cuaca
() () {Actual Demand ()
(
tt
t
 − −
−−
1a1
1)}, 0 a 1.
Contoh: Pertimbangkan data yang diberikan pada Tabel 3.3. Metode ES membuat
ramalan
mulai dari periode 2. Perkiraan untuk periode pertama umumnya ditetapkan
sama dengan
permintaan aktual dalam periode itu untuk memulai proses perkiraan. Prakiraan
untuk
semua periode 2–10 diberikan pada Tabel 3.3. Misalnya, penghitungan perkiraan
untuk
periode 2 dan 3 ditunjukkan di bawah ini:
F (2) F (1) a  {A (1) −F (1)} 100 0.2  (100 −100) 100,
F (3) F (2) a  {A (2) −F (2)} 100 0.2  (80 −100) 96.
ES adalah metode yang lebih sederhana, membutuhkan lebih sedikit perhitungan
daripada WMA, yang dibutuhkan
n bobot dan periode n data untuk setiap perkiraan perkiraan. ES hanya
membutuhkan tiga
potongan data. Juga, itu bisa lebih efektif karena hanya satu berat badan, alpha
(α), memiliki
Tabel 3.3 Contoh Metode ES (α = 0,2)
Bulan Komentar Penjualan Perkiraan dan Perhitungan
1 100 100 Prakiraan untuk periode 1 harus tersedia
sebelum memulai perhitungan. Jika tidak
diberikan, lalu atur sama dengan penjualan periode 1
2 100,00 = (100 + 0,2 (100 - 100))
3 90 96,00 = (100 + 0,2 (80 - 100))
4 110 94.80 = (96 + 0,2 (90 - 96))
5 100 97,84 = (94,8 + 0,2 (110 - 94,8))
6 110 98.27 = (97.84 + 0.2 (100 - 97.84))
7 95 100,62 = (98,27 + 0,2 (110 - 98,27))
8 115 99.50 = (100.62 + 0.2 (95 - 100.62))
9 120 102,60 = (99,5 + 0,2 (115 - 99,5))
10 90 106,08 = (102,6 + 0,2 (120 - 102,6))
11 105 102,86 = (106,08 + 0,2 (90 - 106,08))
12 110 103,29 = (102,86 + 0,2 (105 - 102,86))

Penilaian Beban Kerja (Peramalan) ◾ 91

untuk dipilih. Ini mempermudah eksperimen dengan data sebelumnya untuk
melihat nilai mana
α memberikan kesalahan perkiraan terkecil. Seringkali, penggunaan metode ES
untuk peramalan
lebih disukai daripada metode WMA.
Tingkat respons model ES adalah fungsi dari nilai α yang digunakan. Itu
tingkat respons dari suatu sistem peramalan adalah kecepatan sistem peramalan
membuat penyesuaian dengan ramalan jika data dalam seri menunjukkan ke atas
atau
tren menurun. Tinjauan atas dua persamaan yang disebutkan di atas
memberikan perspektif
pada tingkat respons. Pertimbangkan persamaan pertama, Prakiraan (t) = α *
Permintaan aktual
(t - 1) + (1 - α) * Prakiraan (t - 1). Ketika α besar, permintaan yang sebenarnya di
sebelumnya
periode diberikan bobot yang besar dalam ramalan untuk periode berikutnya.
Jika α adalah 1, perkiraan
untuk periode berikutnya adalah nilai aktual dari periode sebelumnya (sama
dengan n = 1 di MA). Itu
hasil ramalan sangat dipengaruhi oleh α yang digunakan.
Persamaan kedua, Prakiraan (t) = Prakiraan (t - 1) + α * {Permintaan aktual
(t - 1) - Forecast (t - 1)}, memberikan perspektif yang berbeda tentang teknik ES.
Itu
perkiraan dalam periode t sama dengan perkiraan pada periode sebelumnya
ditambah pecahan
(Tertentu oleh α) dari kesalahan pada periode sebelumnya. Kesalahan pada
periode sebelumnya
perbedaan antara permintaan yang sebenarnya dan perkiraan, yang bisa positif
atau negatif. Jika α mendekati 0, ramalan baru tidak menunjukkan banyak
penyesuaian
untuk kesalahan, dan dalam kasus ekstrim, jika α = 0, perkiraan baru sama
dengan yang lama
perkiraan tanpa penyesuaian.

Nilai-nilai kecil dari α (yang akan analog dengan nilai-nilai besar n di MA)
digunakan
untuk sistem stabil di mana, paling banyak, jumlah minimum fluktuasi acak.
Nilai α yang besar digunakan untuk mengubah dan mengembangkan sistem di
mana banyak ketergantungan
ditempatkan pada pengamatan terakhir. Produk baru, saat mereka bergerak
melalui mereka
tahapan siklus hidup, mulai dengan nilai α yang besar, yang berangsur-angsur
berkurang sebagai produk
memasuki tahap pematangannya. Untuk sebagian besar sistem penjadwalan
produksi di keduanya
job shop dan flow shop, α tetap kecil, di sekitar 0,050-0,50, hingga
menurunkan respons sistem terhadap fluktuasi acak.
Metode ES memiliki keuntungan yang jelas atas metode MA dalam hal
jumlah memori yang diperlukan untuk menyimpan data. Selain konstanta
pemulusan
α, kapan saja kita perlu menyimpan hanya rata-rata yang dihaluskan secara
eksponensial dan
permintaan yang sebenarnya untuk periode sebelumnya. Untuk metode MA,
tuntutan yang sebenarnya
untuk periode terakhir harus disimpan.
Nilai α yang berbeda memberikan perkiraan yang berbeda seperti perkiraan yang
berbeda
diperoleh dengan mengubah nilai n dalam metode MA. Nilai kecil dari α
penyesuaian kecil untuk hasil ramalan seperti yang dibahas di atas —
memberikan hasil yang lebih halus
perkiraan. Ramalan halus diperoleh dalam metode MA jika n besar. Karena itu,
nilai yang lebih kecil dari nilai α dan besar dari n cenderung memberikan
perkiraan yang serupa. Demikian pula,
nilai-nilai besar dari nilai α dan kecil dari n cenderung memberikan hasil yang
sama. Bahkan, kapan
α = 1, atau n = 1, perkiraan dalam periode tertentu sama dengan permintaan di
sebelumnya
periode dan sistem peramalan sangat responsif terhadap perubahan
permintaan. Dalam hal ini, ramalan berfluktuasi karena permintaan yang
sebenarnya berfluktuasi. Namun,
perkiraan tertinggal permintaan oleh satu periode

