Operations - Management (1) - Halaman-118-141.en - Id
Operations - Management (1) - Halaman-118-141.en - Id
com
5
PERAMALAN PERMINTAAN
5.1 PENGANTAR
Prakiraan sangat penting untuk kelancaran operasi organisasi bisnis. Mereka memberikan informasi yang dapat
membantu manajer dalam membimbing kegiatan masa depan menuju tujuan organisasi.
Prakiraan adalah perkiraan terjadinya, waktu, atau besarnya peristiwa masa depan yang tidak pasti. Prakiraan
sangat penting untuk kelancaran operasi organisasi bisnis. Mereka memberikan informasi yang dapat membantu
manajer dalam membimbing kegiatan masa depan menuju tujuan organisasi.
Manajer operasi terutama memperhatikan prakiraan permintaan—yang sering dibuat oleh (atau bersama-sama
dengan) pemasaran. Namun, manajer juga menggunakan prakiraan untuk memperkirakan harga bahan mentah,
merencanakan tingkat personel yang sesuai, membantu memutuskan berapa banyak persediaan yang harus dibawa, dan
sejumlah aktivitas lainnya. Hal ini menghasilkan penggunaan kapasitas yang lebih baik, layanan yang lebih responsif
kepada pelanggan, dan peningkatan profitabilitas.
Deret waktu ditabulasi atau dibuat grafik untuk menunjukkan sifat ketergantungan waktu. Nilai
ramalan (Ye) biasanya dinyatakan sebagai fungsi perkalian atau aditif dari komponennya; contoh di sini akan
didasarkan pada model perkalian yang umum digunakan.
kamu
c
=T. S.C.R model perkalian =T+S (5.1)
kamu
c
+C+R aditif model (5.2)
di manaTadalah Tren,Sadalah Musiman,Cadalah siklik, danRadalah komponen acak dari suatu deret.
Kecenderunganadalah pergerakan arah jangka panjang bertahap dalam data (pertumbuhan atau penurunan). Musimanefek
adalah variasi serupa yang terjadi selama periode yang sesuai, misalnya, penjualan eceran bulan Desember. Musiman dapat
berupa indeks triwulanan, bulanan, mingguan, harian, atau bahkan per jam.
Faktor siklusadalah ayunan jangka panjang tentang garis tren. Mereka sering dikaitkan dengan siklus
bisnis dan dapat diperpanjang hingga beberapa tahun lamanya.
komponen acakadalah efek sporadis (tidak dapat diprediksi) karena kebetulan dan kejadian
yang tidak biasa. Mereka adalah sisa setelah tren, siklus, dan variasi musiman dihilangkan.
SRINGKASANFORECASTINGMETODE
metode Keterangan Waktu Relatif
cakrawala biaya
lanjutan.
Peramalan Permintaan 107
Penjualan lapangan dan manajemen lini produk Perkiraan dari tenaga penjualan regional direkonsiliasi PAK M
dengan proyeksi nasional dari manajer lini produk
Analogi sejarah Perkiraan dari perbandingan dengan produk serupa yang SR-LR LM
diperkenalkan sebelumnya
Kotak-Jenkins Model regresi deret waktu diusulkan, diuji secara statistik, MR-LR MH
dimodifikasi, dan diuji ulang hingga memuaskan
Asosiatif (kuantitatif)
Regresi dan korelasi (dan Gunakan satu atau lebih variabel asosiasi untuk meramalkan SR-MR MH
indikator utama) melalui persamaan kuadrat terkecil (regresi) atau melalui
hubungan dekat (korelasi) dengan variabel penjelas
ekonometrika Gunakan solusi simultan dari persamaan regresi berganda yang SR-LR H
berhubungan dengan berbagai kegiatan ekonomi
Asosiatif (kuantitatif)
Regresi dan korelasi (dan Gunakan satu atau lebih variabel asosiasi untuk meramalkan SR-MR MH
indikator utama) melalui persamaan kuadrat terkecil (regresi) atau melalui
hubungan dekat (korelasi) dengan variabel penjelas
∑x
MA = Jumlah Periode
Rata-rata bergerak tertimbang (MAw) memungkinkan beberapa nilai untuk ditekankan dengan memvariasikan bobot
yang ditetapkan untuk setiap komponen rata-rata. Bobot dapat berupa persentase atau bilangan real.
