LECTURE NOTES

ISYE6096
Production and Operation Analysis

Week ke - 2

Forecasting

ISYE6096 - Production and Operation Analysis

 LEARNING OUTCOMES

1. Peserta diharapkan mengerti manfaat memperamalan terhadap order produksi dimasa datang.

2. Peserta diharapkan mengerti fungsi Forecasting/Peramalan bagi organisasi.

3. Peserta dapat mengkalkulasi jumlah peramalan terhadap order produksi sesuai dengan
metode yang ada

4. Peserta dapat membantu manajemen dalam pengambilan keputusan dari hasil perhitungan
peramalan sehingga dapat memberikan informasi dan rekomendasi untuk penetapan ja dwal
produksi sesuai dengan metode perhitungannya

OUTLINE MATERI :

1. Introduction to forecasting

2. Forecasting models

3. Weighted Moving Averages

4. Casual forecasting Models

5. Linear regression analysis

6. Multiple regression analysis

ISYE6096 - Production and Operation Analysis

 ISI MATERI

1. INTRODUCTION TO FORECASTING -----------------------------------------------------------

Setiap perusahaan bisnis yang tertarik dalam merencanakan kegiatannya harus memiliki gagasan
yang jelas tentang permintaan produknya. Keputusan perencanaan bisnis yang penting, termasuk
strategi yang harus diikuti, jumlah modal yang mungkin diperlukan, kebutuhan dan keterampilan
tenaga kerja, distribusi yang diperlukan dan jaringan layanan purna jual, insentif penjualan,
sumber bahan baku, dll. semuanya sangat tergantung pada persepsi permintaan produknya. Jika
persepsi ini secara substansial salah, sebagian besar keputusan pengusaha cenderung terbukti
salah dan menyebabkan kerugian yang dapat dihindari. Perkiraan permintaan yang cukup benar
di sisi lain dapat membuktikan menjadi kunci untuk usaha yang sukses. Setiap organisasi selalu
terlibat dalam latihan perencanaan tahunan. Kepala bidang fungsional seperti pemasaran,
produksi, bahan dan keuangan wajib ikut serta dalam latihan ini dengan tujuan spesifik. Fungsi
pemasaran menyediakan data penjualan yang harus ditargetkan oleh organisasi di tahun
mendatang. Ini terutama dicapai melalui peramalan. Berdasarkan input ini, fungsi produksi
menyiapkan rencana produksi tahunan dan memproyeksikan berbagai persyaratan berdasarkan
rencana ini. Fungsi material menyiapkan rencana pengadaan untuk memenuhi persyaratan yang
diproyeksikan oleh fungsi produksi. Akhirnya, atas dasar semua ini, fungsi keuangan melakukan
perencanaan kas dan pengelolaan dana. Oleh karena itu, peramalan memainkan peran penting
dalam setiap organisasi

What is Demand Forecasting? Perumusan kebijakan produksi yang tepat dan bermanfaat
merupakan aspek penting bagi suatu perusahaan. Ini melibatkan penentuan tingkat produksi,
peralatan kebutuhan tenaga kerja dan tingkat persediaan dll. Semua keputusan ini pada dasarnya
terkait dengan ukuran produksi yang pada gilirannya dapat ditentukan dari permintaan potensial
dari produk. Dengan demikian, titik awal dari keputusan terkait dengan strategi produksi adalah
perkiraan permintaan produk untuk periode tertentu. Untuk mengetahui apa yang harus
dilakukan oleh bisnis, kita harus mengetahui Penjualannya di masa depan. Dengan tidak adanya
informasi ini, baik perencanaan jangka pendek dan jangka panjang akan bertumpu pada fondasi
yang jauh lebih kecil daripada pasir. Pekerjaan perkiraan permintaan yang buruk akan
menyebabkan perencanaan produksi yang tidak efektif dan menuju inventaris yang terlalu besar
atau terlalu kecil. Dalam arti harfiah, peramalan berarti prediksi. Peramalan dapat didefinisikan
sebagai teknik menerjemahkan pengalaman masa lalu dalam prediksi hal-hal yang akan datang.
Ini mencoba untuk mengevaluasi besarnya dan pentingnya kekuatan yang akan mempengaruhi
kondisi operasi di masa depan dalam suatu perusahaan. Dalam kata-kata Garfield, “Produksi
adalah masa lalu yang tidak terpisahkan dari generalisasi ilmiah apa pun yang memiliki
hubungan antara dua faktor atau lebih.