92 ◾ Sistem Manajemen Produksi dan Operasi

Jika perubahan tiba-tiba terjadi, maka respons akan lamban terlepas dari
apakah perubahan itu asli atau suara hadir ketika α kecil. Di sisi lain
tangan, jika α mendekati 1, akan ada penyesuaian besar untuk kesalahan apa pun.
Dengan
nilai α yang besar, perubahan yang bonafide akan langsung tercermin dalam yang
baru
rata-rata.
Sulit untuk mengatakan sebelumnya nilai mana dari α yang akan melayani tujuan
terbaik.
Nilai yang berbeda dari α dimulai dengan nilai kecil dapat dipilih untuk membuat
perkiraan.
Data aktual yang diamati dan perkiraan menggunakan nilai α yang berbeda dapat
diplot
pada grafik dan dengan pemeriksaan nilai α yang melacak permintaan yang
sebenarnya
terbaik dipilih. Sebagai alternatif, untuk nilai α yang berbeda, kesalahan-
kesalahannya - berarti absolut
deviasi (MAD) dan kesalahan kuadrat rata-rata — dapat dihitung dan nilai dari
α yang memberikan kesalahan lebih rendah dapat dipilih. Lihat detail yang sesuai
di bagian
di depan pada kesalahan perkiraan.
Seperti dalam kasus MA, jika ada perubahan sistem mendasar, maka sejarah
sebelumnya
pola bukan bantuan, dan ES harus diterapkan seolah-olah ke sistem startup baru
untuk pertama kalinya.
ES telah terbukti sangat efektif dalam berbagai situasi. Banyak perkiraan
dan sistem kontrol menggunakan ES karena berfungsi lebih baik daripada
metode lama
MA dan WMA. Ini terbukti efektif untuk beragam aplikasi. Pesawat tempur
gunakan ES untuk mengarahkan senjata mereka ke target yang bergerak.
Akibatnya, mereka memperkirakan lokasi
jet musuh selama misi terbang. Aplikasi ini menunjukkan seberapa cepat metode
ES
dapat melacak pola yang konsisten, tetapi berubah secara dinamis. Produsen
menggunakan ES untuk
meramalkan tingkat permintaan, yang mengalami jenis nonrandom yang sama
tetapi bergejolak
bergeser dari waktu ke waktu. Dalam kasus seperti itu, masa lalu memiliki
sebagian besar informasi
tentang waktu dekat. ES dapat menangkap perubahan ini dan melakukan
penyesuaian cepat
tingkat persediaan. Produsen dan organisasi jasa lainnya menggunakannya
karena itu
membutuhkan lebih sedikit kerja komputasi dan mudah dipahami.

3.3.4 Forecasting dengan Siklus Musiman

Peramalan ketika musim datang dapat dilakukan dengan mengasumsikan bahwa
apa yang terjadi tahun lalu (atau bulan lalu, dll.) akan terjadi lagi. Kami
menyebutnya sejarah metode perkiraan. Pola ini diperkirakan akan terulang
dalam jangka waktu tertentu. Metode ini berfungsi jika pola stabil (yang sering
musiman) ada. Hotel dan bisnis resor biasanya terlibat dengan ramalan sejarah,
seperti halnya pertanian bisnis. Dalam setiap kasus, keadaan khusus dapat timbul
yang mengarah pada keinginan untuk memodifikasi ramalan sejarah. Dalam
kasus hotel dan resor, negara bagian ekonomi dapat mengubah naik turunnya
tingkat hunian. Pengejaran pertanian dimodifikasi oleh hujan dan fluktuasi suhu
(lihat modifikasi pada ramalan sejarah di bagian selanjutnya). Kapan nilai
penjualan bulanan tahun lalu digunakan untuk memprediksi bulanan tahun
depan nilai penjualan, metode ini didasarkan pada penggunaan riwayat masa lalu
untuk meramalkan. Konsep yang sama berlaku untuk penjualan mingguan atau
harian, yang dapat diramalkan setiap semester, tiga bulanan, Pengkajian Beban
Kerja (Peramalan) ◾ 93 atau basis bulanan. Tabel 3.4 menunjukkan teknik
ramalan historis yang diterapkan pada data yang menunjukkan siklus musiman.
Tidak ada modifikasi yang dibuat untuk perubahan keseluruhan dalam penjualan
tahunan, yang merupakan dasar dari ramalan sejarah. Ketika siklus stabil,
mereka dapat memberikan wawasan yang sangat penting untuk perencanaan
taktis P / OM. Ketika mereka bekerja, siklus historis memungkinkan P / OM
untuk unggul dalam perencanaan kapasitas dan penjadwalan produksi untuk
produksi yang matang produk dan layanan. Ramalan historis tidak sesuai untuk
produk baru pengantar kecuali ada kesamaan dengan beberapa produk lain yang
sudah ada pasar. Siklus musiman historis dapat menjadi jelas dengan
mempelajari kalender. Di kasus P / OM, ada juga keteraturan siklus dan pola lain
yang dipinjamkan diri untuk perencanaan kapasitas, penjadwalan produksi, dan
keputusan pembelian untuk produsen dan sistem layanan. Jika pola deret waktu
tetap, tetapi tingkat permintaan telah meningkat secara keseluruhan, maka
modifikasi seri dasar dapat digunakan. Asumsikan bahwa pada 2013 kuartalan
permintaan adalah 10, 30, 20, dan 40. Ini memberikan permintaan tahunan
sebesar 100 unit. Selanjutnya, asumsikan bahwa pada tahun 2014 permintaan
tahunan diperkirakan akan meningkat menjadi 120 unit. Maka prakiraan
triwulanan akan disesuaikan:

Tabel 3.4 Contoh Siklus Musiman

(Perkiraan Historis dengan Data Musiman)
Bulan
Penjualan Aktual
Tahun Lalu
Prakiraan dari
Penjualan Tahun Depan
Januari 1500 1500
Februari 1600 1600
Maret 1800 1800
April 2000 2000
Mei 2300 2300
Juni 2500 2500
2350 Juli 2350
Agustus 2100 2100
September 1850 1850
Oktober 1650 1650
November 1550 1550
1400 Desember 1400
94 ◾ Sistem Manajemen Produksi dan Operasi
Prakiraan untuk 2014
Kuartal 1: 120 (10/100) = 12
Kuartal 2: 120 (30/100) = 36
Kuartal 3: 120 (20/100) = 24
Kuartal 4: 120 (40/100) = 48
Permintaan kuartalan disesuaikan total 120 unit. Pola siklusnya
cocok. Di tahun 2015, asumsi pola berlanjut dan tingkat dasar
meningkat menjadi 150, deret waktunya adalah 15, 45, 30, dan 60 dengan jumlah
150.
Alasan di atas dapat diperluas ke situasi-situasi di mana data permintaan
ada selama beberapa tahun dengan pola permintaan serupa.
Pertimbangkan data dalam Tabel 3.5 yang memberikan permintaan kuartalan
selama 4 tahun terakhir.
Ada pola variasi permintaan yang jelas di antara empat kuartal. Berdasarkan
data ini, kita dapat meramalkan permintaan untuk empat perempat tahun 5.
Asumsikan itu
permintaan tahunan diharapkan, 2800, di tahun 5. Permintaan ini harus
diperkirakan
menggunakan teknik lain. Model yang dibahas dalam bagian ini akan membagi
permintaan tahunan menjadi tuntutan kuartalan berdasarkan pola permintaan
kuartalan sebelumnya.
Proses lima langkah berikut akan digunakan untuk mendapatkan permintaan
kuartalan.
Langkah 1: Temukan rata-rata permintaan kuartalan setiap tahun.
Total permintaan untuk setiap tahun dibagi dengan empat (jumlah perempat di
masing-masing
tahun) untuk mendapatkan permintaan rata-rata setiap tahun. Tabel 3.5
memberikan permintaan rata-rata
untuk setiap kuartal.
Langkah 2: Hitung indeks musiman (SI) untuk setiap kuartal untuk setiap tahun.
Indeks musiman untuk seperempat untuk tahun tertentu diperoleh dengan
membagi
permintaan di kuartal itu oleh rata-rata permintaan kuartalan untuk tahun itu.
Untuk