∑(apa)X
MAwt= ∑apa
I ILUSTRASI 1:Pengiriman (dalam ton) tabung las oleh produsen aluminium ditunjukkan di bawah ini:
Tahun 1 2 3 4 5 6 7 8 9 10 11
ton 2 3 6 10 8 7 12 14 14 18 19
Tuntutan
20
18 19
18
16
14 13 14
12 14
10 10
ton
8 8
7
6 6
4
3
2 2
0
1 2 3 4 5 6 7 8 9 10 11
Bertahun-tahun
1 2 - -
2 3 11 3.7
3 6 19 6.3
4 10 24 8.0
5 8 25 8.3
6 7 27 9.0
7 13 33 11.0
8 14 40 13.3
9 14 46 15.3
10 18 51 17.0
11 19 - -
(sebuah) Titik data tampak relatif linier. (b) Lihat Tabel 5.1 untuk perhitungan dan Gambar 5.2
untuk plot MA. Perkiraan MA untuk tahun ke-12 adalah rata-rata terbaru, 17,0 ton.
2. HDAN PEMASANGAN
Kurva hand fit atau freehand hanyalah sebidang garis representatif yang (secara subjektif) tampaknya paling
sesuai dengan titik data. Untuk data linier, persamaan peramalan akan berbentuk:
kamu
c
=sebuah+b (X)(tanda tangan)
di manakamu
c
adalah nilai tren,sebuahadalah intersep (di mana garis melintasi sumbu vertikal),badalah lereng
(bangkitnya,∆ y,dibagi lari,∆ x), danXadalah nilai waktu (tahun, kuartal, dll.). "Tanda tangan"
mengidentifikasi titik waktu ketikaX=0, sertaXdankamuunit.
110 Manajemen operasi
I ILUSTRASI 2:(a) Gunakan garis pas tangan untuk “mengembangkan persamaan peramalan untuk data pada Gambar 5.2.
Nyatakan persamaan, lengkap dengan tanda tangan. (b) Gunakan persamaan Anda untuk meramalkan pengiriman tabung
untuk tahun ke-12.
(sebuah) Pilih titik yang berjarak agak jauh. Garis lurus yang menghubungkan nilai untuk tahun 3 dan 8
mungkin bagus
Representasi tangan bebas dari data. Dari sini kita dapat menentukan kemiringan dan intersep:
∆kamu kamu
2 − kamu1 14 6
Lereng:b= = = =1,6 ton
∆X X2− X 1 83
Mencegat:sebuah=0,5 ton (Catatan:Ini perkiraannyakamunilai padaX=0 dari grafik.)
Persamaan:kamu
C
=0,5 +1.6X (Tahun 0 = 0,X=tahun,kamu=ton)
3. LKOTAK TIMUR
kuadrat terkeciladalah teknik matematis untuk menyesuaikan tren ke titik data. yang dihasilkangaris yang
paling cocokmemiliki sifat-sifat berikut: (1) penjumlahan semua simpangan vertikal di sekitarnya adalah nol,
(2) penjumlahan semua simpangan vertikal kuadrat adalah minimum, dan (3) garis melalui saranaXdanY.
Untuk persamaan linier, garis yang paling cocok ditemukan oleh solusi simultan untuksebuah danbdari dua
berikutpersamaan normal:
∑kamu = tidak+b∑ X
∑ XY = sebuah∑ X+b∑ X2
Persamaan di atas dapat digunakan dalam bentuk yang ditunjukkan di atas dan digunakan dalam bentuk itu untuk
regresi. Namun, dengan deret waktu, data juga dapat dikodekan sehingga ∑ X=0 . Dua istilah kemudian
putus, dan persamaan disederhanakan menjadi:
∑ kamu
∑kamu = tidak sebuah=
n
∑ XY = b∑ X2 b=
∑ XY .
∑X 2
Untuk mengkodekan data deret waktu, tetapkan pusat rentang waktu sebagai X = 0 dan biarkan setiap
periode berturut-turut berjarak ±1 unit lagi. (Untuk jumlah periode genap, gunakan nilai ±0,5, 1,5, 2,5, dll.).
I ILUSTRASI 3:Gunakan metode kuadrat terkecil untuk mengembangkan persamaan tren linier untuk
data dari ilustrasi 1. Nyatakan persamaan dan ramalkan nilai tren untuk tahun ke-16.