ISYE6096 - Production and Operation Analysis

Generalisasi harus berlaku tidak hanya sehubungan dengan pengamatan masa lalu terkait dengan
fenomena yang sama tetapi juga untuk semua pengamatan masa depan terkait dengan fenomena
yang sama. Produksi bahkan lebih terkait secara organik dengan hal-hal ini bahwa generalisasi
yang menetapkan urutan waktu tertentu dalam terjadinya faktor-faktor tertentu;

Karena sifat fenomena pasar yang dinamis, peramalan permintaan telah menjadi proses yang
berkelanjutan dan membutuhkan pemantauan situasi yang teratur. Prakiraan permintaan adalah
perkiraan pertama untuk perencanaan produksi. Ini memberikan fondasi di mana rencan a dapat
beristirahat dan penyesuaian dapat dilakukan. “Prakiraan permintaan adalah perkiraan penjualan
dalam satuan moneter atau fisik untuk periode mendatang di bawah rencana bisnis atau program
yang diusulkan atau di bawah seperangkat kekuatan ekonomi dan lingkungan yang diasumsikan,
merencanakan tempat di luar organisasi bisnis tempat perkiraan perkiraan dibuat. ” Prakiraan
penjualan adalah perkiraan berdasarkan beberapa informasi masa lalu, situasi yang ada, dan
prospek masa depan. Ini didasarkan pada sistem yang efektif dan hanya berlaku untuk beberapa
periode tertentu. Berikut ini adalah beberapa komponen utama dari sistem perkiraan penjualan:

• Operasi Riset Pasar untuk mendapatkan informasi yang relevan dan dapat diandalkan tentang
tren dalam pasar

• Sistem pengolahan dan analisis data untuk memperkirakan dan mengevaluasi kinerja penjualan
di berbagai pasar.

• Koordinasi langkah-langkah (i) dan (ii) yang tepat dan kemudian menempatkan temuan di
atasmanajemen untuk membuat keputusan akhir

Why do we forecast?

Karena kegiatan peramalan biasanya mendahului proses perencanaan, seseorang dapat

mengidentifikasi alasan spesifik untuk penggunaan peramalan dalam organisasi. Organisasi
menghadapi serangkaian masalah yang berbeda saat mereka terlibat dalam perencanaan dan
dalam masing-masingnya, peramalan memainkan peran penting sebagai alat untuk proses
perencanaan.

ISYE6096 - Production and Operation Analysis

Area utama penerapan peramalan dirangkum di bawah ini:

• Dynamic and complex environment: Hanya jika suatu organisasi memiliki kendali penuh atas
kekuatan pasar dan tahu persis apa yang akan terjadi dengan penjualan produknya di masa
depan, maka tidak ada peran untuk peramalan.

• Short term fluctuation in production: Sistem peramalan yang baik akan dapat memprediksi
terjadinya fluktuasi pendek dalam permintaan. Oleh karena itu, dari pengetahuan ini, organisasi
dapat menghindari reaksi spontan terhadap kenyataan yang sedang berlangsung. Keputusan
perencanaan produksi dapat memanfaatkan informasi ini dan mengembangkan rencana yang
meminimalkan biaya penyesuaian sistem produksi untuk fluktuasi jangka pendek.

• Better material management: Karena peristiwa yang akan datang dalam suatu organisasi
diprediksi melalui sistem perkiraan, organisasi dapat mengambil manf aat dari manajemen
material yang lebih baik dan memastikan ketersediaan sumber daya yang lebih baik.

• Rationalized man-power decisions: Sistem peramalan memberikan informasi yang berguna

tentang sifat sumber daya yang diperlukan, waktu dan besarnya mereka . Oleh karena itu,
organisasi dapat meminimalkan perekrutan dan pemberhentian keputusan. Selain itu,
perencanaan yang lebih baik pada waktu lembur dan waktu idle juga dapat dilakukan
berdasarkan informasi ini.

• Basic Planning and Scheduling: Dengan peramalan yang tepat, kegiatan perencanaan
danpenjadwalan dapat dilakukan secara rasional.

