(DOC) Chapter 7 Ilham Azmi Zarkasi PDF
(DOC) Chapter 7 Ilham Azmi Zarkasi PDF
Dosen Pengampu :
Dr. Kusdi Rahadjo, DEA
Oleh :
Ilham Azmi Zarkasi (196030200111018)
Toko Home Depot yang menjual cat memesan cat dasar dan pewarna untuk
mengantisipasi pesanan pelanggan, sedangkan itu melakukan pencampuran akhir cat
sebagai tanggapan atas pesanan pelanggan. Home Depot menggunakan perkiraan
permintaan di masa depan untuk menentukan jumlah cat dan pewarna yang tersedia
(proses push). Lebih jauh ke rantai pasokan, pabrik cat yang memproduksi pangkalan juga
perlu perkiraan untuk menentukan tingkat produksi dan persediaannya sendiri. Pemasok
pabrik cat juga perlu perkiraan untuk alasan yang sama. Ketika setiap tahap dalam rantai
pasokan membuat ramalannya sendiri-sendiri, ramalan ini seringkali sangat berbeda.
Hasilnya adalah ketidakcocokan antara penawaran dan permintaan. Ketika semua tahapan
rantai pasokan bekerja bersama untuk menghasilkan perkiraan kolaboratif, perkiraan
tersebut cenderung jauh lebih akurat. Akurasi perkiraan yang dihasilkan memungkinkan
rantai pasokan menjadi lebih responsif dan lebih efisien dalam melayani pelanggan
mereka. Para pemimpin di banyak rantai pasokan, mulai dari produsen elektronik hingga
pengecer barang dalam kemasan, telah meningkatkan kemampuan mereka untuk
mencocokkan pasokan dan permintaan dengan bergerak menuju peramalan kolaboratif.
Produk dewasa dengan permintaan stabil, seperti susu atau handuk kertas, biasanya paling
mudah diperkirakan. Peramalan dan keputusan manajerial yang menyertainya sangat sulit
ketika pasokan bahan baku atau permintaan untuk produk jadi sangat tidak dapat
diprediksi. Barang mode dan banyak produk teknologi tinggi adalah contoh barang yang
sulit diperkirakan. Dalam kedua kasus, perkiraan kesalahan perkiraan sangat penting
ketika merancang rantai pasokan dan merencanakan responsnya.
Perusahaan dan manajer rantai pasokan harus mengetahui karakteristik perkiraan berikut
ini.
1. Prakiraan selalu tidak akurat dan karenanya harus mencakup nilai perkiraan ramalan
dan ukuran kesalahan ramalan. Untuk memahami pentingnya kesalahan perkiraan,
pertimbangkan dua dealer mobil. Salah satunya mengharapkan penjualan berkisar antara
100 dan 1.900 unit, sedangkan yang lain mengharapkan penjualan berkisar antara 900 dan
1.100 unit. Meskipun kedua dealer mengantisipasi penjualan rata-rata 1.000, kebijakan
sumber untuk setiap dealer harus sangat berbeda, mengingat perbedaan dalam akurasi
perkiraan. Dengan demikian, kesalahan perkiraan (atau ketidakpastian permintaan) adalah
input utama ke dalam sebagian besar keputusan rantai pasokan. Sayangnya, sebagian
besar perusahaan tidak mempertahankan estimasi kesalahan perkiraan.
2. Prakiraan jangka panjang biasanya kurang akurat daripada prakiraan jangka pendek;
yaitu, prakiraan jangka panjang memiliki standar deviasi kesalahan yang lebih besar
dibandingkan dengan rata-rata dari prakiraan jangka pendek. Seven-Eleven Jepang telah
mengeksploitasi properti utama ini untuk meningkatkan kinerjanya. Perusahaan telah
melembagakan proses pengisian ulang yang memungkinkannya untuk menanggapi
pesanan dalam beberapa jam. Misalnya, jika seorang manajer toko melakukan pemesanan
pada pukul 10 pagi, pesanan tersebut akan dikirimkan pada pukul 7 malam. hari yang
sama. Karena itu, manajer harus memperkirakan apa yang akan dijual malam itu hanya
kurang dari 12 jam sebelum penjualan aktual. Waktu tunggu yang singkat memungkinkan
manajer mempertimbangkan informasi terkini yang dapat memengaruhi penjualan
produk, seperti cuaca. Perkiraan ini cenderung lebih akurat daripada jika manajer toko
harus memperkirakan permintaan seminggu sebelumnya.
3. Prakiraan agregat biasanya lebih akurat daripada perkiraan terpilah, karena mereka
cenderung memiliki standar deviasi kesalahan yang lebih kecil dibandingkan dengan rata-
rata. Misalnya, mudah untuk memperkirakan Produk Domestik Bruto (PDB) negara-
negara bersatu untuk tahun tertentu dengan kesalahan kurang dari 2 persen. Namun, jauh
lebih sulit untuk memperkirakan pendapatan tahunan untuk perusahaan dengan kesalahan
kurang dari 2 persen, dan bahkan lebih sulit untuk memperkirakan pendapatan untuk
produk tertentu dengan tingkat akurasi yang sama. Perbedaan utama di antara tiga
perkiraan adalah tingkat agregasi. PDB adalah agregasi di banyak perusahaan, dan
pendapatan perusahaan adalah agregasi di beberapa lini produk. Semakin besar agregasi,
semakin akurat perkiraannya.