Peramalan Permintaan 111
Tabel 5.2
kita punya:
=
∑ kamu
=
113
= 10.30 b=
∑ XY = 181 =1.6
n ∑ X 110
sebuah
11 2
Persamaan peramalan berbentukkamu=sebuah+bX.
kamu=10.3 + 1.6X(tahun 6 = 0,X=bertahun-tahun,kamu=ton).
I ILUSTRASI 4:Snowsport International mengalami penurunan penjualan snowboard di bulan Juli, seperti
terlihat pada Tabel 5.3. Dengan menggunakan nilai rasio terhadap tren, hitung nilai indeks musiman untuk
bulan Juli dan jelaskan artinya.
112 Manajemen operasi
Tabel 5.3
Rasio (sebenarnya÷ kecenderungan) 0.13 0.16 0,09 0.11 0.18 0.13 0.14
Jumlah = 0,94.
(sebuah) Baris ketiga telah ditambahkan ke Tabel 5.3 untuk menunjukkan rasio nilai aktual terhadap tren untuk
SI = 0,94÷ 7 = 0,13. Ini berarti bahwa Juli biasanya
Juli. Menggunakan rata-rata sederhana, indeks Juli adalah Juli
hanya 13 persen dari nilai tren untuk Juli pada tahun tertentu. Bulan-bulan musim dingin kemungkinan
cukup tinggi.
I ILUSTRASI 5:Persamaan peramalan untuk contoh sebelumnya, yang dipusatkan pada bulan Juli tahun ke-4
dengan satuan X dalam bulan, adalah Yc = 1800 + 20X (15 Juli, Tahun 4 = 0, X = bulan, Y = satuan/tahun).
* Gunakan persamaan ini dan indeks musiman Juli 0,13 untuk menghitung (sebuah) nilai tren
(deseasonalized) untuk Juli tahun 12 dan (b) perkiraan penjualan snowboard aktual (musiman) pada bulan
Juli tahun 12.
(sebuah) Juli tahun 12 adalah (8)(12) = 96 bulan lagi dari Juli tahun 4, jadi nilai/trennya adalah: yc=
1800 + 20(96) = 3.240 unit/tahun atau 3.240 unit/tahun 12 bln/tahun = 310 unit/bln (b)
Prakiraan aktual (musiman) adalahysz= (SI)yc= (0,13)(310) = 40 unit.
Perataan eksponensial adalah teknik peramalan rata-rata bergerak yang menimbang data masa lalu secara
Eksponensial sehingga data terbaru membawa bobot lebih dalam rata-rata bergerak.
Dengan perataan eksponensial sederhana, ramalannyaFterdiri
t
dari perkiraan periode terakhir
F t-1 ditambah sebagian, , dari perbedaan antara permintaan aktual periode terakhirSEBUAH
t-1
dan periode terakhir
ramalanF t-1.
F t =F+ t(-1SEBUAH
t-1
–F).t-1
I ILUSTRASI 6:Sebuah perusahaan menggunakan pemulusan eksponensial sederhana dengan = 0,1 untuk
meramalkan permintaan. Perkiraan untuk minggu 1 Februari adalah 500 unit, sedangkan permintaan aktual
ternyata 450 unit.
Tabel 5.4
Pekan Permintaan sebenarnya Ramalan lama Kesalahan perkiraan Koreksi Prakiraan baru
SEBUAH
t–1
F t–1 SEBUAH
t–1
– F t–1 α ( t – 1 – F t–1 ) (F t)F t–1 + (A-tF– 1
SEBUAH
t–1
)
1 Februari 450 500 – 50 –5 495
8 505 495 10 1 496
15 516 496 20 2 498
22 488 498 – 10 –1 497
1 Maret 467 497 – 30 –3 494
8 554 494 60 6 500
15 510 500 10 1 501
Konstanta pemulusan,,adalah angka antara 0 dan 1 yang masuk secara berlipat ganda ke setiap ramalan tetapi
pengaruhnya menurun secara eksponensial seiring bertambahnya usia data. Nilai tipikal berkisar dari 0,01 hingga 0,40.
Ion memberikan bobot lebih pada rata-rata masa lalu dan secara efektif akan meredam variasi acak yang tinggi. Nilai yang
tinggi lebih responsif terhadap perubahan permintaan (misalnya, dari pengenalan produk baru, kampanye promosi). dari
1 akan mencerminkan penyesuaian total terhadap permintaan baru-baru ini, dan perkiraan akan menjadi permintaan
aktual periode lalu. yang memuaskan umumnya dapat ditentukan dengan pemodelan coba-coba(di komputer) untuk
melihat nilai mana yang meminimalkan kesalahan perkiraan.