• Strategic decisions: Peramalan memainkan peran penting dalam pengambilan keputusan

strategis jangka panjang. Ini termasuk perencanaan untuk keputusan lini produk

Importance of Forecasting:

Produksi dan distribusi adalah dua kegiatan utama perusahaan bisnis. Perkiraan permintaan
mencoba untuk menjaga keseimbangan antara kebijakan produksi dan distribusi perusahaan.
Dengan desentralisasi fungsi dan peningkatan ukuran organisasi, peramalan permintaan sangat
berharga untuk kontrol yang tepat dan koordinasi berbagai kegiatan. Perkiraan permintaan yang
efisien membantu manajemen untuk mengambil keputusan yang sesuai mengenai kapasitas
pabrik, ruang kebutuhan bahan baku dan kebutuhan bangunan serta ketersediaan tenaga kerja
dan modal. Jadwal produksi dapat disiapkan sesuai dengan persyaratan permintaan
meminimalkan persediaan, produksi dan biaya terkait lainnya. Peramalan permintaan juga
membantu mengevaluasi kinerja departemen penjualan. Dengan demikian, peramalan
permintaan adalah alat yang diperlukan dan efektif di tangan manajemen perusahaan untuk

ISYE6096 - Production and Operation Analysis

memiliki barang jadi dengan kualitas dan kuantitas yang tepat pada waktu yang tepat dengan
biaya minimum.

Steps in Forecasting:

• Menentukan tujuan perkiraan,

• Pilih periode perkiraan ramalan,

• Pilih teknik yang akan digunakan untuk perkiraan,

• Kumpulkan informasi yang akan digunakan,

• Buat ramalan.

Techniques of forecasting: Tersirat dalam peramalan adalah bahwa ada pola dalam data
permintaan masa lalu yang dapat diekstrapolasi atau digeneralisasi untuk masa depan dengan
ukuran kepastian yang diinginkan. Pola permintaan meskipun teratur ditemukan stabil dalam arti
statistik. Karena satu-satunya masukan untuk sistem peramalan adalah sejarah masa lalu dari
permintaan suatu barang, tidak ada informasi langsung mengenai pasar, industri, ekonomi,
penjualan produk persaingan dan pelengkap, perubahan harga produk, kampanye iklan dan
sebagainya. bekas. Metode peramalan melibatkan konstruksi hubungan matematika yang cocok
untuk menggambarkan pola permintaan yang sesuai. Pakar manajemen telah mengembangkan
banyak teknik peramalan untuk membantu manajer menangani meningkatnya kompleksitas
dalam pengambilan keputusan manajemen, ini merupakan proses yang rumit dan eksperimental.
Tidak ada satu metode peramalan yang dapat diterapkan untuk semua perusahaan. Dalam banyak
kasus, keputusan didasarkan pada kombinasi beberapa, jika tidak semua pendekatan ini.
Prakiraan akhir umumnya mencakup kontribusi banyak pria dari berbagai pengalaman.

Penggunaan metode tertentu tergantung pada sifat perusahaan, produk yang diproduksi, sistem
informasi yang digunakan.

Elements of Forecasting:

1. Faktor internal:

• Dulu

• Saat ini

• Diusulkan atau masa datang

2. Faktor Eksternal:

ISYE6096 - Production and Operation Analysis

 • Dapat dikendalikan:

(a) Masa lalu

(b) Hadir

(c) Masa Depan

• Tidak terkendali:

(a) Masa lalu

(b) Hadir

(c) Masa Depan

Peramalan pada dasarnya adalah studi tentang kekuatan internal dan eksternal yang membentu k
permintaan dan penawaran. Bentuk hal-hal yang akan datang akan tergantung sebagian pada
bagaimana seseorang membentuk faktor-faktor yang dapat dikendalikan. Dengan strategi yang
berbeda, peramalan akan berbeda menawarkan beberapa skenario dalam pengambilan keputusan
manajemen.

2. FORECASTING MODELS ----------------------------------------------------------------------------

3 (Tiga) Klasifikasi pemodelan yang tersedia untuk peramalan:

1. Extrapolative models: Mereka menggunakan data masa lalu dan pada dasarnya menyiapkan
perkiraan masa depan dengan beberapa metode ekstrapolasi data masa lalu. Misalnya,
permintaan minuman ringan di kota atau daerah dapat diperkirakan 110 persen dari rata -rata
penjualan selama tiga bulan terakhir. Demikian pula, penjualan p akaian baru selama musim
perayaan dapat diperkirakan sebagai persentase dari penjualan musim perayaan selama tahun
sebelumnya.