4. Secara umum, semakin jauh rantai pasokan perusahaan (atau semakin jauh dari
konsumen), semakin besar distorsi informasi yang diterimanya. Salah satu contoh klasik
dari fenomena ini adalah efek bullwhip (lihat Bab 10), di mana variasi pesanan diperkuat
ketika pesanan bergerak lebih jauh dari konsumen akhir. Perkiraan kolaboratif
berdasarkan penjualan ke pelanggan akhir membantu perusahaan hulu mengurangi
kesalahan perkiraan.
Yogi Berra, mantan penangkap New York Yankees yang terkenal dengan
malapropismenya, pernah berkata, "Sulit untuk membuat prediksi, terutama tentang masa
depan." Seseorang mungkin tergoda untuk memperlakukan ramalan permintaan sebagai
sihir atau seni dan membiarkan segala sesuatunya menjadi kebetulan. Apa yang diketahui
perusahaan tentang perilaku masa lalu pelanggannya, menjelaskan perilaku masa depan
mereka. Permintaan tidak muncul dalam ruang hampa. Sebaliknya, permintaan pelanggan
dipengaruhi oleh berbagai faktor dan dapat diprediksi, setidaknya dengan beberapa
kemungkinan, jika perusahaan dapat menentukan hubungan antara faktor-faktor ini dan
permintaan di masa depan. Untuk memperkirakan permintaan, perusahaan harus terlebih
dahulu mengidentifikasi faktor-faktor yang mempengaruhi permintaan di masa depan dan
kemudian memastikan hubungan antara faktor-faktor ini dan permintaan di masa depan.
Perusahaan harus menyeimbangkan faktor objektif dan subyektif ketika memperkirakan
permintaan. Meskipun kami fokus pada metode perkiraan kuantitatif dalam bab ini,
perusahaan harus memasukkan input manusia ketika mereka membuat perkiraan akhir
mereka. Seven-Eleven Jepang menggambarkan hal ini.
Perusahaan harus memiliki pengetahuan tentang berbagai faktor yang terkait dengan
perkiraan permintaan, termasuk yang berikut:
Perusahaan mungkin kesulitan menentukan metode mana yang paling tepat untuk
peramalan. Faktanya, beberapa penelitian telah mengindikasikan bahwa menggunakan
beberapa metode perkiraan untuk membuat perkiraan gabungan lebih efektif daripada
hanya menggunakan satu metode saja.
Dalam bab ini, kita terutama berurusan dengan metode deret waktu, yang paling tepat
ketika permintaan di masa depan terkait dengan permintaan historis, pola pertumbuhan,
dan pola musiman apa pun. Dengan metode peramalan apa pun, selalu ada elemen acak
yang tidak dapat dijelaskan oleh pola permintaan historis. Oleh karena itu, setiap
permintaan yang diamati dapat dipecah menjadi komponen yang sistematis dan acak:
Permintaan yang diamati (O) = komponen sistematis (S) + komponen acak (R)
Komponen sistematis mengukur nilai permintaan yang diharapkan dan terdiri dari apa
yang akan kita sebut tingkat, permintaan yang dinasionalisasi sekarang; tren, tingkat
pertumbuhan atau penurunan permintaan untuk periode selanjutnya; dan musiman,
fluktuasi musiman yang dapat diprediksi dalam permintaan.
Komponen acak adalah bagian dari ramalan yang menyimpang dari bagian sistematis.
Perusahaan tidak dapat (dan tidak seharusnya) memperkirakan arah komponen acak.
Yang dapat diprediksi oleh perusahaan adalah ukuran dan variabilitas komponen acak,
yang menyediakan ukuran kesalahan perkiraan. Tujuan peramalan adalah untuk
menyaring komponen acak (noise) dan memperkirakan komponen sistematis. Kesalahan
perkiraan mengukur perbedaan antara perkiraan dan permintaan aktual. Rata-rata, metode
peramalan yang baik memiliki kesalahan yang ukurannya sebanding dengan komponen
permintaan acak. Seorang manajer harus skeptis terhadap metode peramalan yang
mengklaim tidak memiliki kesalahan peramalan pada permintaan historis. Dalam hal ini,
metode ini telah menggabungkan komponen acak historis dengan komponen sistematis.
Akibatnya, metode perkiraan kemungkinan berkinerja buruk.
Lima poin berikut ini penting bagi sebuah organisasi untuk memperkirakan secara efektif:
Tujuan dari setiap metode peramalan adalah untuk memprediksi komponen permintaan
yang sistematis dan memperkirakan komponen acak. Dalam bentuknya yang paling
umum, komponen sistematis dari data permintaan mengandung level, tren, dan faktor
musiman. Persamaan untuk menghitung komponen sistematis dapat mengambil berbagai
bentuk:
Bentuk spesifik dari komponen sistematis yang berlaku untuk ramalan yang diberikan
tergantung pada sifat permintaan. Perusahaan dapat mengembangkan metode peramalan
statis dan adaptif untuk setiap formulir. Kami sekarang menjelaskan metode peramalan
statis dan adaptif ini.