Pemulusan eksponensial sederhana hanya menghasilkan rata-rata. Itu tidak memperhitungkan efek tren.
Tidak ada nilai yang akan sepenuhnya mengkompensasi tren dalam data. Nilai yang menghasilkan tingkat
pemulusan yang kira-kira setara dengan rata-rata bergeraknperiode adalah:
2
=
n+1
Model pemulusan eksponensial yang disesuaikan memiliki semua fitur model pemulusan eksponensial sederhana,
ditambah mereka memproyeksikan ke masa depan (misalnya, ke periode waktut+1) dengan menambahkan koreksi tren
kenaikan,T ,rata-rata
t
pemulusan periode berjalan, Ft.
Ft+1 = Ft+Tt
Gambar 5.1 menggambarkan komponen prakiraan yang disesuaikan dengan tren yang menggunakan
koefisien pemulusan kedua . Nilai menentukan sejauh mana penyesuaian tren bergantung pada yang terbaru
Ft = + (1 ) Ft−1
αSEBUAH1t− ( + Tt−1 )
Tt = (Ft− Ft−1) + (1− )Tt−1
Nilai yang rendah memberikan lebih banyak pemulusan tren dan mungkin berguna jika tren tidak
mapan. Nilai yang tinggi akan menekankan tren terbaru dan lebih responsif terhadap perubahan tren
terkini. Penyesuaian tren awal
t-1
Tkadang-kadang dianggap nol.
114 Manajemen operasi
Model adaptif diri:Model komputer yang dapat menyesuaikan sendiri yang mengubah nilai
koefisien pemulusan s dan s secara adaptif telah dikembangkan; model ini membantu meminimalkan
jumlah kesalahan perkiraan.
5.6.1 Regresi
∑XY− nXY
b=∑X 2 (1)
− nX 2
sebuah=kamu− bX (2)
Dalam Persamaan. (1) dan (2),X= (∑ X) /ndankamu= (∑kamu) /n Yadalah rata-rata dari variabel independen
I ILUSTRASI 7:Manajer umum pabrik produksi bahan bangunan merasa bahwa permintaan
untuk pengiriman eternit mungkin terkait dengan jumlah izin konstruksi yang dikeluarkan di
daerah tersebut selama kuartal sebelumnya. Manajer telah mengumpulkan data yang
ditunjukkan pada Tabel 5.5.
LARUTAN:(sebuah)
Tabel 5.6
X kamu XY X2 kamu2
15 6 90 225 36
9 4 36 81 16
40 16 640 1.600 256
20 6 120 400 36
25 13 325 625 169
25 9 225 625 81
15 10 150 225 100
35 16 560 1,225 256
184 80 2.146 5,006 950
184
n=8 pasang pengamatanX =() X/n atau X=
8
=23
80
=(∑kamu/n)
kamu atau kamu= =10
8
∑ XY− nXY 2146 8(23)(10)
ataub= =0,395
b=∑ X2− nX2 5006 8(23)(23)
116 Manajemen operasi
∑kamu2− sebuah∑kamu− b∑ XY
Skamu− x= .
n− 2
I ILUSTRASI 8:Dengan menggunakan data dari ilustrasi 7, hitunglah Standar Deviasi
Regresi.
LARUTAN
=
∑kamu2− sebuah∑kamu− b ∑ XY
Skamu− x
n− 2
950 (0,91)(80) (0,396)(2146)
= =2.2 pengiriman.
Skamu− x
82
I ILUSTRASI 9:Dengan menggunakan data dari ilustrasi 7 dan 8, kembangkan perkiraan interval
prediksi 95 persen untuk jumlah spesifik pengiriman yang harus dilakukan ketika 30 izin konstruksi
dikeluarkan selama kuartal sebelumnya.
Keterangan: X = 23 untuk n = 8 pengamatan, dan(X – X)2= 774. Juga, dari Ilustrasi 7, Y =
13c pengiriman, di mana X = 30; dan dari Ilustrasi 8, S = 2.2 pengiriman.
y–x
LARUTAN
Interval prediksi =kamuc±tS india
(3)
Dimanat-nilai untukn–2 = 8 – 2 = 6 derajat kebebasan = 2,45 dan dimana
1 (X− X)2
Sindia=Skamu− x1+ +
n ∑(X− X)2
1 (30 23)2
Sindia=2.2 1+ + =2.4 pengiriman
8 774
∴ Interval produksi = 13 ± 2,45 (2.4) = 7,1 hingga 18,90 (gunakan 7 hingga 19 pengiriman).