2. Casual models: Ini menganalisis data dari sudut pandang hubungan sebab-akibat. Misalnya,
untuk proses memperkirakan permintaan untuk rumah baru, model akan mengidentifikasi faktor-
faktor yang dapat mempengaruhi permintaan untuk rumah baru dan membangun hubungan
antara faktor-faktor ini. Faktor-faktor, misalnya, mungkin termasuk harga real estat, opsi
pembiayaan perumahan, pendapatan keluarga yang dapat dibuang, dan biaya konstruksi dan
manfaat yang berasal dari undang-undang pajak.

Setelah hubungan antara variabel-variabel ini dan permintaan ditetapkan, dimungkinkan untuk
menggunakannya untuk memperkirakan permintaan untuk rumah baru.

ISYE6096 - Production and Operation Analysis

3. Subjective judgments: Seperangkat model lain terdiri dari penilaian subyektif menggunakan
data kualitatif. Dalam beberapa kasus, ini dapat didasarkan pada data kuantitatif dan kualitatif.
Dalam beberapa metode ini mekanisme khusus dimasukkan untuk menarik secara substansial
dari keahlian kelompok manajer senior menggunakan beberapa kerangka kerja pengambilan
keputusan kolektif.

Pemilihan teknik peramalan: Pemilihan teknik peramalan tergantung pada tiga faktor berikut:

1. Karakteristik situasi pengambilan keputusan, yang meliputi:

(i) Pembagian waktu

(ii) Tingkat perincian

(iii) Jumlah item

(iv) Kontrol versus perencanaan

2. Karakteristik metode peramalan:

(i) horizon waktu (jumlah periode yang diperlukan perkiraan)

(ii) Pola data (horizontal, tren musiman, dll.)

(iii) Jenis model (kasual, seri waktu atau staf)

(iv) Biaya

(v) Akurasi

(vi) Kemudahan aplikasi

3. Situasi sekarang yang meliputi:

(i) Produk yang sedang diramalkan

(ii) Jumlah data historis tersedia

(iii) Waktu yang diizinkan untuk menyiapkan ramalan.

Meskipun ada model peramalan yang disebutkan di bawah ini kita akan berkonsentrasi pada
model rata-rata bergerak tertimbang.

• Rata-rata bergerak tertimbang

• Model perkiraan kasual

ISYE6096 - Production and Operation Analysis

• Analisis regresi linier

• Analisis regresi berganda

3. WEIGHTED MOVING AVERAGE -----------------------------------------------------------------

Bobot yang sama ditetapkan untuk semua periode dalam perhitungan rata -rata bergerak
sederhana. Rata-rata bergerak tertimbang memberikan bobot lebih untuk beberapa nilai
permintaan (biasanya yang lebih baru) Tabel 2.1. Menunjukkan perhitungan untuk rata -rata
bergerak tertimbang tiga bulan dengan bobot 0,5 ditugaskan ke nilai permintaan terbaru, berat
0,3 ditugaskan ke nilai terbaru berikutnya dan bobot 0, 2 ditugaskan ke yang tertua dari nilai
permintaan termasuk dalam rata-rata

Di mana I = 1, 2, 3 jika kita menggunakan rata-rata bergerak periode ini, i = 3 sesuai dengan
periode waktu terbaru dan i = 1 sesuai dengan periode waktu terlama Wt = Bobot untuk periode
waktu t Dalam contoh, Wi = 0 , 2 W2 = 0, 3 dan seterusnya

Keuntungan dari model ini adalah memungkinkan Anda untuk mengkompensasi beberapa tren
musiman. Jika Anda mau, berat badan Anda bisa beberapa bulan terakhir lebih berat dan masih

sedikit mengurangi efek kebisingan dengan menempatkan bobot kecil pada tuntutan lama. Tentu
saja pemodel atau manajer masih harus memilih koefisien dan pilihan ini sangat penting untuk
memodelkan keberhasilan atau kegagalan.

ISYE6096 - Production and Operation Analysis

4 .CAUSAL FORECASTING MODELS --------------------------------------------------------------

Metode-metode ini membangun logika peramalan melalui proses mengidentifikasi faktor-faktor