Tabel 3.5 Permintaan

Triwulan 1 Tahun 2 Tahun 3 Tahun 4
Jatuh 2530 2690 2790 2860
Musim Dingin 2300 2420 2410 2600
Musim semi 1900 2000 2105 2175
Musim panas 1510 1775 1875 1945
Rata-rata 2060 2221 2295 2395
Perhitungan = (1510 + 1900 +
2300 + 2530) / 4)
= (1775 + 2000 +
2420 + 2690) / 4)
= (1875 + 2105 +
2410 + 2790) / 4)
= (1945 + 2175 +
2600 + 2860) / 4)
Penilaian Beban Kerja (Peramalan) ◾ 95
Misalnya, indeks musiman untuk kuartal musim dingin tahun 2 adalah 1.090
yang
diperoleh dengan membagi 2420 (permintaan untuk kuartal musim dingin di
tahun 2) pada tahun 2221
(rata-rata permintaan kuartalan untuk tahun 2). Indeks musiman untuk setiap
kuartal
setiap tahun diberikan pada Tabel 3.6. Rumus untuk menghitung indeks
musiman adalah
juga diberikan dalam tabel ini.
Langkah 3: Hitung SI rata-rata untuk setiap kuartal.
Langkah selanjutnya adalah menemukan indeks musiman rata-rata untuk setiap
kuartal yang
hanya rata-rata indeks musiman dihitung dalam langkah 2. Tabel 3.7
memberikan
rata-rata indeks musiman untuk setiap kuartal. Sebagai contoh,
SI rata-rata untuk musim panas 0.817 
0,790 0,733 0,799 0,812
4.
Langkah 4: Hitung rata-rata permintaan kuartalan untuk tahun depan.
Pada langkah ini, kami menemukan rata-rata permintaan kuartalan untuk tahun
berikutnya. Itu
perkiraan permintaan tahunan untuk tahun depan adalah 2800. Oleh karena itu,
rata-rata kuartalan
permintaan = 2800/4 = 700. Langkah ini ditunjukkan pada Tabel 3.8.
Langkah 5: Prediksi permintaan untuk kuartal tahun depan.
Permintaan kuartalan untuk setiap kuartal tahun depan diperoleh dengan
mengalikan
permintaan rata-rata oleh SI untuk setiap kuartal. Tabel 3.9 memberi ramalan

Tabel 3.6 Langkah 2: Hitung Indeks Musiman (SI) untuk Setiap Kuartal
untuk Setiap Tahun
Perempat
Tahun
1
Perhitungan
untuk SI Tahun 1
Tahun
2
Perhitungan
untuk SI Tahun 2
Tahun
3
Perhitungan
untuk SI Tahun 3
Tahun
4
Perhitungan
untuk SI Tahun 4
Fall 1.228 = 2530/2060 1.211 = 2690/2221 1.216 = 2790/2295 1.194 =
2860/2395
Winter 1.117 = 2300/2060 1.090 = 2420/2221 1,050 = 2410/2295 1.086 =
2600/2395
Spring 0.922 = 1900/2060 0.900 = 2000/2221 0.917 = 2105/2295 0.908 =
2175/2395
Musim Panas 0,733 = 1510/2060 0,799 = 1775/2221 0,817 = 1875/2295 0,812
= 1945/2395
Tabel 3.7 Langkah 3: Hitung SI Rata-Rata untuk Setiap
Perempat
Perhitungan SI Rata-rata Triwulan
Fall 1.212 = (1.228 + 1.211 +1.216 + 1.194) / 4
Winter 1.086 = (1.117 + 1.09 +1.05 + 1.086) / 4
Musim semi 0,912 = (0,922 + 0,9 + 0,917 + 0,908) / 4
Musim panas 0,790 = (0,733 + 0,799 + 0,817 + 0,812) / 4

96 ◾ Sistem Manajemen Produksi dan Operasi

permintaan kuartalan tahun depan. Misalnya, perkiraan untuk kuartal Musim
Semi
= 638 = 700 * 0,912, di mana 700 adalah rata-rata permintaan kuartalan dan
0,912
SI rata-rata untuk kuartal Musim Semi.
Dalam contoh di atas, kita telah menggunakan tahun sebagai periode waktu di
mana musim
diwakili oleh perempat. Musim bisa diwakili oleh bulan jika
rangkaian waktu menunjukkan variasi berdasarkan bulan. Dalam beberapa
kasus, minggu itu bisa
periode waktu dan hari-hari bisa menjadi "musim" jika permintaan berfluktuasi
pada
sehari-hari. Restoran adalah contoh yang bagus tentang di mana permintaan
berfluktuasi setiap hari
dasar. Bahkan jam sehari bisa menjadi "musim" jika permintaan berfluktuasi
setiap jam dalam
diberikan hari, misalnya, kebutuhan pembangkitan listrik dalam utilitas listrik
atau
jumlah panggilan di perusahaan telepon bervariasi setiap jamnya.
3.3.5 Analisis Tren
Jika rangkaian waktu menunjukkan tren yang meningkat atau menurun, maka
tekniknya
dibahas di atas (MA, WMA, dan ES) mungkin tidak sesuai untuk membuat
perkiraan.
Kami melakukan analisis tren untuk membuat perkiraan dalam kasus ini.
Pertimbangkan
grafik yang diberikan pada Gambar 3.6. Garis zig-zag menunjukkan permintaan
selama 10 periode.
Jelas ada kecenderungan yang meningkat. Analisis tren akan sesuai dengan garis
tren
data ini untuk membuat ramalan. Persamaan garis tren adalah, Y = a + bX, di
mana
Y adalah perkiraan permintaan dan X adalah periode waktu. X adalah variabel
independen
dan Y adalah variabel dependen karena permintaan tergantung pada periode
waktu. Sebagai
X meningkatkan Y meningkat dalam tren meningkat. Y akan menurun saat X
meningkat pada a
tren menurun.