Metode Statis
Metode statis mengasumsikan bahwa estimasi level, tren, dan musiman dalam komponen
sistematis tidak bervariasi ketika permintaan baru diamati. Dalam hal ini, kami
memperkirakan masing-masing parameter ini berdasarkan data historis dan kemudian
menggunakan nilai yang sama untuk semua prakiraan masa depan. Pada bagian ini, kami
membahas metode peramalan statis untuk digunakan ketika permintaan memiliki tren
serta komponen musiman. Kami berasumsi bahwa komponen sistematis permintaan
beragam; itu adalah,
Pendekatan serupa dapat diterapkan untuk bentuk lain juga. Kami mulai dengan beberapa
definisi dasar:
Dalam metode peramalan statis, prakiraan dalam Periode t untuk permintaan dalam
Periode t + l adalah produk dari level dalam Periode t + l dan faktor musiman untuk
Periode t + l. Tingkat dalam Periode t + l adalah jumlah dari tingkat dalam Periode 0 (L)
dan (t + l) kali tren T. Prakiraan dalam Periode t untuk permintaan di Periode t + l dengan
demikian diberikan sebagai
Kami sekarang menjelaskan satu metode untuk memperkirakan tiga parameter L, T, dan
S. Sebagai contoh, pertimbangkan permintaan garam batu yang digunakan terutama untuk
mencairkan salju. Garam ini diproduksi oleh sebuah perusahaan bernama Tahoe Salt,
yang menjual garamnya melalui berbagai pengecer independen di sekitar Danau
Tahoearea dari Gunung Siera Navada. Di masa lalu, Tahoe Saltmhas mengandalkan
perkiraan permintaan dari sampel pengecernya, tetapi perusahaan telah memperhatikan
bahwa pengecer ini selalu melebih-lebihkan pembelian mereka, meninggalkan Tahoe
(dan bahkan beberapa pengecer) terjebak dengan kelebihan persediaan. Setelah bertemu
dengan pengecernya, Tahoe telah memutuskan untuk menghasilkan perkiraan kolaboratif.
Tahoe Salt ingin bekerja sama dengan pengecer untuk membuat perkiraan yang lebih
akurat berdasarkan penjualan eceran garam mereka yang sebenarnya. Data permintaan
ritel triwulanan selama tiga tahun terakhir ditunjukkan pada Tabel 7-1 dan ditunjukkan
pada Gambar 1.
Pada Gambar 1, amati bahwa permintaan garam bersifat musiman, meningkat dari kuartal
kedua tahun tertentu ke kuartal pertama tahun berikutnya. Kuartal kedua setiap tahun
memiliki permintaan terendah. Setiap siklus berlangsung empat kuartal, dan pola
permintaan berulang setiap tahun. Ada juga tren pertumbuhan permintaan, dengan
penjualan tumbuh selama tiga tahun terakhir. Perusahaan memperkirakan bahwa
pertumbuhan akan berlanjut di tahun mendatang dengan kurs historis. Kami sekarang
menggambarkan dua langkah berikut yang diperlukan untuk memperkirakan masing-
masing dari tiga parameter — level, tren, dan faktor musiman.
1. Deseasonalisasi permintaan dan jalankan regresi linier untuk memperkirakan level dan
tren.
Tujuan dari langkah ini adalah untuk memperkirakan level pada Periode 0 dan tren. Kami
mulai dengan menasionalisasi data permintaan. Permintaan dinasionalisasi mewakili
permintaan yang akan diamati tanpa adanya fluktuasi musiman. Periodisitas (p) adalah
jumlah periode setelah mana siklus musiman berulang. Untuk permintaan Tahoe Salt,
polanya berulang setiap tahun. Mengingat bahwa kami mengukur permintaan secara
triwulanan, periodisitas untuk permintaan pada Tabel 7-1 adalah p = 4
Untuk memastikan bahwa setiap musim diberi bobot yang sama ketika menentukan
permintaan, kami mengambil rata-rata periode permintaan berturut-turut. Rata-rata
permintaan dari Periode l + 1 hingga Periode l + p memberikan permintaan yang
dinasionalisasi untuk Periode l + (p + 1) / 2. Jika p ganjil, metode ini memberikan
permintaan yang dinasionalisasi untuk periode yang ada. Jika p genap, metode ini
memberikan permintaan yang dinasionalisasi pada titik antara Periode l + (p / 2) dan
Periode l + 1 + (p / 2). Dengan mengambil rata-rata permintaan yang dinasionalisasi yang
diberikan oleh Periode l + 1 hingga l + p dan l + 2 hingga l + p + 1, kami memperoleh
permintaan yang dinasionalisasi untuk Periode l + 1 + (p / 2) jika p genap. Dengan
demikian, permintaan yang dinasionalisasi, Dt, untuk Periode t, dapat diperoleh sebagai
berikut:
Dalam contoh kita, p = 4 adalah genap. Untuk t = 3, kami memperoleh permintaan yang
dinasionalisasi menggunakan Persamaan 7.2 sebagai berikut:
Dengan prosedur ini, kita dapat memperoleh permintaan yang dinasionalisasi antara
Periode 3 dan 10 seperti yang ditunjukkan pada Gambar 7-2 dan 7-3 (semua detail tersedia
di Bab 7-Tahoe-salt).
Hubungan linear berikut ada antara permintaan yang dinasionalisasi, Dt, dan waktu t,
berdasarkan perubahan permintaan dari waktu ke waktu:
dan klik tombol OK. Lembar baru yang berisi hasil regresi terbuka (lihat lembar kerja
Regresi-1). Lembar baru ini berisi estimasi untuk level awal L dan tren T. Level awal, L,
diperoleh sebagai koefisien intersepsi, dan tren, T, diperoleh sebagai koefisien variabel X
(atau kemiringan) dari sheet mengandung hasil regresi. Untuk contoh Tahoe Salt, kami
memperoleh L = 18,439 iklan T = 524 (semua detail tersedia di lembar kerja Regresi-1
dan angka dibulatkan menjadi nilai integer). Untuk contoh ini, permintaan dinasionalisasi
Dt untuk Periode apa pun dengan demikian diberikan oleh
Tidak tepat untuk menjalankan regresi linier antara data permintaan asli dan waktu untuk
memperkirakan tingkat dan tren karena data permintaan asli tidak linier dan regresi linier
yang dihasilkan tidak akan akurat. Permintaan harus dinasionalisasi sebelum kita
menjalankan regresi linier.