yang menyebabkan beberapa efek pada ramalan dan membangun bentuk fungsi onal hubungan
antara faktor-faktor yang diidentifikasi. Dengan kata lain, satu set variabel independen
diidentifikasi dan dihubungkan dengan variabel dependen melalui hubungan fungsional.
Misalnya, mari kita pertimbangkan permintaan di negara tersebut untu k produk baru seperti
Penerima Langsung ke Rumah (DTH). Karena ini adalah produk baru, kami mungkin tidak
memiliki data masa lalu yang memadai tentang permintaan dan mungkin memerlukan cara lain
untuk menetapkan permintaan potensial. Bahkan dalam hal produk yang ada, jumlah faktor yang
mempengaruhi permintaan mungkin beberapa yang mengharuskan kita untuk memahami
interaksi di antaranya, Beberapa faktor - termasuk fluktuasi nilai tukar, kapasitas terpasang di
negara ini, produk baru meluncurkan tarif pelanggan dan harga bahan baku di pasar internasional
— memengaruhi permintaan. Peramalan dalam situasi ini menggunakan metode biasa. Secara
umum, mari kita perhatikan ramalan untuk variabel dependen Y menggunakan n variabel bebas
X1, X2, X3, ... Xn.

Kemudian mengembangkan logika peramalan membutuhkan penetapan sebagai berikut: Y = f

(X1, X2, X3, ... Xn) Penggunaan metode kasual untuk mengekstraksi komponen tren dalam deret
waktu adalah aplikasi yang sering dari metode kasual. Metode kasual lainnya termasuk model
ekonometrik, model regresi berganda dan teknik peramalan teknologi. Metode perkiraan kasual
membutuhkan tingkat yang lebih besar dari perlakuan matematis data. Ada beberapa paket
komputer seperti SPSS yang tersedia saat ini untuk membantu perancang ramalan dalam proses
ini

Contoh: Pabrik becak dalam kelompok usia dua hingga empat tahun menugaskan perusahaan
riset pasar untuk memahami faktor-faktor yang memengaruhi permintaan produknya. Setelah
beberapa penelitian terperinci, firma riset pasar menyimpulkan bahwa permintaan adalah f ungsi
linear sederhana dari jumlah pasangan yang baru menikah di kota. Berdasarkan asumsi ini,
bangun model sebab-akibat untuk memperkirakan permintaan produk menggunakan data yang
diberikan di bawah ini untuk area perumahan di kota. Juga perkirakan permintaan becak jika
jumlah pernikahan baru adalah 150 dan 250.

ISYE6096 - Production and Operation Analysis

Solusi: Karena hubungan sebab akibat adalah regresi linier sederhana, metode kuadrat terkecil
digunakan untuk menentukan koefisien regresi linier Y = a + b

Jika tidak. pernikahan baru adalah 159 maka permintaan-138

Jika tidak. pernikahan baru adalah 250 maka permintaan = 189

ISYE6096 - Production and Operation Analysis

5. LINEAR REGRESSION ANALYSIS ---------------------------------------------------------------

Analisis regresi linier adalah teknik peramalan yang menetapkan hubungan antar variabel. Satu
variabel diketahui atau diasumsikan, dan digunakan untuk memperkirakan nilai variabel yang
tidak diketahui. Data masa lalu membangun hubungan fungsional antara dua variabel. Kami akan
mempertimbangkan situasi regresi paling sederhana antara dua variabel dan hubungan linear.
Perkiraan permintaan periode kami diungkapkan oleh: Ft = a + bX1

Di mana F1 adalah perkiraan untuk periode t, mengingat kita tahu nilai variabel X pada periode t.
Koefisien a dan b adalah konstanta: a adalah nilai intersep untuk sumbu vertikal (F) dan b adalah
kemiringan garis. Seringkali persamaan dinyatakan sebagai: Y = a + bX.

Dalam persamaan ini, kami telah mengganti F untuk Y, untuk menunjukkan b adalah nilai
perkiraan. Untuk menemukan koefisien a dan b, permintaan lama digunakan daripada perkiraan
sebelumnya. Koefisien ini dihitung dengan dua persamaan berikut

Contoh: Perusahaan pizza, Departemen perencanaan operasi tahu bahwa penjualan pizza klien
utama adalah fungsi dari jumlah iklan, yang dibelanjakan klien, karena akun yang mereka terima
sebelum pengeluaran. Perencanaan operasi tertarik untuk menentukan hubungan antara iklan dan
penjualan klien. Jumlah pizza yang akan dipesan klien. Nilai uang dikenal sebagai persentase
tetap dari penjualan.

ISYE6096 - Production and Operation Analysis

 Computing b and a, where advertising is X1 for the quarter t, sales are D1 for the quarter t and
forecast is F1 for the future Period t

Dengan demikian garis estimasi estimasi, hubungan antara F penjualan masa depan, dan iklan X
adalah F=22+.29X

Perencana operasi sekarang dapat meminta pengeluaran pengeluaran yang direncanakan, dan
dari itu penjualan dapat diperkirakan.