Tabel 3.8 Langkah 4: Menghitung Permintaan Rata-rata per Kuartal

untuk tahun depan
Total permintaan untuk yeara 2800 berikutnya
Permintaan rata-rata per kuartal 700
a Permintaan total untuk tahun depan diberikan atau ditentukan dengan
menggunakan
metode perkiraan yang tepat.
Tabel 3.9 Langkah 5: Prakiraan Perkiraan untuk Perempat Tahun Berikutnya
dengan Mengalikan Permintaan Rata-Rata oleh SI untuk Setiap Kuartal
Perhitungan Triwulan 5 Tahun
Jatuh 848 = (700 * 1,212)
Winter 760 = (700 * 1.086)
Musim semi 638 = (700 * 0,912)
Musim Panas 553 = (700 * 0,79)
Penilaian Beban Kerja (Peramalan) ◾ 97
Dalam persamaan garis tren, a adalah intersepsi pada sumbu Y yang merupakan
nilai
permintaan (variabel Y) ketika X = 0. Kemiringan garis diwakili oleh b
yang memberikan perubahan dalam nilai permintaan (variabel Y) untuk
perubahan unit
nilai X. Artinya, b adalah jumlah di mana permintaan akan berubah jika waktunya
periode berubah sebesar 1

Ada rumus matematika untuk menemukan nilai a dan b. Namun,

kami tidak menyebutkan daftar formula tersebut karena kerumitannya dan juga
karena
Program komputer Excel memiliki fungsi built-in untuk menemukan nilai a dan b.
Itu
Fungsi "intercept" di Excel menghitung fungsi "kemiringan" digunakan untuk
menemukan
nilai b. Fungsi Excel digunakan dalam teks ini untuk menemukan nilai a dan b.
Contoh: Pertimbangkan data permintaan untuk 10 periode yang diberikan pada
Tabel 3.10. Itu
Fungsi Excel memberikan b = 8,65 dan a = 2,73. Prakiraan sekarang dapat dibuat
untuk apa saja
jangka waktu menggunakan angka-angka ini. Misalnya, perkiraan untuk periode
11 (X = 11)
akan F (11) = 2,73 + 11 * 8,65 = 97,87. Demikian pula, perkiraan untuk periode
12 akan
F (12) = 2,73 + 12 * 8,65 = 106,52. Ramalan dapat dibuat untuk periode
mendatang.
Garis lurus pada Gambar 3.6 memberikan perkiraan untuk periode 1–10
menggunakan
nilai terhitung a dan b. Untuk periode waktu tertentu, perbedaan antara
perkiraan (nilai pada garis lurus) dan permintaan aktual (nilai pada garis zigzag)
memberikan kesalahan dalam periode itu. Metode analisis tren meminimalkan
jumlah dari
kuadrat dari kesalahan ini dalam menghitung nilai a dan b.
1
0
20
40
60
80
100
Permintaan
Permintaan / perkiraan
Ramalan cuaca
23456
Waktu
7 8 9 10

Gambar 3.6 Analisis deret waktu. Tabel 3.10 Data untuk Analisis Deret Waktu
Waktu: Independen Variabel (x) 1 2 3 4 5 6 7 8 9 10 Permintaan: Tanggungan
Variabel (y) 9 15 32 48 52 60 39 65 90 93 98 ◾ Sistem Manajemen Produksi dan
Operasi 3.4 Analisis Regresi Metode lain yang berharga yang membantu
meramalkan adalah analisis regresi. Ini Metode ini berguna untuk membangun
hubungan antara dua set angka itu adalah seri waktu. Misalnya, ketika
serangkaian angka Y (seperti bulanan penjualan kamera selama beberapa tahun)
secara kausal berhubungan dengan rangkaian X jumlah (anggaran iklan bulanan),
maka itu bermanfaat untuk mendirikan sebuah hubungan antara X dan Y untuk
memperkirakan Y. Asumsi pertama yaitu umumnya dibuat dalam analisis regresi
adalah hubungan antara yang berkorelasi pasangan adalah linear. Ini adalah
asumsi termudah untuk diperiksa. Namun, jika hubungan tidak linier
dihipotesiskan, ada metode yang kuat, tetapi lebih kompleks untuk melakukan
nonlinear analisis regresi. Dalam analisis regresi, X adalah variabel independen
dan Y adalah variabel dependen. Contoh: Pertimbangkan data yang diberikan
pada Tabel 3.11. Tabel ini memberikan 10 observasi untuk nilai X (variabel
independen) dan nilai-nilai yang sesuai dari Y (dependen variabel). Data diplot
pada Gambar 3.7. Kita dapat memasukkan garis lurus (disebut garis regresi) ke
data ini. Baris ini akan menjadi perkiraan cara di mana nilai X mempengaruhi
nilai Y. Untuk ini Misalnya, tren linier diasumsikan. Setelah garis ditentukan, itu
dapat digunakan mengekstrapolasikan permintaan masa depan — nilai Y.
Persamaan garis regresi adalah

Tabel 3.11 Data untuk Analisis Regresi

Observasi nomor 1 2 3 4 5 6 7 8 9 10
Variabel independen (x) 10 12 11 9 10 12 10 13 14 12
Variabel dependen (y) 400 600 700 500 800 700 500 700 800 600
600
700
800
900
500
400
300
8 9 10 11 12 13 14 15
Permintaan
Ramalan cuaca
Variabel terikat Variabel independen
Gambar 3.7 Analisis regresi.
Penilaian Beban Kerja (Peramalan) ◾ 99
Y = a + bX. Seperti dalam analisis trend, a adalah intersep pada sumbu Y yang
merupakan nilai dari
permintaan (variabel Y) ketika X = 0. Kemiringan garis diwakili oleh b yang mana
memberikan perubahan dalam nilai permintaan (variabel Y) untuk perubahan
unit dalam nilai
X. Artinya, b adalah jumlah di mana permintaan akan berubah jika independen
perubahan variabel oleh satu unit.
Kita dapat menggunakan fungsi bawaan program Excel untuk menemukan nilai-
nilai a (intersep)
dan b (kemiringan). Fungsi Excel memberikan = 62,44 dan b = 50,23. Ramalan
sekarang dapat dibuat untuk nilai X. misalkan X = 15, maka ramalannya akan, Y
(untuk X = 15) = 62,44 + 50,23 * 15 = 815,84

3.5 Koefisien Korelasi dan Determinasi

Prasyarat penting untuk menggunakan analisis regresi adalah adanya hubungan
kausal
antara X dan Y. Oleh karena itu, sebelum kita bahkan menentukan persamaan
regresi,
penting untuk mengetahui apakah ada hubungan antara X dan
Y. Diagram pencar menunjukkan secara visual hubungan antara X dan Y. Scatter
diagram adalah alat bantu visual yang berguna untuk menemukan apakah ada
hubungan antara X dan
Y. Angka 3.8 dan 3.9 adalah diagram pencar untuk dua seri data yang berbeda. Ini
mudah
untuk melihat bahwa ada hubungan antara X dan Y pada Gambar 3.8, sedangkan
Gambar 3.9
menunjukkan hubungan yang sangat sedikit. Hubungan ini juga dapat ditegakkan
secara kuantitatif
istilah dengan menghitung koefisien korelasi. Koefisien korelasi (r)
menunjukkan sejauh mana korelasi X dengan Y, di mana r dapat mengambil nilai
dari -1 ke
+1. Pada –1, X dan Y berkorelasi sempurna — menuju arah berlawanan. Seperti X
besar, Y kecil, dan sebaliknya. Ketika r = 0, tidak ada korelasi dan kapan
r = +1, X dan Y berkorelasi sempurna dalam arah yang sama. Korelasi
Koefisien dapat ditemukan dengan menggunakan fungsi bawaan Excel “Correl.”
Untuk seri ini
250
300
350
400
200
150
100
Variabel dependen (Y)
Variabel independen (X)
50
0
0 5 10 15 20 25

Gambar 3.8 Scatter diagram dengan koefisien korelasi tinggi.