Peramalan Permintaan 117
Untuk sampel besar(n≥ 100), Persamaan 3 dapat didekati dengan menggunakan normal(Z)
distribusi daripadat,dalam bentukkamu c
± ZS
y–x
(Catatan:Untuk kepercayaan 95 persen, nilai Z adalah
sama dengantdengan∞ df, yang dari Tabel 5.7 (diberikan di bawah) sama dengan 1,96.) Juga, signifikansi
koefisien kemiringan garis regresi (b) dapat diuji menggunakan ekspresi:
b
tmenghitung
= Sb
1
di mana Sb = Skamu− x∑(X− X)2
Jika nilait menghitung
> tdf darit-tabel, hubungan antaraXdankamuvariabel adalah
signifikan secara statistik.
df 5 6 7 8 9 10 12 15 20 30 00
t05 (90%) 2.02 1.94 1.90 1.86 1.83 1.81 1.78 1.75 1.73 1.70 1.65
t10 (95%) 2.57 2.45 2.37 2.31 2.26 2.23 2.17 2.13 2.08 2.04 1.96
5.6.2 Korelasi
linier sederhanakoefisien korelasi radalah angka antara -1 dan +1 yang menunjukkan seberapa baik persamaan
linier menggambarkan hubungan antara dua variabel. Seperti yang diilustrasikan pada Gambar. 5.2rdinyatakan
positif jikakamumeningkat sebagaiXmeningkat, dan negatif jikakamuberkurang sebagaiXmeningkat. Sebuahrdari
nol menunjukkan tidak adanya hubungan antara dua variabel.
2 ∑(kamu
kamu)2
r=
C
∑(kamu− kamu)2
Jika ukuran sampel cukup besar (misalnya., lebih besar dari 50), nilairdapat dihitung lebih
langsung membentuk:
n∑ XY− ∑ X.∑kamu
r =
(n∑ X (∑ X) )-
2 2 -n∑kamu2(∑kamu)2-
-
8 (2146) (184) (80) 2448
r = = =0,90.
[8(5006) (184)2][8(950) 802] 7430, 400
Signifikansi dari setiap nilairdapat diuji secara statistik di bawah hipotesis tidak ada korelasi.
Peramalan Permintaan 119
Untuk menguji, nilai yang dihitung darirdibandingkan dengan nilai tabelruntuk ukuran sampel dan
tingkat signifikansi tertentu. Jika nilai yang dihitung melebihi nilai tabel, korelasinya signifikan.
∑ Kesalahan
gila =
n
Estimasi MAD dapat terus diperbarui dengan menggunakan teknik pemulusan eksponensial. Jadi
MAD saat ini adalah: t
gila =(aktual
t
– perkiraan) + (1 –)GILA t-1
di mana∝ adalah konstanta pemulusan. Nilai yang lebih tinggi akan membuat MAD saat ini, lebih responsif terhadap
kesalahan perkiraan saat ini.
Ketika deviasi rata-rata (MAD) dibagi menjadi deviasi kumulatif [∑ (Aktual
ramalan) ], hasilnya adalahsinyal pelacakan:
∑ (Perkiraan aktual)
Sinyal pelacakan =
GILA
Sinyal pelacakanadalah salah satu cara untuk memantau seberapa baik ramalan memprediksi nilai
aktual. Mereka mengungkapkan deviasi kumulatif (juga disebut jumlah kesalahan perkiraan, RSFE) dalam
hal jumlah deviasi rata-rata (MADs). Batas tindakan untuk sinyal pelacakan biasanya berkisar antara tiga
hingga delapan. Ketika sinyal melampaui kisaran ini, tindakan korektif mungkin diperlukan.
ILUSTRASI 11:Item bernilai tinggi memiliki batas aksi sinyal pelacakan 4 dan telah diramalkan
seperti yang ditunjukkan pada Tabel 5.8. Hitung sinyal pelacakan, dan tunjukkan apakah
beberapa tindakan korektif sesuai.