6. MULTIPLE REGRESSION ANALYSIS ------------------------------------------------------

Dalam analisis multi regresi, persamaan regresi digunakan di mana permintaan untuk
komoditas dianggap sebagai fungsi dari banyak variabel; proses analisis multi regresi dapat
secara singkat digambarkan sebagai berikut:

• Langkah pertama dalam analisis regresi berganda adalah untuk menentukan variabel yang
seharusnya menjelaskan variasi permintaan untuk produk di bawah referensi. Variabel penjelas
umumnya dipilih dari faktor penentu permintaan, seperti: harga produk, harga penggantinya,
pendapatan konsumen dan selera serta preferensi mereka. Untuk memperkirakan permintaan
barang konsumen tahan lama (misalnya : TV, set lemari es, rumah, dll.), Variabel penjelas
yang dipertimbangkan adalah ketersediaan kredit dan suku bunga. Untuk memperkirakan
permintaan barang modal (misalnya : Mesin, dan peralatan) variabel yang relevan adalah

ISYE6096 - Production and Operation Analysis

 tambahan investasi perusahaan, tingkat depresiasi, biaya barang modal, biaya input lain (mis.
Tenaga kerja dan bahan baku) tingkat bunga pasar, dll.

• Setelah variabel penjelas atau independen ditentukan, langkah kedua adalah mengumpulkan
data deret waktu pada variabel independen.

• Setelah data yang diperlukan dikumpulkan, langkah selanjutnya adalah menentukan bentuk
persamaan yang dapat dengan tepat menggambarkan sifat dan tingkat hubungan antara variabel
dependen dan independen.

• Langkah terakhir adalah memperkirakan parameter dalam persamaan yang dipilih dengan
bantuan teknik statistik. Persamaan multivariat tidak dapat dengan mudah diestimasi secara
manual. Mereka harus diperkirakan dengan bantuan komputer. Keandalan perkiraan
permintaan sangat tergantung pada bentuk persamaan dan tingkat konsistensi variabel penjelas
dalam fungsi permintaan yang diestimasi. Semakin besar tingkat konsistensi, semakin tinggi
keandalan estimasi permintaan dan sebaliknya. Oleh karena itu , tindakan pencegahan yang
memadai harus diambil dalam menentukan persamaan yang akan diestimasi. Pemilihan

Model Peramalan: Kami telah membahas beberapa model peramalan statistik untuk estimasi
permintaan dalam perencanaan dan pengendalian. Sebagai seoran g manajer, Anda sekarang
memiliki tugas memilih model terbaik untuk kebutuhan Anda. Yang mana yang harus Anda
pilih, dan kriteria apa yang harus Anda gunakan untuk membuat keputusan.

Kriteria paling penting adalah:

• biaya, dan

• akurasi

Akurasi (kesalahan perkiraan), dapat dikonversi menjadi biaya.

Biaya yang harus dipertimbangkan dalam pemilihan model adalah;

• biaya implementasi,

• biaya sistemik

• Biaya kesalahan perkiraan.

Dari ketiganya, perkiraan biaya kesalahan mungkin yang paling rumit untuk dievaluasi. Mereka
tergantung pada derau dalam deret waktu, pola permintaan, panjang periode perkiraan dan
ukuran kesalahan perkiraan. Beberapa penelitian telah mengevaluasi dan membandingkan

ISYE6096 - Production and Operation Analysis

kinerja berbagai model. Secara umum, model yang berbeda adalah yang terbaik, tergantung pada
pola permintaan, tingkat kebisingan, dan panjang periode perkiraan. Biasanya memiliki beberapa
model bagus untuk setiap pola permintaan, ketika pilihan tersebut hanya didasarkan pada
kesalahan perkiraan.

Combining Naïve Forecasting Models: Dalam studi komprehensif telah ditemukan bahwa
metode peramalan rata-rata dan tertimbang berbeda dari metode peramalan lainnya. Dari studi
ini kita dapat menyimpulkan bahwa akurasi perkiraan meningkat, dan bahwa variabilitas akurasi
antara kombinasi yang berbeda berkurang, karena jumlah metode dalam rata-rata meningkat.
Menggabungkan model ramalan memiliki janji yang besar untuk operasi. Seperti dikatakan
Makridakis dan Walker “Menggabungkan ramalan tampaknya menjadi alternatif praktis yang
masuk akal ketika, seperti yang sering terjadi, model yang benar dari proses pembuatan data atau
metode ramalan terbaik tunggal tidak dapat atau tidak, untuk alasan apa pun, diidentifikasi.”