100 ◾ Sistem Manajemen Produksi dan Operasi
ditunjukkan pada Gambar 3.8, koefisien korelasi adalah 0,97 menunjukkan
hampir sempurna
hubungan, sedangkan koefisien korelasi adalah −0.04 untuk seri pada Gambar
3.9, menunjukkan tidak adanya hubungan apa pun. Kita tidak boleh
menggunakan analisis regresi
untuk deret waktu yang ditunjukkan pada Gambar 3.9, sedangkan deret waktu
diwakili dalam
Gambar 3.8 adalah kandidat yang baik untuk analisis regresi.
Bukan hanya hubungan yang ada antara X dan Y sebelum melakukan
analisis regresi, tetapi penting bahwa hubungan kausal juga ada di antara
keduanya
variabel independen (X) dan dependen (Y) yang berarti perubahan dalam Y
dapat
dijelaskan karena perubahan X. Faktor penyebab yang umum terjadi pada X dan Y
dan
yang beroperasi sebagai tautan yang tidak dikenal mungkin bertanggung jawab
atas hubungan apa pun
ditemukan antara X dan Y. Ketika serangkaian nomor X terhubung secara kausal
dengan
rangkaian nomor Y, maka bermanfaat untuk mengumpulkan informasi tentang X
di
perintah untuk meramalkan Y. Seringkali secara kebetulan, korelasi tampak kuat
meskipun
hubungan itu murni acak.

Koefisien determinasi (r2) adalah ukuran variabilitas yang ada

dicatat oleh garis regresi untuk variabel dependen. Koefisien dari
tekad selalu jatuh antara 0 dan 1. Sebagai contoh, jika r = 0,8, koefisien
dari determinasi r2 = 0,64 yang berarti bahwa 64% variasi dalam Y adalah
karena variasi
di X. Sisa variasi 36% dalam nilai Y adalah karena variabel lain.
Jika koefisien determinasi rendah, analisis regresi berganda mungkin dapat
dilakukan
untuk memperhitungkan semua variabel yang mempengaruhi variabel
independen Y (tidak tercakup dalam hal ini
bab).
600
700
800
900
1000
500
400
300
200
100
0
0 5 10 15 20 25
Variabel dependen (Y)
Variabel independen (X)
Gambar 3.9 Scatter diagram dengan koefisien korelasi rendah.
Pengkajian Beban Kerja (Peramalan) ◾ 101
3.6 Kesalahan Peramalan
Sangat jarang mendapatkan ramalan 100% akurat. Selalu ada beberapa
kesalahan dalam peramalan.
Teknik perkiraan yang baik mencoba meminimalkan kesalahan. Perkiraan
kesalahan dihitung dengan membandingkan permintaan aktual untuk periode
waktu t dengan perkiraan
untuk periode yang sama, yaitu, Kesalahan (t) = Permintaan (t) - Prakiraan (t).
Dua jenis
kesalahan perkiraan dapat terjadi. Pertama, permintaan aktual lebih besar dari
perkiraan. Ini
adalah perkiraan yang meremehkan. Dengan konvensi, ketika permintaan
sebenarnya lebih besar dari
perkiraan permintaan, istilah kesalahannya positif. Kedua, permintaan aktual
lebih kecil dari
ramalan cuaca. Ini adalah perkiraan yang terlalu tinggi dan dalam hal ini
kesalahannya negatif.
Untuk memilih metode perkiraan, Anda harus dapat membandingkan kesalahan
bahwa masing-masing metode menghasilkan untuk keadaan tertentu. Ada
beberapa yang berbeda
cara mengukur kesalahan. Pilihannya tergantung pada situasi dan jenisnya
perbandingan diinginkan. Dengan demikian, ukuran mutlak digunakan untuk
menghitung semua kesalahan secara konservatif.
Pengukuran mutlak berarti bahwa kesalahan positif dan negatif diperlakukan
cara yang sama. Alasan untuk melakukan ini adalah untuk mencegah kesalahan
positif dan negatif dari
membatalkan satu sama lain.
Dalam bab ini, kita akan mempelajari metode yang paling umum digunakan yang
menghitung
mean absolute deviation (MAD) dari istilah kesalahan. Untuk menghitung MAD,
ambillah
jumlah ukuran absolut dari kesalahan dan bagi jumlah dengan jumlah
observasi. MAD memperlakukan semua kesalahan secara linier dan merupakan
ukuran yang lebih konservatif.
Contoh: Pertimbangkan data yang diberikan pada Tabel 3.12. Permintaan dan
perkiraan adalah
diberikan untuk 10 periode di kolom 2 dan 3. Kolom 4 memberikan kesalahan
untuk setiap periode,
dan kolom 5 memberikan kesalahan mutlak. Jumlah kesalahan mutlak selama 10
periode
adalah 171. Oleh karena itu, MAD = 171/10 = 17,10.

Untuk memilih metode perkiraan tertentu, katakan ES, kami akan menghitung
nilai
MAD dengan menggunakan nilai α yang berbeda. Nilai α yang meminimalkan
MAD akan menjadi
terpilih. Demikian pula, diterapkan pada metode MA, kami akan menghitung
MAD untuk berbeda
nilai-nilai n. N yang meminimalkan MAD akan dipilih. Prosedur serupa akan
dilakukan
digunakan dengan metode WMA untuk menemukan kombinasi terbaik dari
bobot.
Manajer mengubah perkiraan yang diturunkan dengan metode numerik karena
mereka
tahu tentang faktor-faktor lain yang tidak termasuk dalam perhitungan. Ini
menghasilkan
modifikasi ramalan yang bisa disebut prediksi dan perkiraan. Oleh karena itu,
bijaksana untuk menyimpan riwayat semua kesalahan peramalan. Ini harus
dilakukan untuk semua
metode yang digunakan dan untuk semua personel yang membuat ramalan,
prediksi,
dan perkiraan. Beberapa orang pandai memprediksi dan yang lainnya tidak. Juga,
beberapa orang pandai meramalkan hanya dalam keadaan tertentu dan tidak
baik
dalam segala situasi.
Catatan sejarah dari informasi terkait sangat penting. Perusahaan mendapatkan
keuntungan besar
keuntungan dengan mencari tahu siapa yang dapat membuat perkiraan yang baik
dalam situasi apa.
Lebih lanjut, ada situasi di mana orang dapat belajar membuat prakiraan,
prediksi,
dan perkiraan sebagai hasil dari umpan balik tentang seberapa baik mereka telah
melakukannya di
lalu. Ketika suatu catatan tidak disimpan, semua potensi keuntungan seperti itu
hilang.
102 ◾ Sistem Manajemen Produksi dan Operasi

