MANAJEMEN
OPERASIONAL
PERAMALAN ( FORECASTING )
Oleh :
Sutopo., S.Kom., MM
NIDN : 0422068803
Fb : As Sutopo
HP : 08522370588
WA : 08522370588
E-Mail : pangadegmkmoe@gmail.com
MAD
Aktual Peramalan
n
Contoh :
Selama 8 kuartal terakhir, Perusahaan X
membongkar muat sejumlah besar biji-bijian
dari kapal. Manajer operasi pelabu-han ingin
menguji penggunaan penghalus-an
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
α=0,1 dan α=0,5.
Penyelesaian :
Tonase Peramalan yg
Peramalan yg dibulatkan dgn
Kuartal Bongkar/ dibulatkan
α =0,1
Muat dgn α =0,5
1 180 175 175
2 168 175+0,1(180-175)=175,50 177,50
3 159 175,50+0,1(168-175,50)=174,75 172,75
4 175 174,75+0,1(159-174,75)=173,18 165,88
5 190 173,18+0,1(175-173,18)=173,36 170,44
6 205 173,36+0,1(190-173,36)=175,02 180,22
7 180 175,02+0,1(205-175,02)=178,02 192,61
8 182 178,02+0,1(180-178,02)=178,22 186,30
9 ? 178,22+0,1(182-178,22)=178,59 184,15
Perhitungan MAD :
Deviasi Deviasi
Tonase B/M Peramalan Peramalan
Kuartal Absolut Absolut
Aktual α= 0,1 α= 0,5
α=0,1 α=0,5
1 180 175 5,00 175 5,00
1 180 175 52 = 25
Permintaan
Bulan Permintaan untuk Bulan T(FT)
Aktual
1 100 F1 = 100 (diberikan)
2 200 F2 = F1+α(A1-F1) = 100 + 0,4(100-100) = 100
3 300 F3 = F2+α(A2-F2) = 100 + 0,4(200-100) = 140
4 400 F4 = F3+α(A3-F3) = 140 + 0,4(300-140) = 204
5 500 F5 = F4+α(A4-F4) = 204 + 0,4(400-204) = 282
Untuk memperbaiki peramalan kita, berikut
akan diilustrasikan model penghalus-an
eksponensial yg lebih rumit dan dapat
menyesuaikan diri pada tren yg ada. Idenya
adalah menghitung rata-rata data penghalusan
eksponensial, kemudian me-nyesuaikan untuk
kelambatan (lag) positif atau negatif pada tren.
Rumusnya :
FITt = Ft + Tt
Contoh :
Permintaan Permintaan
Bulan (t) Bulan (t)
Aktual (At) Aktual (At)
1 12 6 21
2 17 7 31
3 20 8 28
4 19 9 36
5 24 10 ?
Permintaan
Bulan Ft Tt FITt
Aktual
1 12 11 2 13,00
2 17 12,80 1,92 14,72
3 20 15,18 2,10 17,28
4 19 17,82 2,32 20,14
5 24 19,91 2,23 22,14
6 21 22,51 2,38 24,89
7 31 24,11 2,07 26,18
8 28 27,14 2,45 29,59
9 36 29,28 2,32 31,60
10 ? 32,48 2,68 35,16
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
Contoh :
Periode Permintaan
Tahun x2 xy
Waktu (x) Daya Listrik (Y)
2001 1 74 1 74
2002 2 79 4 158
2003 3 80 9 240
2004 4 90 16 360
xy n x y
b a y bx
x nx
2 2
Penyelesaian :
b
xy n x y 3.063 - (7)(4)(98,86) 295
10,54
x nx
2 2 2
140 - (7)(4 ) 28
y a bx 56,70 10,54 x
Permintaan tahun 2008 = 56,70+10,54(8)
= 141,02 megawat
Permintaan tenaga listrik (megawatts)
Garis tren : y = 56,70+10,54x
Tahun
Analisis Regresi :
1. Regresi Linear
1.1. Regresi Linear Sederhana
1.2. Regresi Linear Berganda
2. Regresi Kuadrat
3. Regresi Eksponensial
Ringkasan
Peramalan merupakan bagian yang sangat penting dari fungsi manajer
operasional. Peramalan permintaan mendorong produksi perusahaan,
kapasitas, dan sistem penjadwalan dan memengaruhi fungsi
perencanaan keuangan, pemasaran, dan personalia.
Terdapat beragam teknik peramalan jenis kuantitatif dan kualitatif.
Pendekatan kualitatif menggunakan pertimbangan, pegalaman, intuisi,
dan sumber faktor lainnya yang sulit untuk menghitungnya. Peramalan
kuantitatif menggunakan data historis dan hubungan sebab akibat, atau
asosiatif, hubungan dengan proyeksi permintaan pada masa mendatang.
Tinjauan ulang secara cepat untuk bab ini meringkas rumus yang telah
kita perkenalkan dalam peramalan kuantitatif. Perhitungan peramalan
jarang sekali dilakukan secara manual. Sebagian besar manajer
operasional beralih ke perangkat, misalnya Forecast PRO, NCSS,
Minitab, Systat, Statgraphics, SAS, atau SPSS.
Ringkasan