Behavioral Dimensions of Forecasting: Untuk memahami beberapa dimensi peramalan, adalah

bijaksana untuk mempertimbangkan perilaku manusia, karena ramalan tidak selalu dibuat
dengan model statistik. Individu dapat dan melakukan prakiraan dengan secara intuitif
mengeluarkan data masa lalu, dan mereka sering melakukan intervensi dengan cara lain dalam
prosedur peramalan statistik juga. Seorang manajer mungkin merasa bahwa perkiraan item yang
dihasilkan oleh model harus diperiksa kewajarannya oleh pembuat keputusan operasi yang
berkualifikasi. Prakiraan yang dihasilkan oleh model tidak harus diikuti seca ra membabi buta;
konsekuensi biaya potensial harus dipertimbangkan. Pembuat keputusan dapat memperhitungkan
data kualitatif yang tidak ada dalam model. Pembuat keputusan harus menggunakan model
peramalan sebagai bantuan dalam pengambilan keputusan; mereka seharusnya tidak sepenuhnya
bergantung pada model peramalan untuk semua keputusan. Banyak, mungkin sebagian besar,
perkiraan untuk manajemen produksi / operasi adalah perkiraan intuitif individu.

Intuitive Forecasting as a Judgmental Process: Saat ini, sedikit yang diketahui tentang
efektivitas peramalan intuitif. Namun, kita dapat menganalisis beberapa proses mental yang
terlibat. Prakiraan dapat dianggap sebagai puncak dari suatu proses yang terdiri dari beberapa
tahap, termasuk pencarian informasi dan pemrosesan informasi. Ini menghasilkan kesimpulan
manusia tentang masa depan yang didasarkan pada pola tertentu dari data historis yang disajikan
kepada peramal. Kami dapat berspekulasi tentang sejumlah faktor lingkungan yang dap at
memengaruhi perkiraan intuitif.

Meaningfulness: Peramalan memerlukan pertimbangan seperangkat informasi terbatas tentang

permintaan historis. Ketika kita membahas pengayaan pekerjaan dan desain pekerjaan kita
melihat bahwa jika tugas yang berulang dapat dibuat bermakna bagi orang yang melakukannya,
efek positif biasanya dihasilkan. Menanamkan kebermaknaan pada tugas peramalan, maka, dapat

ISYE6096 - Production and Operation Analysis

diharapkan untuk mempengaruhi keandalan tugas peramalan intuitif, semakin akurat perkiraan
intuitif.

Pattern Complexity: Kompleksitas pola, bentuk pola permintaan, secara umum, merupakan
variabel kritis dalam peramalan intuitif, seperti halnya dalam peramalan model. Beberapa studi
perilaku menunjukkan bahwa perkiraan intuitif mungkin berkinerja lebih baik pada pola
permintaan linier daripada pada non-linear. Selain itu, orang tampaknya mencoba menggunakan
tanggal non-linear secara linear.

Degree of Noise: Dengan data historis yang memadai, masalah peramalan sepele untuk sebagian
besar kasus tanpa noise. Memperkenalkan variasi acak, bagaimanapun, sering kali membawa
kondisi yang disebut ketidakpastian isyarat. Tingkat kebisingan yang sangat tinggi mengaburkan
dasar untuk peramalan yang akurat, dan seringkali hasilnya adalah akurasi perkiraan yang lebih
rendah.

Individual Variability: Temuan lain dalam studi peramalan intuitif yang merupakan variabilitas
luas kinerja peramal. Saat membandingkan peramal dengan model, biasanya ada beberapa
peramal yang sangat baik, tetapi ada peramal yang sangat buruk. Jika perencanaan dan
pengarahan produksi dan operasi didasarkan pada perkiraan intuisi yang buruk, variasi kinerja ini
bisa sangat mahal.

Individual versus Model Performance: Bagaimana individu dibandingkan dengan model

peramalan naif? Dalam studi, model pemulusan eksponensial, k etika sesuai dengan tuntutan
historis yang diberikan kepada peramal intuitif secara signifikan mengungguli kinerja rata -rata
kelompok. Hanya sedikit peramal intuitif yang bagus mengungguli model.