Tabel 5.8
Kesalahan (Kesalahan)2
Periode Sebenarnya Ramalan |Kesalahan|
(A – F) (A– F)
1 80 78 2 2 SEBUAH
2 92 79 13 13 169
3 71 83 – 12 12 144
4 83 79 4 4 16
5 90 80 10 10 100
6 102 83 19 19 361
Total 36 60 794
120 Manajemen operasi
∑ Kesalahan 60
GILA = = =10
n 6
∑ (Perkiraan aktual) 36
Sinyal pelacakan = = =3.6
GILA 10
Batas tindakan 4 tidak terlampaui. Oleh karena itu, tidak perlu ada tindakan.
Bagan kendaliadalah cara kedua untuk memantau kesalahan perkiraan. Variasi nilai aktual dari
perkiraan (atau rata-rata) dikuantifikasi dalam bentuk standar deviasi perkiraan perkiraanS . F
∑ (Aktual Prakiraant)2
SF= n− 1
Batas kontrol kemudian ditetapkan, mungkin pada dua atau tiga standar deviasi dari rata-rata
perkiraanXatau2S F
atau3Sbatas digunakan sebagai batas maksimum yang dapat diterima untuk kesalahan perkiraan. Catatan
F
bahwa batas didasarkan pada nilai perkiraan individu, jadi Anda berasumsi bahwa kesalahan terdistribusi secara
normal di sekitar rata-rata perkiraan.
I ILUSTRASI 12
(sebuah)Hitung batas kendali
F
2S untuk data yang diberikan dalam Ilustrasi 11. (b)Apakah
semua kesalahan perkiraan dalam batas-batas ini? (sebuah) Batas kendali tentang mean
CL = X± 2S F
Di mana
78 + 79 + 83 + 79 + 80 + 83
X = =80
6
∑ (Aktual Prakiraan)2 794
SF = = =196 = 14
n− 1 62
Oleh karena itu, CL = 80 ± 2(14) = 52 hingga 108 (dibulatkan ke nilai integer).
(b) Semua kesalahan perkiraan (seperti yang dihitung dalam Ilustrasi 5.11) berada dalam batas kesalahan ::t::28.
Catatan:Sejaknkurang dari 30, distribusi kesalahan prakiraan ini tidak sepenuhnya memenuhi asumsi
normalitas.
FORECASTSEBUAHAPLIKASI
Prakiraan harus cukup akurat untuk merencanakan kegiatan di masa depan. Metode akurasi rendah mungkin cukup;
akurasi yang lebih tinggi biasanya lebih mahal untuk merancang dan mengimplementasikan.Prakiraan jangka panjang—
digunakan untuk lokasi, kapasitas, dan keputusan produk baru-memerlukan teknik dengan cakrawala jangka panjang.
Prakiraan jangka pendek—seperti pengendalian produksi dan persediaan, tingkat tenaga kerja, dan pengendalian biaya—
dapat lebih mengandalkan sejarah terkini.
I ILUSTRASI 13:Sebuah perusahaan pengolahan makanan menggunakan rata-rata bergerak untuk memperkirakan permintaan
bulan depan. Permintaan aktual masa lalu (dalam satuan) seperti yang ditunjukkan pada Tabel 5.9.
Peramalan Permintaan 121
(sebuah)Hitung rata-rata pergerakan 5 bulan sederhana untuk memperkirakan permintaan untuk bulan ke-52.
(b)Hitung rata-rata pergerakan 3 bulan tertimbang, di mana bobot tertinggi untuk bulan
terakhir dan turun dalam urutan 3, 2 dan 1.
Tabel 5.9
43 105
44 106
45 110
46 110
47 114
48 121
49 130
50 128
51 137
LARUTAN
I ILUSTRASI 14:Untuk N = 7 tahun (Berkode) data deret waktu,∑Y = 56,∑ XY = 70, dan∑
X2=28.
(sebuah) Temukan titik potong dan kemiringan garis tren linier.
(b) Perkiraankamu-nilai selama 6 tahun jauh dari asal.
LARUTAN
kamu56 ∑ XY = 70 =2.5
mencegat = = =8.0
∑ X2 28
(sebuah) Kemiringan =
N 7
(b) kamu
c
=sebuah+b (X)=8,0 + 2,5 (6) = 23,0.
I ILUSTRASI 15:Persamaan peramalan berikut telah diturunkan dengan metode kuadrat terkecil untuk
menggambarkan pengiriman tabung aluminium yang dilas.
kamu
c
=10.27 +1.65X(1996 =HAI,X=bertahun-tahun,kamu=ton/tahun)
122 Manajemen operasi
Tulis ulang persamaan dengan (a) menggeser titik asal ke 2001; (b) menyatakan unit X dalam bulan,
mempertahankan Y dalam ton per tahun; (c) menyatakan satuan X dalam bulan, dan Y dalam ton per bulan.