ESTIMASI FAKTOR MUSIM
Kita sekarang dapat memperoleh permintaan yang dinasionalisasi untuk setiap periode
menggunakan Persamaan 7.4 (lihat gambar 7-4). Faktor musiman St untuk Periode t
adalah rasio permintaan aktual Dt dengan permintaan dinasionalisasi Dt dan diberikan
sebagai
Pada tahap ini, kami telah memperkirakan tingkat, tren, dan semua faktor musiman. Kita
sekarang dapat memperoleh perkiraan untuk empat kuartal berikutnya menggunakan
Persamaan 7.1. Dalam contoh tersebut, perkiraan untuk empat periode berikutnya
menggunakan metode perkiraan statis diberikan oleh
Tahoe Salt dan pengecernya sekarang memiliki perkiraan permintaan yang lebih akurat.
Tanpa berbagi informasi penjualan-melalui antara pengecer dan produsen, rantai pasokan
ini akan memiliki perkiraan yang kurang akurat, dan berbagai inefisiensi produksi dan
inventaris akan terjadi.
Peramalan Adaptif
Dalam peramalan adaptif, perkiraan level, tren, dan musiman diperbarui setelah setiap
pengamatan permintaan. Keuntungan utama dari peramalan adaptif adalah bahwa
perkiraan menggabungkan semua data baru yang diamati. Kami sekarang membahas
kerangka dasar dan beberapa metode yang dapat digunakan untuk jenis ramalan ini.
Kerangka kerja disediakan dalam pengaturan yang paling umum, ketika komponen
sistematis dari data permintaan memiliki bentuk campuran dan berisi tingkat, tren, dan
faktor musiman. Namun, dapat dengan mudah dimodifikasi untuk dua kasus lainnya.
Kerangka kerja juga dapat dikhususkan untuk kasus di mana komponen sistematis tidak
mengandung musiman atau tren. Kami berasumsi bahwa kami memiliki satu set data
historis untuk n periode dan permintaan bersifat musiman, dengan periodisitas p. Dengan
data triwulanan, di mana pola berulang setiap tahun, kami memiliki periodisitas p = 4
1. Inisialisasi: Hitung estimasi awal tingkat (L0), tren (T0), dan faktor musiman (S1,
...,, Sp) dari data yang diberikan. Ini dilakukan persis seperti pada metode
peramalan statis yang dibahas sebelumnya dalam bab dengan L0 = L dan T0 = T.
2. Prakiraan: Mengingat perkiraan dalam Periode t, perkiraan permintaan untuk
Periode t + 1 menggunakan Persamaan 7.7. Prakiraan pertama kami adalah untuk
Periode 1 dan dibuat dengan perkiraan tingkat, tren, dan faktor musiman pada
Periode 0.
3. Estimasi kesalahan: Catat permintaan aktual Dt + 1 untuk Periode t + 1 dan hitung
kesalahan Et + 1 dalam perkiraan untuk Periode t + 1 sebagai perbedaan antara
perkiraan dan permintaan aktual. Kesalahan untuk Periode t + 1 dinyatakan
sebagai
4. Ubah estimasi: Ubah estimasi level (Lt + 1), tren (Tt + 1), dan faktor musiman (St
+ p + 1), mengingat kesalahan Et + 1 dalam ramalan. Diharapkan bahwa
modifikasi dibuat sedemikian rupa sehingga jika permintaan lebih rendah dari
perkiraan, estimasi direvisi ke bawah, sedangkan jika permintaan lebih tinggi dari
perkiraan, estimasi direvisi ke atas.
Estimasi yang direvisi pada Periode t + 1 kemudian digunakan untuk membuat perkiraan
untuk Periode t + 2, dan Langkah 2, 3, dan 4 diulang sampai semua data historis hingga
Periode n telah dicakup. Estimasi pada Periode n kemudian digunakan untuk
memperkirakan permintaan di masa depan.
Kami sekarang membahas berbagai metode perkiraan adaptif. Metode yang paling tepat
tergantung pada karakteristik permintaan dan komposisi komponen permintaan
sistematis. Dalam setiap kasus, kami menganggap periode yang dipertimbangkan sebagai
t.
Dalam metode ini, level dalam Periode t diperkirakan sebagai permintaan rata-rata selama
periode N terbaru. Ini mewakili rata-rata bergerak periode-N dan dievaluasi sebagai
berikut:
Perkiraan saat ini untuk semua periode masa depan adalah sama dan didasarkan pada
estimasi level saat ini. Prakiraan tersebut dinyatakan sebagai
Kami membuat perkiraan untuk Periode 5 pada akhir Periode 4. Jadi, anggap periode saat
ini adalah 1 = 4. Tujuan pertama kami adalah memperkirakan tingkat dalam Periode 4.
Menggunakan Persamaan 7.9, dengan N = 4, kami dapatkan
Karena permintaan di Periode 5, D5, adalah 125 galon, kami memiliki kesalahan
perkiraan untuk Periode 5 dari
Setelah mengamati permintaan dalam Periode 5. estimasi revisi level untuk Periode 5
diberikan oleh:
Metode smoothing eksponensial sederhana sesuai ketika permintaan tidak memiliki tren
yang dapat diamati atau musiman. Pada kasus ini,
Estimasi awal level, L0, dianggap sebagai rata-rata dari semua data historis karena
permintaan diasumsikan tidak memiliki tren yang dapat diamati atau musiman.