Manajer operasi akan bijaksana untuk mempertimbangkan mo del sebagai alternatif untuk
individu. Model umumnya lebih akurat, dan jika sejumlah besar item harus diperkirakan, model
lebih ekonomis.

Forecasting, Planning and Behavior: Tinjauan literatur dan evaluasi yang sangat baik
membandingkan banyak model dan dimensi psikologis dari peramalan, perencanaan dan
pengambilan keputusan. Banyak batasan pemrosesan informasi dan bias yang melibatkan
penilaian manusia juga berlaku untuk peramalan dan perencanaan. Kesalahan dalam prosedur
peramalan disebabkan oleh penggunaan informasi yang berlebihan, kegagalan untuk mencari
kemungkinan bukti yang membingungkan, dan terlalu percaya diri tentang penilaian. Selain itu,
banyak penelitian menunjukkan bahwa penilaian prediktif manusia sering kurang dapat
diandalkan dibandingkan dengan model kuantitatif sederhana.

Namun, kecuali beberapa contoh ini, pada umumnya organisasi lain belum menggunakan
peramalan secara ilmiah. Alasannya bisa banyak. Salah satu alasan utama adalah mereka tidak

ISYE6096 - Production and Operation Analysis

merasa perlu mensurvei lingkungan dan memperkirakan bisnis di masa depan. Alasan di balik ini
adalah penutupan sementara partisipasi asing negara itu, memastikan pasar yang aman bagi
perusahaan domestik. Jika Anda bisa menghasilkan sesuatu, itu selalu bisa dijual di negara yang
kelaparan produk. Situasi telah berubah sejak pergantian abad tetapi kebiasaan lama,
kepercayaan dan psikologi membutuhkan waktu untuk berubah. Karena itu, penekanannya
adalah pada produksi daripada pemasaran proaktif yang nyata. Pemindaian lingkungan bisnis /
industri berhenti pada saat itu. Oleh karena itu, peramalan memang merupakan aspek manajemen
yang terabaikan. Sekarang, dengan pembukaan ekonomi secara bertahap, skenario ekonomi telah
berubah karena meningkatnya partisipasi korporasi multinasional di berbagai bidang bis nis /
industri, termasuk infrastruktur. Model peramalan, seperti model kausal sekarang dapat
digunakan untuk memperkirakan efek konsesi dalam pajak perusahaan, bea cukai, cukai, dan
area lainnya. Metode berbasis opini seperti teknik Delphi dan survei perilaku konsumen telah
meningkatkan relevansi. Monopoli atau oligopoli tidak perlu diramalkan. Mereka tahu bahwa
jika mereka tidak mengikuti dasar-dasar manajemen yang tepat seperti perkiraan, mereka
berisiko bahaya dipinggirkan untuk waktu yang lama.

ISYE6096 - Production and Operation Analysis

 SIMPULAN
1. Konsep peramalan terhadap order dari pelanggan amat sangat dibutuhkan untuk
memastikan bahwa proses produksi tetap berjalan dengan lancar

2. Peramalan dapat membantu jadwal operasi atau proses produksi lebih akurat, sehingga
membantu pengaturan jumlah operator, modus operasi, kebutuhan material, spare part,
lebih terkontrol dengan baik

3. Peramalan dapat menjamin jumlah order/output dapat dikirim tepat waktu ke pelanggan
sesuai dengan permintaan

4. Peramalan dapat membantu pihak perencana produksi untuk kembali melakukan order
ulang untuk kebutuhan material ke pemasok lebih teratur dan terjadwal

5. Melalui proses peramalan membantu manajemen dalam mengambil keputusan dengan

segala konsekuensi positif dan negatif sesuai dengan metode perhitungan yang dilakukan

6. Peramalan dapat digunakan oleh manajemen untuk mengendalikan jumlah inventory

material yang sudah tersedia, maupun yang akan dipesan kembali.

ISYE6096 - Production and Operation Analysis

 DAFTAR PUSTAKA

1. Steven Nahmias, Fourth Edition (2009). Production and Operation Analysis. Mc

Graw Hill. ISBN 0-07-118127-X

2. De Felice F., Petrillo A (2013). Productivity analysis through simulation technique to

optimize an automated assembly line. Proceedings of the IASTED International
Conference, June 25 - 27, 2012 Napoli, Italy. Applied Simulation and Modelling
(ASM 2012) DOI: 10.2316/P.2012.776-048 – pp 35-42

ISYE6096 - Production and Operation Analysis