3.7 Metode Delphi

Delphi adalah metode peramalan yang bergantung pada perkiraan ahli dari
peristiwa masa depan. Di
salah satu bentuknya, para ahli menyampaikan pendapat mereka kepada satu
individu yang merupakan
hanya satu yang tahu siapa peserta dan apa yang harus mereka katakan. Orang
siapa manajer Delphi menggabungkan pendapat menjadi laporan, yang,
sementara
melindungi anonimitas, kemudian disebarluaskan kepada semua peserta. Para
pesertanya adalah
ditanya apakah mereka ingin mengevaluasi kembali dan mengubah pendapat
mereka sebelumnya di wajah
dari tubuh pendapat rekan-rekan mereka. Secara bertahap, kelompok ini
seharusnya bergerak
menuju konsensus. Jika tidak, setidak-tidaknya, sekumpulan kemungkinan yang
berbeda bisa
disajikan kepada manajemen.
Hasil regresi dapat ditunjukkan kepada panel Delphi ahli dengan pertanyaan:
“Apakah menurut Anda penjualan akan lebih tinggi, lebih rendah, atau sama
dengan hasil regresi?
Mengapa? ”Konsensus dapat mengarah pada modifikasi target manajer yang
didasarkan
pada hasil regresi. Mengapa metode ini tidak membiarkan para “ahli” ini
berbicara kepada masing-masing
lain dan mendiskusikan pendapat mereka? Jika salah satu ahli adalah CEO, atau
hadiah Nobel
pemenang, dialog mungkin tidak bias. Orang dengan kemampuan berdebat yang
lebih besar
belum tentu orang dengan lebih banyak wawasan. Metode Delphi dimaksudkan
untuk meletakkan semua
peserta pada pijakan yang sama sehubungan dengan mendapatkan ide-ide
mereka didengar.
Tidak ada bukti bahwa metode Delphi memberikan perkiraan (dan / atau
prediksi)
dengan kesalahan yang lebih kecil dari teknik lainnya. Jelas bahwa para manajer
mendapatkan
Tabel 3.12 Kesalahan Peramalan
Kesalahan Perkiraan Permintaan Periode
Mutlak
Kesalahan
1 212 206,0 6.0 6.0
2 224 207.0 17.0 17.0
3 220 210,0 10,0 10,0
4 211 212.0 - 1.0 1.0
5 198 205,0 - 7.0 7.0
6 236 209,0 27,0 27,0
7 219 224,0 - 5.0 5.0
8 296 238.0 58.0 58.0
9 280 249,0 31,0 31,0
10 252 261.0 - 9.0 9.0
Total 127,0 171,0
Penilaian Beban Kerja (Peramalan) ◾ 103
perspektif yang lebih besar tentang kekuatan yang harus dipertimbangkan ketika
mereka merenungkan
hasil yang mungkin. Itu adalah manfaat positif dari Delphi

3.8 Pengumpulan Informasi dan Banyak Ramalan

Metode untuk mengumpulkan informasi untuk memberikan ramalan yang lebih
kuat harus dieksplorasi.
Sangat penting bahwa semua pihak berbagi perkiraan mereka sebanyak mungkin
dan mencoba untuk menemukannya
cara menggabungkannya. Biasanya, ramalan yang lebih kuat dapat diperoleh jika
kedua data dan
pengalaman dikumpulkan.
Salah satu kunci sukses dalam menggabungkan prakiraan adalah trial and error.
Apa yang tampak
untuk bekerja dipertahankan dan apa yang gagal dibuang. Sebagai contoh
pengumpulan, hasilnya
dari analisis regresi dapat ditambah dengan estimasi tipe Delphi. Lewat sini,
pengalaman dan analisis data dapat dikombinasikan untuk memberikan
kesimpulan yang lebih kuat.
Metode formal dapat digunakan untuk mengevaluasi seberapa baik teknik
peramalan yang berbeda
sedang melakukan. Pada setiap periode, metode yang paling baik dipilih terakhir
kali
untuk ramalan yang akan diikuti. Ramalan masih berasal dari alternatif
metode, tetapi mereka dicatat dan tidak diikuti. Ketika hasil permintaan yang
sebenarnya
diketahui, berbagai metode peramalan dievaluasi lagi, dan salah satunya
paling sukses dipilih untuk membuat prediksi untuk periode berikutnya.
Rata-rata hasil perkiraan juga digunakan. Hasil pengambilan perkiraan dari
lebih dari satu metode dan rata-rata hasil ini untuk memprediksi permintaan
sukses dalam situasi di mana memilih metode terbaik (seperti yang dijelaskan di
atas)
menghasilkan perubahan yang sering dari metode yang dipilih

3.9. Tahapan dan Prakiraan Siklus Hidup Produk

Di seluruh perusahaan, fungsi perencanaan berbaris ke drumbeat produk
tahapan siklus hidup. Manajer operasi perlu menyadari waktu dan tahapannya
yang mendorong jadwal pengembangan produk baru (barang dan jasa), juga
sebagai jadwal produksi dan pengiriman produk-produk perusahaan yang
matang.
Siklus hidup produk terdiri dari empat tahap yang muncul secara teratur
lembur. Semua produk dan layanan melalui tahapan berikut:
◾◾ Pengantar pasar
◾◾ Pertumbuhan volume dan berbagi
◾◾ Kedewasaan, di mana kedewasaan adalah fase keseimbangan relatif
◾◾ Penurunan terjadi, karena penjualan memburuk; penurunan menyebabkan
pemulihan atau
penarikan
Periode siklus-hidup ini adalah tahap-tahap terpisah dalam setiap kehidupan
produk yang diperlukan
dipahami untuk mengelola produk itu. Pemasaran bertanggung jawab untuk
menggunakan
104 ◾ Sistem Manajemen Produksi dan Operasi
berbagai penetapan harga, iklan, dan kegiatan promosi selama tahapan yang
tepat.
P / OM bertanggung jawab atas manajemen cerdas dari sistem transformasi,
yang berubah dalam berbagai cara sesuai dengan tahapan siklus kehidupan.
Perubahan atau
transisi antar tahap membutuhkan pengetahuan tentang cara menyesuaikan
kemampuan sistem produksi.