Mengingat data permintaan untuk Periode 1 hingga n, kami memiliki yang berikut:
Perkiraan saat ini untuk semua periode masa depan sama dengan estimasi tingkat saat ini
dan diberikan sebagai
Setelah mengamati permintaan, Dt + 1, untuk Periode t + 1, kami merevisi estimasi level
sebagai berikut:
di mana α (0 < α < 1) adalah konstanta smoothing untuk level tersebut. Nilai revisi level
adalah rata-rata tertimbang dari nilai level yang diamati (Dt + 1) pada Periode t +1 dan
perkiraan lama level (Lt) pada Periode t. Menggunakan Persamaan 7.13, kita dapat
mengekspresikan level dalam periode tertentu sebagai fungsi dari permintaan saat ini dan
level pada periode sebelumnya. Kita dengan demikian dapat menulis ulang Persamaan
7.13 sebagai
Perkiraan tingkat saat ini adalah rata-rata tertimbang dari semua pengamatan permintaan
di masa lalu, dengan pengamatan baru-baru ini lebih tinggi daripada pengamatan yang
lebih tua. Nilai yang lebih tinggi dari korespondensi dengan perkiraan yang lebih
responsif terhadap pengamatan terbaru, sedangkan nilai yang lebih rendah mewakili
perkiraan yang lebih stabil yang kurang responsif terhadap pengamatan terbaru. Kami
menggambarkan penggunaan pemulusan eksponensial dalam Contoh 7-2.
Pertimbangkan supermarket pada Contoh 7-1, di mana permintaan susu mingguan adalah
D1 = 120, D2 = 127, D3 = 114, dan D4 = 122 galon selama empat minggu terakhir.
Permintaan perkiraan untuk Periode 5 menggunakan smoothing eksponensial sederhana
dengan α = 0,1.
Analisis
Dalam hal ini, kami memiliki data permintaan untuk n = 4 periode. Menggunakan
Persamaan 7.11, estimasi awal level (dibulatkan menjadi 2 desimal) diekspresikan oleh
Dengan α = 0,1, estimasi revisi level untuk Periode 1 menggunakan Persamaan 7.13
diberikan oleh
Perhatikan bahwa estimasi level untuk Periode 1 lebih rendah daripada untuk Periode 0
karena permintaan dalam Periode 1 lebih rendah dari perkiraan untuk Periode 1. Dengan
demikian kita memperoleh F2 = L1 = 120,68. Mengingat bahwa D2 = 127, kita
memperoleh L2 = (0,1 × 127) + (0,9 × 120,68) = 121,31. Ini menghasilkan F 3 = L2 =
121,31.
Mengingat bahwa D3 = 114, kami memperoleh L3 = (0,1 x 114) + (0,9 x 121,31) = 120.58.
Ini menghasilkan F4 = L3 = 120,58. Mengingat bahwa D4 122, kami memperoleh L4 (0,1
x 122) + (0,9 x 120,58) = 120,72. Ini memberi F5 = L4 = 120.72.
Kami memperoleh estimasi awal level dan tren dengan menjalankan regresi linier antara
permintaan, Dt, dan waktu, Periode t, dari formulir
Dt = at + b
Dalam hal ini, menjalankan regresi linier antara permintaan dan periode waktu adalah
tepat karena kami mengasumsikan bahwa permintaan memiliki tren tetapi tidak musiman.
Hubungan mendasar antara permintaan dan waktu adalah linear. Konstanta b mengukur
estimasi permintaan pada Periode t = 0 dan merupakan estimasi kami untuk level awal L0.
Alfa lereng mengukur tingkat perubahan dalam, permintaan per periode dan merupakan
estimasi awal kami terhadap tren T0.
Dalam Periode t, diberikan estimasi level Lt dan tren Tt, perkiraan untuk periode
mendatang dinyatakan sebagai
Setelah mengamati permintaan untuk Periode t, kami merevisi estimasi untuk level dan
tren sebagai berikut:
di mana a (0 < α < 1) adalah konstanta smoothing untuk level dan β (0 < β < 1) adalah
konstanta pemerata untuk tren. Perhatikan bahwa dalam masing-masing dari dua
pembaruan, estimasi yang direvisi (level atau tren) adalah rata-rata tertimbang dari nilai
yang diamati dan estimasi lama. Kami menggambarkan penggunaan model Holt dalam
Contoh 7-3 (lihat Contoh spreadsheet terkait 1-4 Bab 7).
Sebuah produsen elektronik telah melihat permintaan untuk peningkatan MP3 player
terbaru selama enam bulan terakhir. Permintaan yang diamati (dalam ribuan) adalah D1
= 8,415, D2 = 8,732, D3 = 9,014, D4 = 9,808, D5 = 10,413, dan D6 = 11,961. Permintaan
perkiraan untuk Periode 7 menggunakan trend pemerataan eksponensial terkoreksi
dengan α = 0,1, β = 0,2.
Permintaan yang diamati untuk Periode 1 adalah D1 = 8.415. Kesalahan untuk Periode 1
dengan demikian diberikan oleh
Dengan α = 0,1, β = 0,2, estimasi revisi level dan tren untuk Periode 1 menggunakan
Persamaan 7.15 dan 7.16 diberikan oleh
Perhatikan bahwa perkiraan awal untuk permintaan di Periode 1 terlalu rendah. Sebagai
hasilnya, pembaruan kami telah meningkatkan estimasi level L1, untuk Periode 1 dari
8.040 menjadi 8.078 dan estimasi tren dari 673 menjadi 681. Dengan menggunakan
Persamaan 7.14, dengan demikian kami memperoleh ramalan berikut untuk Periode 2:
Pertimbangkan data permintaan Tahoe Salt pada Tabel 7-1. Permintaan ramalan untuk
Periode 1 menggunakan tren dan smoothing eksponensial musiman-dikoreksi dengan α =
0,1, β = 0,2, γ = 0,1.