LARUTAN
(sebuah) kamu
c
= 10,27 +1.65(X+5)
= 18,52 +1.65X(tahun 2001 = 0,X=bertahun-tahun,kamu=ton per tahun)
1.65X
(b) kamu
= 10,27 +
c
12
= 10,27 + 0,14X(1 Juli 1996 = 0,X=bulan,kamu=ton per tahun)
10,27 + 0,14X
(c) kamu
=
c 12
= 0.86+0.01X(1 Juli 1996 = 0,X=bulan,kamu=ton per bulan)
I ILUSTRASI 16:Nilai tren kuartalan untuk unit yang diminta telah dihitung sebagai Q = 620, aku
Q = 655, Q2 = 690, dan3 Q = 725. Indeks4 musiman yang sesuai untuk kuartal tersebut adalah
0,72, 1,33, 1,05, dan 0,90 masing-masing. Perkiraan penjualan aktual (musiman) untuk Q
3
dan Q 4.
LARUTAN
UntukQ3: Y sz =(SI) Yc= (1.05)(690) =725 unit =(
UntukQ4: Y sz SI) Yc= (0.90)(725)= 653 unit.
I ILUSTRASI 17:Produsen pakaian olahraga ingin menggunakan data dari periode 5 tahun untuk
mengembangkan indeks musiman. Nilai tren dan rasio aktual A terhadap tren T untuk sebagian besar bulan
telah dihitung seperti yang ditunjukkan pada Tabel 5.10. Nilai aktual dan tren April dan Mei ditunjukkan
pada Tabel 5.11 dan 5.12.
Tabel 5.10
Bulan Januari Februari Merusak. April Mungkin Juni Juli Agustus September Oktober November Desember
Rasio AIT 0.72 0,58 0,85 1.43 1.21 1.05 0,98 0,92 0,88 1.12
Hitung kerabat musiman untuk bulan April dan Mei, koreksi totalnya menjadi 12,00, dan tentukan
indeks musiman yang dihasilkan. Lihat Tabel 5.11 dan 5.12.
April sebenarnya 382 401 458 480 533 Mungkin sebenarnya 485 530 560 592 656
Tren April 400 436 472 508 544 Mungkin tren 403 439 475 511 547
April A/T 0,96 0,92 0,97 0,94 0,98 Mei A/T 1.20 1.21 1.18 1.16 1.20
LARUTAN
Jumlah April = 4,77 Mei total = 5,95
Rata-rata April = 4,77÷ 5 = 0,95 Rata-rata Mei = 5,95÷ 5 = 1,19
Peramalan Permintaan 123
Bulan Januari Februari Merusak. April Mungkin Juni Juli Agustus September Oktober November Desember 12 bulan.
Rasio A/T 0.72 0,58 0,85 0,95 1.19 1.43 1.21 1.05 0,98 0,92 0,88 1.12 11.88
12
Faktor koreksi = =1.01
11.88
Mengalikan rasio setiap bulan dengan faktor koreksi, kita mendapatkan
Bulan Januari Februari Merusak. April Mungkin Juni Juli Agustus September Oktober November Desember 12 bulan.
PerbandinganPADA 0.73 0,59 0,86 0,96 1.20 1.44 1.22 1.06 0,99 0.93 0,89 1.13 12.00
I ILUSTRASI 18:Manajer produksi perusahaan pakaian olahraga dalam masalah sebelumnya telah
memproyeksikan nilai tren untuk musim panas mendatang (Juni, Juli, Agustus) sebesar 586, 589, dan 592. Dengan
menggunakan indeks musiman yang diberikan (1,44, 1,22, 1,60), berapa produksi musiman aktual yang
seharusnya rencana manajer untuk?
LARUTAN
Juni:kamu=SIkamu
sz c
= (1.44)(586) = 844 =
Juli:kamu
sz
(1.22)(589) = 719 =
Agustus:kamu
sz
(1.06)(592) = 628
I ILUSTRASI 19:Lakeside Hospital telah menggunakan metode rata-rata bergerak selama 9 bulan untuk
memprediksi kebutuhan persediaan obat dan pembalut bedah. buka aktual untuk satu item seperti yang
ditunjukkan pada Tabel 5.13 Menggunakan data rata-rata bergerak sebelumnya, konversikan ke perkiraan
pemulusan eksponensial untuk bulan 33.