3.9.1 Pendahuluan dan Pertumbuhan Produk Baru (Barang dan jasa) Ada dua
fase awal produk baru tahap siklus hidup. Ini adalah pengantar awal dan
pertumbuhan penjualan produk. "Ide" untuk produk dan pengembangannya
mendahului pendahuluan. Seluruh tim bekerja untuk memastikan kelayakan
pemasaran ide, serta kelayakan membuatnya dan pengiriman saya t. Penelitian
dan Pengembangan (R & D) mungkin telah membuat produk sampel sehingga
riset pasar dapat menguji penerimaan pelanggannya. Ketika disetujui, P / OM dan
rekayasa ayunan ke dalam tindakan untuk menciptakan sistem produksi yang
dapat membuat dan / atau merakitnya. Selama proses membawa gagasan ini ke
kenyataan, ada banyak Analisis "buat atau beli". Semua ini tidak mudah.
Dibutuhkan banyak upaya dan perhatian terhadap detail. Ada banyak sekali
waktu dan bakat yang dibutuhkan untuk membuat konsep produk, mendesain
spesifiknya, mengatur proses untuk membuatnya, biaya, uji coba, dan sebagainya.
Kapan produk diterima, dirilis untuk produksi dan pemasaran. Semua ini terjadi
di tahap perkenalan.

3.9.2 Kematangan dan Penurunan Produk Baru (Barang dan jasa) Ketika produk
atau layanan baru berhenti tumbuh, itu dianggap matang. Ini berarti volumenya
distabilkan pada tingkat kejenuhan untuk merek tersebut. Para pesaing telah
membagi pasar, dan hanya peristiwa luar biasa, seperti pemogokan di pabrik
pesaing, dapat memindahkan saham dan volume. Selama fase pendahuluan, P /
OM harus berurusan dengan memproduksi lebih besar dan jumlah produk yang
lebih besar. Sekarang hubungan pemasaran-produksi tercapai keseimbangan.
Pemasaran mengambil tindakan spesifik selama fase ini untuk mempertahankan
bagian produk dari pasar. Harga sering diturunkan. Koordinasi antara P / OM dan
penjualan sangat penting untuk memenuhi jadwal pengiriman tepat waktu.
Akhirnya, produk mulai kehilangan bagian, volume turun, dan, tergantung pada
strategi, produk tersebut baik diulang atau dihentikan. Diharapkan bahwa
produk baru akan diperkenalkan sebelumnya yang memiliki tumbuh ke tingkat
yang wajar. Ini adalah pengganti untuk produk lain dan memiliki ditugaskan
kapasitas produk yang telah diganti. Siklus dari produk baru serupa dengan yang
digantikan yang dilaluinya Pengkajian Beban Kerja (Peramalan) ◾ 105
pengenalan, pertumbuhan, pematangan, dan penurunan. Gambar 3.10
mengilustrasikan lintasan yang mewakili evolusi tahapan siklus hidup produk
atau layanan baru

3.9.3 Prediksi Permintaan dalam Tahapan Siklus-Hidup Tahapan siklus-hidup

memberikan klasifikasi untuk memahami jenis-jenis tren itu dapat diharapkan
sesuai permintaan. Selama pendahuluan, permintaan dipimpin oleh keinginan
untuk "mengisi saluran pipa." Ini berarti mendapatkan produk ke toko atau ke
gudang atau di mana pun itu harus memasok pelanggan. Ketika pertumbuhan
mulai terjadi, ada garis tren peningkatan penjualan. Trik-nya adalah
memperkirakan seberapa cepat permintaan akan meningkat seiring waktu dan
untuk berapa lama suatu periode pertumbuhan akan terus berlanjut. Ada metode
bagus yang digunakan oleh riset pasar untuk mencari tahu apa yang terjadi.
Informasi ini dikirim kembali melalui penjualan ke P / OM untuk tujuan
penjadwalan produksi. Kapasitas menghasilkan pendapatan dari suatu produk
bervariasi sepanjang umurnya. (Kata itu "Produk" berlaku untuk barang dan /
atau jasa, sehingga produk harus dibaca sebagai salah satu atau keduanya.)
Selama pendahuluan, pengeluaran biasanya tinggi untuk membawa yang baru
produk ke distributor, pengecer, dan pelanggan. Arus kas negatif. Lebih sedang
dibelanjakan untuk pengenalan produk dan promosi pertumbuhan dari pada
pengembalian pendapatan produk. Kemudian, ketika basis pelanggan telah
didirikan, bersih pendapatan meningkat, dan pengeluaran menurun. Selama
periode stabil produk kedewasaan, jika produk menikmati pengikut setia,
promosi dalam bentuk apa pun tidak perlu. Akhirnya, langkah kompetitif
cenderung mengarah pada pemotongan harga dan penarikan produk dari pasar.
Luasnya interval stabil Kerusakan Penghentian distribusi Kematangan produk
baru atau layanan Bagikan potensi tingkat kejenuhan pengantar Volume
penjualan tahunan atau pangsa pasar Pemeliharaan Penonaktifan Penarikan
dukungan pemasaran Waktu

Gambar 3.10 Lintasan mewakili evolusi siklus hidup produk atau layanan baru
tahapan.
106 ◾ Sistem Manajemen Produksi dan Operasi
telah menurun dalam banyak kategori karena perubahan teknologi yang cepat
juga
sebagai perilaku kompetitif agresif.
Siklus hidup produk telah semakin cepat, yang berarti bahwa pertumbuhan
harus dilakukan
terjadi lebih cepat. Produk tidak bertahan lama dan harus matang
diganti lebih sering. Diperlukan lebih banyak pengenalan produk baru untuk
menggantikan waning
produk. Tantangan untuk P / OM adalah kecepatan penyesuaian yang diperlukan
ke semua tahap siklus kehidupan berubah dan sering melalui mereka, yaitu,
ekspansi dan kontraksi tanaman, sumber rantai pasokan baru, persediaan yang
sudah usang
permintaan segera untuk produk baru (mis., iPhone 5).
P / OM berpikir sangat penting untuk masing-masing dari empat tahap. Desain
baru itu
akan memasuki produksi telah selesai. Masih banyak pertanyaan yang harus
dijawab
dijawab. Berapa banyak produk yang harus dibuat untuk distribusi saat start-up?
Bagaimana
banyak produk yang diperlukan untuk menjaga agar jalur pasokan tetap terisi
untuk memenuhi permintaan
selama pertumbuhan? Berapa kapasitas yang akan digunakan pada setiap
tahapan? Berapa banyak
pelatihan akan konfigurasi kerja yang berkembang membutuhkan? Membuat
atau membeli keputusan
bisa berubah. Apa yang harus dibeli pada awalnya, pada volume yang lebih
rendah, mungkin lebih baik
dibuat di pabrik, pada volume yang lebih tinggi yang terkait dengan kedewasaan.
Itu
rantai pasokan global adalah faktor dinamis yang menuntut informasi terkini
dan rencana yang berubah dengan cepat.