Analisis
Kami memperoleh estimasi awal dari level, tren, dan faktor musiman persis seperti pada
kasus statis. Mereka diungkapkan sebagai berikut:
Dengan α = 0,1, β = 0,2, γ = 0,1, estimasi revisi tingkat dan tren untuk Periode 1 dan
faktor musiman untuk Periode 5, menggunakan Persamaan 7.18, 7.19, dan 7.20, diberikan
oleh
Ramalan permintaan untuk Periode 2 (menggunakan Persamaan 7.17) dengan demikian
diberikan oleh
Metode peramalan yang telah kita diskusikan dan situasi di mana mereka berlaku
umumnya adalah sebagai berikut:
Jika Tahoe Salt menggunakan metode peramalan adaptif untuk data jual-beli yang
diperoleh dari pengecernya, model Winter adalah pilihan terbaik, karena permintaannya
mengalami tren dan musim.
Jika kita tidak tahu bahwa Tahoe Salt mengalami tren dan musim, bagaimana kita bisa
mengetahuinya? Kesalahan ramalan membantu mengidentifikasi contoh di mana metode
perkiraan yang digunakan tidak sesuai. Di bagian berikutnya, kami mendeskripsikan
bagaimana seorang manajer dapat memperkirakan dan menggunakan kesalahan
perkiraan.
Selama kesalahan yang diamati berada dalam perkiraan kesalahan historis, perusahaan
dapat terus menggunakan metode perkiraan saat ini. Menemukan kesalahan yang jauh
melampaui perkiraan historis dapat menunjukkan bahwa metode perkiraan yang
digunakan tidak lagi sesuai atau permintaan telah berubah secara mendasar. Jika semua
perkiraan perusahaan cenderung secara konsisten melebih-lebihkan atau meremehkan
permintaan, ini bisa menjadi sinyal lain bahwa perusahaan harus mengubah metode
perkiraannya.
Et = Ft – Dt
Artinya, kesalahan dalam Periode t adalah perbedaan antara perkiraan untuk Periode t dan
permintaan aktual dalam Periode t. Adalah penting bahwa seorang manajer
memperkirakan kesalahan perkiraan yang dibuat setidaknya sejauh di muka sebagai
waktu yang diperlukan bagi manajer untuk mengambil tindakan apa pun dari ramalan
yang akan digunakan. Misalnya, jika perkiraan akan digunakan untuk menentukan ukuran
pesanan dan waktu tunggu pemasok adalah enam bulan, manajer harus memperkirakan
kesalahan perkiraan yang dibuat enam bulan sebelum permintaan muncul. Dalam situasi
dengan lead time enam bulan, tidak ada gunanya memperkirakan kesalahan untuk
perkiraan yang dibuat satu bulan sebelumnya.
Salah satu ukuran kesalahan ramalan adalah kesalahan kuadrat rata-rata adalah mean
squared error (MSE), di mana yang berikut ini berlaku (penyebut dalam Persamaan 7.21
juga dapat memiliki n - 1 bukannya n):
Tetapkan deviasi absolut dalam Periode t, At, sebagai nilai absolut dari kesalahan dalam
Periode t; itu adalah,
At = IEt I
Tetapkan mean absolute deviation (MAD) sebagai rata-rata deviasi absolut pada semua
periode, seperti yang dinyatakan oleh
MAD dapat digunakan untuk memperkirakan standar deviasi komponen acak dengan
asumsi bahwa komponen acak terdistribusi secara normal. Dalam hal ini simpangan baku
dari komponen acak adalah
Kami kemudian memperkirakan bahwa rata-rata komponen acak adalah 0, dan standar
deviasi komponen permintaan acak adalah σ. MAD adalah ukuran kesalahan yang lebih
baik daripada MSE jika kesalahan ramalan tidak memiliki distribusi simetris. Bahkan
ketika distribusi kesalahan simetris, MAD adalah pilihan yang tepat ketika memilih
metode perkiraan jika biaya perkiraan kesalahan sebanding dengan ukuran kesalahan.
Rata-rata mean absolute percentage error (MAPE) adalah kesalahan absolut rata-rata
sebagai persentase permintaan dan diberikan oleh
MAPE adalah ukuran kesalahan ramalan yang baik ketika ramalan yang mendasarinya
memiliki musim yang signifikan dan permintaan bervariasi dari satu periode ke periode
berikutnya. Pertimbangkan skenario di mana dua metode digunakan untuk membuat
prakiraan triwulanan untuk suatu produk dengan permintaan musiman yang memuncak
pada kuartal ketiga. Metode 1 mengembalikan kesalahan perkiraan 190, 200, 245, dan
180; Metode 2 mengembalikan kesalahan perkiraan 100, 120, 500, dan 100 selama empat
kuartal. Metode 1 memiliki MSE dan MAD yang lebih rendah dibandingkan dengan
Metode 2 dan akan lebih disukai jika salah satu kriteria digunakan. Namun, jika
permintaan sangat musiman, dan rata-rata 1.000, 1.200, 4.800, dan 1.100 dalam empat
periode, Metode 2 menghasilkan MAPE sebesar 9,9 persen, sedangkan Metode 1
menghasilkan MAPE yang jauh lebih tinggi, 14,3 persen. Dalam hal ini, dapat dikatakan
bahwa Metode 2 harus lebih disukai daripada Metode 1.
Bias akan berfluktuasi di sekitar 0 jika kesalahannya benar-benar acak dan tidak bias satu
arah atau yang lain. Idealnya, jika kita memplot semua kesalahan, kemiringan garis lurus
terbaik yang melewati harus 0.
