Pengendalian Produksi
“FORECASTING”
◦ Peramalan (Forecasting) adalah seni dan ilmu
untuk memperkirakan kejadian di masa
depan.
◦ Peramalan awalan dari sebuah planning.
PERAMALAN ◦ Sebelum kita membuat sebuah rencana, akan
lebih baik jika kita mengestimasi kira2 kondisi
dan keadaan yang pada keadaan yang akan
datang
Demand Management
◦ Manajemen permintaan adalah fungsi yang mengenali dan
mengelola semua permintaan untuk produk dan / atau layanan.
◦ Demand Management = Short, Medium dan Long Term
PRINSIP-PRINSIP PERAMALAN
Historical Analogies
◦ Pendekatan ini sering digunakan dalam perencanaan produk baru, dan teknologi
◦ Pendekatan ini menggunakan history masa lalu dari produk atau teknologi untuk
meramalkan permintaan kedepan.
PERSYARATAN PENERAPAN METODA
KUANTITATIF
11
◦ Model deret waktu
- Regresi
- Perataan
METODA - Pemulusan
PERAMALAN - Siklik
12
Teknik Survey
Single MA
Metode Jajag Pendapat
Kualitatif Linier MA
Teknik Delphi
Moving Average
Weighted MA
Metode Keputusan
Manajemen
Exponential Smoothing
Metode Kelompok
Single Exp. SA
Terstruktur
Double Exp. SA
Riset Pasar
Klasifikasi
Series Regresi Siklis
Seasonal
Metode Trend Linier
Metode
Dekomposisi
Kuantitatif Trend Exp.
Trend Trend Logaritma
Causal
Regresi & Korelasi
Ekonometrik
Trend Geometrik
Trend Hiperbola
Peramalan
Input-Output
1
3
◦ a) Pola horisontal (H) terjadi bilamana
data berfluktuasi disekitar nilai rata-rata
yg konstan. Suatu produk yg
penjualannya tdk meningkat atau
menurun selama waktu tertentu termasuk
Pola data jenis ini. Pola khas dari data horizontal
atau stasioner seperti ini dapat dilihat
metode dalam Gambar 1.1.
deret
berkala
14
b) Pola musiman (S) terjadi bilamana suatu deret
dipengaruhi oleh faktor musiman (misalnya kuartal
tahun tertentu, bulanan, atau hari-hari pada minggu
tertentu). Penjualan dari produk seperti minuman
ringan, es krim, dan bahan bakar pemanas ruang
semuanya menunjukkan jenis pola ini. Untuk pola
musiman kuartalan dapat dilihat Gambar 1.2.
1
5
Pola siklis (C) terjadi bilamana datanya dipengaruhi
oleh fluktuasi ekonomi jangka panjang seperti yang
berhubungan dengan siklus bisnis. Contoh:
Penjualan produk seperti mobil, baja, dan peralatan
utama lainnya. Jenis pola ini dapat dilihat pada
Gambar 1.3.
16
d) Pola trend (T) terjadi bilamana terdapat kenaikan
atau penurunan sekuler jangka panjang dalam
data. Contoh: Penjualan banyak perusahaan, GNP
dan berbagai indikator bisnis atau ekonomi lainnya.
Jenis pola ini dapat dilihat pada Gambar 1.4.
1
7
METODE
REGRESI
LINIER
Y(t) =a+bt
18
CONTOH
REGRESI
LINIER
19
METODE
REGRESI
KUADRATIS
2
𝑌(𝑡) = 𝑎 + 𝑏𝑡 + 𝑐𝑡
20
CONTOH
REGRESI
KUADRATIS
21
METODA
SIMPLE
AVERAGE &
SIMPLE
MOVING
AVERAGE
22
Perioda, t Permintaan, x Ramalan Permintaan, F(t)
1 100,000 125,000
2 75,000 125,000
3 120,000 125,000
4 185,000 125,000
CONTOH 5
6
130,000
80,000
125,000
125,000
SIMPLE 7 175,000 125,000
AVERAGE
8 165,000 125,000
9 140,000 125,000
10 115,000 125,000
11 95,000 125,000
12 120,000 125,000
F(13) = 125,000.