3.9.4 Perlindungan Produk yang Matang (Dewasa) (Barang dan jasa) Organisasi
yang berhasil dengan pengenalan produk baru mereka bisa bank telah memiliki
produk atau layanan yang menghasilkan arus kas. Bank" tidak sebagus dulu,
karena tingkat kompetitif produk baru perkenalan telah meningkat tajam dalam
beberapa tahun terakhir. P / OM membutuhkan uang tunai untuk membayar
tenaga kerja dan membeli bahan dari pemasok. Umumnya, P / OM menghabiskan
lebih banyak uang daripada departemen lain di perusahaan. Akun-akun kas
untuk operasi biaya mungkin total 70% dari semua uang yang dihabiskan oleh
perusahaan. Untuk memenuhi persyaratan arus kas dan memiliki rencana yang
tepat di tempat membutuhkan kemampuan meramalkan yang sangat baik dari
dinamika pasar. Ini adalah fase di mana banyak perusahaan besar gagal
meramalkan perubahan dan mereka kehilangan keunggulan atau bangkrut.
Contohnya termasuk, Betamax Sony, Blockbuster, Borders, Circuit City, Digital
Peralatan, Eastman Kodak, Enron, Global Crossing, Lehman Brothers, Nortel,
Polaroid, Pan Am, Gambar Lebih Tajam, Sun Microsystems, dan Wang
Laboratories. Masing-masing dan setiap situasi ini mungkin dihindari jika
peramalan dilakukan menarik perhatian ke tebing yang berada di depan lintasan
mereka yang bergerak cepat. Karena organisasi global, ada lebih banyak pesaing
di dalam gim, dan karena ada lebih banyak pesaing, setiap organisasi bersaing
lebih keras. Meningkat persaingan telah menyebabkan tingkat volatilitas pasar
yang lebih tinggi. Namun demikian, untuk sebagian besar kategori produk, masih
ada banyak peluang untuk mendapat manfaat dari yang matang tahap siklus
hidup produk. Manfaat P / OM dari keamanan produk yang sudah ada
Pengkajian Beban Kerja (Peramalan) ◾ 107 karena mereka memiliki bahan yang
stabil dan persyaratan keterampilan tenaga kerja. Mereka juga menyediakan
kesempatan untuk meningkatkan produktivitas proses-proses ini. Namun,
penting untuk mendapatkan perkiraan yang baik tentang waktu ketika pasar
ekuilibrium memburuk. Pangsa pasar memburuk perlahan-lahan pada awalnya
dan kemudian parah ketika titik kritis tercapai. Tiba-tiba, sistem produksi
digunakan bahan dan tenaga untuk membuat produk atau memberikan layanan
yang tidak diinginkan oleh siapa pun. Apa telah memicu keadaan ini? Apakah
tulisan tangan di dinding? Mungkinkah Polaroid sudah meramalkan kamera
digital? Jawaban yang menarik dan konklusif adalah "ya." setiap kasus yang
disebutkan sebelumnya, dengan metode yang tepat dan visi yang jelas, perkiraan
bisa melihat apa yang akan terjadi meskipun penyebab masalah tidak bisa
diantisipasi dan prediksi waktu mungkin telah salah. Kasus Pan Am memberikan
contoh yang menarik. Penerbangan Pan Am 103 pada Rabu, 21 Desember 1988
dihancurkan oleh bom di atas Lockerbie, Skotlandia membunuh semua 259 orang
di dalam pesawat. Efek pada pemesanan langsung dan rentetan publisitas yang
terus berlangsung membuat asosiasi negatif terus meningkat di masa depan
pikiran selebaran. Tidak dapat diketahui jika Pan Am bisa membalikkan
penurunan pendapatan tetapi banyak yang mengira bahwa upaya kreatif dalam
skala besar mungkin berhasil. Apa yang diketahui adalah bahwa manajemen Pan
Am berusaha menunggu tanpa itu meramalkan kebangkrutan yang tak
terelakkan yang akan terjadi ketika faktor beban turun di bawah impas.
Perencanaan produksi untuk periode hunian yang sangat rendah mungkin
menghemat cukup uang untuk mengatasi badai. Peramalan tidak memainkan
bagian di Pan Saya berencana setelah bencana

Dengan definisi saat ini, pengeboman ini adalah peristiwa angsa hitam yang
merupakan kejadian
itu sangat langka, tidak terduga, dan bahkan mustahil. Pada abad keenam belas,
angsa hitam dianggap tidak ada. Belakangan, disadari bahwa angsa hitam adalah
sangat jarang tetapi mereka terjadi di alam. Teori peramalan Black Swan relevan
dalam banyak situasi (seperti pembunuhan Chicago Tylenol yang belum
terpecahkan — keracunan ini
terjadi pada tahun 1982). Johnson & Johnson membuat keputusan P / OM besar
untuk mendesain ulang
paket dan untuk mempublikasikan dengan pengeluaran pemasaran ekstensif
kualitas baru mereka
kontrol (keselamatan) tindakan. Kasus Tylenol sering dikutip karena J & J
menggunakan perkiraan
untuk benar mengarahkan upaya pemasaran dan strategi P / OM. Bencana
dihindari
dan manajemen krisis benar-benar berhasil. Ketika desain produk didirikan dan
merek (seperti aturan slide Keuffel & Esser, rekaman vinil RCA 45 rpm, 3,25
floppy
disk drive, dan Kodak film 35 mm) menghilang di pasaran, penting untuk
diperhatikan
bahwa banyak produsen terkejut tetapi sangat sedikit konsumen yang terkejut.

Ringkasan
Perencanaan strategis membutuhkan kerja tim. P / OM harus menjadi bagian dari
tim. Bab 3 membahas peran P / OM dalam membantu mengembangkan strategi
dan menerangi P / OM tugas untuk melaksanakannya. P / OM bertanggung jawab
untuk mencari dan mengadopsi "Praktik terbaik." Tahap siklus-hidup
dikembangkan. Ini termasuk pengantar dan pertumbuhan produk baru, diikuti
dengan kematangan dan kemerosotan mereka. P / OM adalah
diharapkan untuk melindungi produk yang sudah mapan. Tantangannya sulit
ketika pesaing memperkenalkan inovasi yang mengganggu. Pengakuan masalah
dan tindakan cepat untuk berurusan dengan gangguan diperlukan. Peramalan
sangat penting untuk pengelolaan tahapan siklus hidup yang tepat. Ekstrapolasi
dan korelasi adalah metode vital yang digunakan dengan analisis deret waktu.
Penting lainnya metode peramalan yang dibahas meliputi MA, WMA, analisis
regresi, koefisien korelasi, koefisien determinasi, beberapa perkiraan, dan
Metode Delphi. Juga, sarana untuk mengevaluasi metode peramalan yang
berbeda dengan membandingkan jenis kesalahan yang mereka hasilkan.