Tracking Signal (TS) adalah rasio bias dan MAD dan diberikan sebagai
Jika TS pada periode apa pun berada di luar rentang + 6, ini merupakan sinyal bahwa
perkiraan tersebut bias dan bisa di bawah prakiraan (TS <= 6) atau di atas prakiraan (TS>
+6). Ini mungkin terjadi karena metode peramalan cacat atau pola permintaan yang
mendasarinya telah bergeser. Salah satu contoh di mana TS negatif besar akan terjadi
terjadi ketika permintaan memiliki tren pertumbuhan dan manajer menggunakan metode
perkiraan seperti moving average. Karena tren tidak dimasukkan, rata-rata permintaan
historis selalu lebih rendah dari permintaan di masa depan. TS negatif mendeteksi bahwa
metode peramalan secara konsisten meremehkan permintaan dan memperingatkan
manajer.
Sinyal pelacakan juga dapat menjadi besar ketika permintaan tiba-tiba turun (seperti yang
terjadi pada banyak industri pada tahun 2009) atau meningkat dengan jumlah yang
signifikan, membuat data historis kurang relevan. Jika permintaan tiba-tiba turun, masuk
akal untuk menambah bobot pada data saat ini relatif terhadap data yang lebih tua saat
membuat perkiraan. McClain (1981) merekomendasikan metode "declining alpha" ketika
menggunakan smoothing eksponensial ketika konstanta smoothing mulai besar (untuk
memberi bobot lebih besar pada data terkini) tetapi kemudian menurun seiring waktu. Jika
kita bertujuan untuk konstanta smoothing jangka panjang dari α = 1- ρ, pendekatan alpha
yang menurun akan dimulai dengan α0 = 1 dan reset konstanta smoothing sebagai berikut:
Secara umum, itu bukan ide yang baik untuk menggunakan konstanta smoothing jauh
lebih besar dari 0,2 untuk periode waktu yang lama. Konstanta smoothing yang lebih besar
dapat dibenarkan untuk periode waktu singkat ketika permintaan sedang dalam transisi.
Namun, itu harus dihindari secara umum untuk periode waktu yang lama.
Ingat contoh Tahoe Salt sebelumnya dalam bab ini dengan permintaan historis penjualan
dari peritelnya, ditunjukkan pada Tabel 7-1. Data permintaan juga ditunjukkan pada
kolom B pada Gambar 7-7 (lihat spreadsheet terkait Bab 7-Tahoe-salt). Tahoe Salt saat
ini sedang menegosiasikan kontrak dengan pemasok untuk empat kuartal antara kuartal
kedua Tahun 4 dan kuartal pertama Tahun 5. Input penting ke dalam negosiasi ini adalah
perkiraan permintaan bahwa Tahoe Salt dan pengecernya membangun secara kolaboratif.
Mereka telah menugaskan tim yang terdiri dari dua manajer penjualan dari pengecer dan
wakil presiden operasi untuk Tahoe Salt - untuk membuat ramalan ini. Tim peramalan
memutuskan untuk menerapkan masing-masing metode peramalan adaptif yang dibahas
dalam bab ini pada data historis. Tujuannya adalah untuk memilih metode peramalan yang
paling tepat dan kemudian menggunakannya untuk meramalkan permintaan untuk empat
kuartal berikutnya. Tim memutuskan untuk memilih metode peramalan berdasarkan
kesalahan yang terjadi ketika setiap metode digunakan pada 12 kuartal dari data
permintaan historis.
Permintaan dalam hal ini jelas memiliki kecenderungan dan musiman dalam komponen
sistematis. Dengan demikian, tim awalnya mengharapkan model Musim Dingin untuk
menghasilkan perkiraan terbaik.
Moving Average
Tim peramalan awalnya memutuskan untuk menguji rata-rata bergerak empat periode
untuk peramalan. Semua perhitungan ditunjukkan pada Gambar 7-7 (lihat lembar kerja
Gambar 7-7 dalam lembar kerja Bab 7-Tahoe-salt) dan seperti yang dibahas pada bagian
tentang metode rata-rata bergerak sebelumnya dalam bab ini. Tim menggunakan
Persamaan 7.9 untuk memperkirakan tingkat dan Persamaan 7.10 untuk memperkirakan
permintaan.
Seperti yang ditunjukkan oleh kolom K pada Gambar 7-7, TS berada dalam kisaran t6,
yang menunjukkan bahwa perkiraan menggunakan moving average empat periode tidak
mengandung bias yang signifikan. Namun demikian, memiliki MAD12 yang cukup besar
dari 9.719, dengan MAPE12 sebesar 49 persen. Dari Gambar 7-7, amati itu
L12 = 24.500
Mengingat bahwa MAD12 adalah 9,719, perkiraan standar deviasi kesalahan perkiraan,
menggunakan rata-rata bergerak empat periode, adalah 1,25 x 9,719 = 12,149. Dalam hal
ini, standar deviasi kesalahan ramalan cukup besar relatif terhadap ukuran ramalan.
L0 = 22,083
Seperti yang ditunjukkan oleh TS, yang berkisar antara 1,38 hingga 2,15, perkiraan
menggunakan penghalusan eksponensial sederhana dengan a = 0,1 tidak menunjukkan
bias yang signifikan. Namun, ia memiliki MAD12 yang cukup besar dari 10.208, dengan
MAPE12 sebesar 59 persen. Dari Gambar 7 8,
L12 = 23,490
Jadi, perkiraan untuk empat kuartal berikutnya (menggunakan Persamaan 7.12) diberikan
oleh
Tim selanjutnya menyelidiki penggunaan model Holt. Dalam hal ini, komponen
sistematis permintaan diberikan oleh
Tim sekarang menerapkan model Holt dengan α = 0,1 dan β 0,2 untuk mendapatkan
prakiraan masing-masing dari 12 kuartal dimana data permintaan tersedia (lihat lembar
kerja Gambar 7-9) Mereka membuat prakiraan menggunakan Persamaan 7.14,
memperbarui level menggunakan Persamaan 7.15, dan perbarui tren menggunakan
Persamaan 7.16. Hasilnya ditunjukkan pada Gambar 7-9.