23
CONTOH
SIMPLE
MOVING
AVERAGE
24
METODA
DOUBLE
MOVING
AVERAGE
25
CONTOH DOUBLE
MOVING AVERAGE
26
◦ Memiliki semua sifat rata-rata bergerak
METODA ◦ Tidak memerlukan data historis dalam jumlah
EXPONENTIAL besar
◦ Memberikan bobot yang semakin menurun
SMOOTHING pada data historis secara eksponensial
28
CONTOH
SIMPLE
EXPONENTIAL
SMOOTHING
29
DOUBLE
EXPONENTIAL
SMOOTHING
30
CONTOH
DOUBLE
EXPONENTIAL
SMOOTHING
31
METODA
SIKLIS
32
Perioda Permintaan Aktual
120 8 89
9 99
100 10 109
11 113
12 108
80
13 101
14 89
60 Permintaan Aktual
15 87
16 91
40
17 102
18 110
20
19 113
20 109
0 21 100
0 10 20 30 22 92
23 88
33 24 90
Prosedur metoda musiman:
1. Plot data dan tentukan jumlah musiman
dalam satu siklus
2. Hitung rata-rata tiap siklus
3. Hitung indeks tiap musim pada tiap siklus
dan hitung rata-rata indeks musiman
34
CONTOH POLA MUSIMAN
No Hari Permintaan Masa Lalu
1 Senin 8
2 Selasa 4
3 Rabu 2
Permintaan Musiman 4 Kamis 6
5 Jum'at 15
20 6 Senin 9
Jumlah Permintaan
7 Selasa 5
15
8 Rabu 4
35
TOLAK UKUR
KESALAHAN RAMALAN
Error = Aktual – Ramalan
Beberapa kriteria kesalahan ramalan :
36
VERIFIKASI RAMALAN
DENGAN STATISTIK U
DARI THEIL
Digunakan untuk mengetahui apakah metoda ramalan
terpilih sudah lebih baik dari metoda Naive (F(t)=X(t-
1))
Intepretasi nilai U :
U < 1 , Ramalan lebih baik dari Naïve
U = 1 , Ramalan sama baik dgn Naïve
U > 1 , Naïve lebih baik dari Naive
37
CONTOH
PERHITUNGAN
STATISTIK U
DARI THEIL
38
Merupakan bentuk pengendalian
ramalan
DENGAN
TRACKING TS(t) = RSFE(t)/MAE(t)
TS(t) : Tracking Signal perioda t
SIGNAL RSFE : Running Sum Forecast Error
perioda t
MAE(t) : Mean Absolute Error perioda t
39
VERIFIKASI RAMALAN
DENGAN TRACKING
SIGNAL
Batas-batas kendali :
1. Batas Kendali Atas (Upper Control Limit) = 3 s/d 8
MAE
2. Batas Kendali Bawah (Lower Control Limit) = -(3 s/d
8) MAE
Plot data TS ke peta kendali
40
CONTOH
PERHITUNGAN
TRACKING
SIGNAL
41
HASIL PLOT NILAI TS
Tracking Signal Chart
3.00
2.00
1.00
MAD (MAE)
0.00
Nilai TS
-1.00 1 2 3 4 5 6 7 8 9 10 11 12
-2.00
-3.00
-4.00
Perioda
42
VERIFIKASI &
PENGENDALIAN 𝑀𝑅(𝑡) = |𝑒𝑡 – (𝑒 𝑡−1 )|
RAMALAN
DENGAN MOVING
RANGE CHART
43
VERIFIKASI &
PENGENDALIAN
RAMALAN DENGAN
MOVING RANGE CHART
44
CONTOH
PERHITUNGAN
VERIFIKASI
DENGAN
MOVING
RANGE CHART
45
MR CHART
Moving Range Chart
400
300 Nilai MR
200 UCL
100 2 UCL/3
Perioda
0 UCL/3
-100 1 2 3 4 5 6 7 8 CL
-200 -LCL/3
-300
-2 LCL/3
-400
-3 LCL/3
MR
46
ARIMA
◦ Peramalan dengan metode ARIMA atau biasa dikenal Autoregressive Integrated Moving Average
◦ ARIMA adalah model Autoregressive Moving Average (ARMA) yang tidak stasioner.
◦ Penggunaan metode ARIMA dalam peramalan jangka pendek sangat tepat dan akurat.
◦ Sedangkan untuk peramalan jangka panjang ketepatan peramalannya kurang baik.
◦ Biasanya nilai peramalan akan cenderung konstan untuk periode yang cukup panjang.
◦ Model ARIMA terdiri dari tiga proses yaitu autoregressive, integrates, dan moving average dengan order (p,d,q)
dinotasikan ARIMA (p,d,q). ARIMA mempunyai syarat asumsi stasioner dalam variasi. Dalam mengatasi
ketidakstasioneran data ini dilakukan proses differencing agar data menjadi stasioner, banyaknya differencing
dinotasikan dengan d.
◦ AR (p)
◦ MA (q)