Seperti yang ditunjukkan oleh TS yang berkisar dari -2.15 hingga 2.00, smooth-
exponentral smooth-corrected dengan a = 0,1 dan 3 ramalan memiliki MAD yang cukup
besar, 2of 8,836, dengan a = 0,1 dan B = 0,2 tampaknya tidak terlalu signifikan atas atau
di bawah perkiraan. Namun, perkiraan tersebut memiliki MAD12 yang cukup besar
sebesar 8,836, dengan MAPE12 sebesar 52 persen. Dari Gambar 7-9 amati itu
Dalam hal ini, MAD12 = 8,836. Dengan demikian, estimasi standar deviasi kesalahan
perkiraan menggunakan model Holt dengan a = 0,1 dan B = 0,2 adalah 1,25 x 8,836 =
11,045. Dalam hal ini, standar deviasi kesalahan perkiraan relatif terhadap ukuran
perkiraan agak lebih kecil daripada dua metode sebelumnya. Namun, itu masih cukup
besar.
Trend- and Seasonality-Corrected Exponential Smoothing (Winter’s Model)
Tim selanjutnya menyelidiki penggunaan model Winter untuk membuat ramalan. Sebagai
langkah pertama, ia memperkirakan level dan tren untuk Periode 0, dan faktor musiman
untuk Periode 1 hingga p = 4. Untuk memulainya, permintaan akan dinasionalisasi (lihat
lembar kerja yang dinasionalisasi). Kemudian, tim memperkirakan tingkat dan tren awal
dengan menjalankan regresi antara permintaan dan waktu yang tidak masuk akal (lihat
regresi lembar kerja musim dingin). Informasi ini digunakan untuk memperkirakan faktor
musiman (lihat lembar kerja yang dinasionalisasi). Untuk data permintaan pada Gambar
7-2, seperti dibahas dalam Contoh 7-4, tim memperoleh yang berikut:
Menggunakan model Winter (Persamaan 7.17), perkiraan untuk empat periode berikutnya
adalah
Dalam hal ini, MAD12 = 1,469. Dengan demikian, estimasi standar deviasi kesalahan
perkiraan menggunakan model Winter dengan a = 0,05, b = 0,1, dan g = 0,1 adalah 1,25
x 1,469 = 1,836. Dalam hal ini, standar deviasi kesalahan ramalan relatif terhadap ramalan
permintaan jauh lebih kecil daripada dengan metode lainnya.
Tim menyusun estimasi kesalahan untuk empat metode perkiraan seperti yang
ditunjukkan pada Tabel 7-2.
Berdasarkan informasi kesalahan pada Tabel 7-2, tim peramalan memutuskan untuk
menggunakan model Winter. Tidak mengherankan bahwa model Winter menghasilkan
perkiraan yang paling akurat, karena data permintaan memiliki tren pertumbuhan dan juga
musiman. Menggunakan model Winter, tim memperkirakan permintaan berikut untuk
empat kuartal mendatang:
Ada peran alami untuk TI dalam peramalan, mengingat banyaknya data yang terlibat,
frekuensi peramalan dilakukan, dan pentingnya mendapatkan hasil dengan kualitas
setinggi mungkin. Paket prakiraan yang baik menyediakan prakiraan di berbagai produk
yang diperbarui secara real time dengan memasukkan informasi permintaan baru. Ini
membantu perusahaan merespons dengan cepat terhadap perubahan di pasar dan
menghindari biaya dari reaksi yang tertunda. Modul perencanaan permintaan yang baik
tidak hanya menghubungkan pesanan pelanggan tetapi juga secara langsung dengan
informasi penjualan pelanggan, sehingga menggabungkan data terkini ke dalam perkiraan
permintaan. Hasil positif dari investasi dalam sistem ERP telah menjadi peningkatan
signifikan dalam transparansi rantai pasokan dan integrasi data, sehingga memungkinkan
perkiraan yang lebih baik. Meskipun peningkatan teknis ini dapat membantu
menghasilkan perkiraan yang lebih baik, perusahaan harus mengembangkan kemampuan
organisasi yang diperlukan untuk mengambil keuntungan dari peningkatan ini.
Perlu diingat bahwa tidak ada alat ini yang sangat mudah. Ramalan hampir selalu tidak
akurat. Sistem TI yang baik harus membantu melacak kesalahan prakiraan historis
sehingga dapat dimasukkan ke dalam keputusan di masa mendatang. Prakiraan yang
terstruktur dengan baik, bersama dengan ukuran kesalahan, dapat secara signifikan
meningkatkan pengambilan keputusan. Bahkan dengan semua alat canggih ini, terkadang
lebih baik mengandalkan intuisi manusia dalam peramalan. Salah satu perangkap dari
alat-alat TI ini adalah terlalu mengandalkannya, yang menghilangkan elemen manusia
dalam peramalan. Gunakan ramalan dan nilai yang mereka berikan, tetapi ingatlah bahwa
mereka tidak dapat menilai beberapa aspek yang lebih kualitatif tentang permintaan di
masa depan yang mungkin dapat Anda lakukan sendiri