Tabel 5.13
bulan 24 25 26 27 28 29 30 31 32
Tuntutan 78 65 90 71 80 101 84 60 73
LARUTAN
∑X =
78 + 65 +…. +73
MA = =78 satuan
Jumlah Periode 9
Jadi, asumsikan ramalan sebelumnya adalahFt-1=78.
2 2
Kemudian memperkirakan∝ sebagaiα = = =0.2
n+2 9 + 1
Jadi,F t =F t-1+ (SEBUAH t-1 – F)t-1=78 + 0,2 (73 – 78) = 77 unit.
I ILUSTRASI 20:Produsen sepatu, menggunakan pemulusan eksponensial dengan=0,1, telah
mengembangkan perkiraan tren Januari 400 unit untuk sepatu wanita. Merek ini memiliki indeks
musiman masing-masing 0,80, 0,90 dan 1,20, untuk 3 bulan pertama tahun ini. Berasumsi bahwa
124 Manajemen operasi
penjualan aktual adalah 344 unit di bulan Januari dan 414 unit di bulan Februari, berapa
perkiraan musiman (disesuaikan) bulan Maret?
LARUTAN
(sebuah) Deseasonalize permintaan Januari yang sebenarnya.
344
Permintaan = =430 unit
0,80
(b) Hitung perkiraan deseasonalized.
F t =F+ t(-1SEBUAH–tF-1 t-1
)
= 400 + 0,1 (430 – 400) = 403
(c) Prakiraan Februari musiman (disesuaikan) adalah:
F t(sz) = 403 (0,90) = 363
Mengulangi untuk bulan Februari, kami memiliki:
414
(sebuah) Permintaan = =460
0,90
(b) F=403
t
+ 0,1(460 – 403) = 409
(c) F t(sz) = 409 (1,20) = 491
I ILUSTRASI 21:Kembangkan perkiraan eksponensial yang disesuaikan untuk minggu 14/5 untuk perusahaan
dengan permintaan yang ditunjukkan pada Tabel 5.14. Misalkan = 0,1 dan = 0,2. Mulailah dengan yang sebelumnya
rata-rata F̂t–1=650, dan biarkan penyesuaian tren awal, T =t-10.
Tabel 5.14
LARUTAN
Kita punya:
Minggu 3/19: Ft =∝SEBUAH
t-1
+ (1 –) (F t-1
+ Tt-1)
= 0,1(700) + 0,9(650 + 0) =
T t 655.00t = (Ft–-1F) + (1 – )T t-1
T=0,2(658,9-655)
t
+ 0,8(1,0) = 1,58
Karena itu F t+1 = 658,9 + 1,58 = 660,48
Sisa perhitungan ada di Tabel 5.15. Prakiraan yang disesuaikan dengan tren untuk minggu 14/5
adalah 711,89 = 712 unit
Tabel 5.15
Ft-1 A-1
t
Ft Tt Ft–1
Mar19 650.00 700 655.00 1.00 656,00
26 655.00 685 658.90 1.58 660,48
2 April 658.90 648 659.23 1.33 660.56
9 659.23 717 666.20 2.46 669.06
16 660.20 713 673.09 3.35 676.44
23 673.09 728 681.60 4.39 685,99
30 681.60 754 691. 79 5.74 698,53
7 Mei 692.79 762 704.88 7.01 711,89
14 770
LATIHAN
1.Apa itu ramalan?
2.Berapa biaya yang terkait dengan peramalan-atau tidak peramalan?
3.Ringkaslah fitur-fitur utama dari metode peramalan yang lebih umum digunakan.
4.Apa itu deret waktu, dan apa saja komponen deret waktu?
5.Jelaskan (sebuah) tren, (b) musiman, (c) siklus, dan (d) komponen acak dari suatu deret.
6.Langkah-langkah apa yang terlibat dalam menggunakan data deret waktu untuk membuat perkiraan?
12.Pendaftar universitas telah mengadopsi model pemulusan eksponensial sederhana ( a = 0,4) untuk memperkirakan
pendaftaran selama tiga periode reguler (tidak termasuk musim panas). Hasilnya ditunjukkan pada Tabel 5.16 (sebuah)
Gunakan data untuk mengembangkan perkiraan pendaftaran untuk kuartal ketiga tahun 2. (b) Apa yang akan menjadi
efek peningkatan konstanta pemulusan menjadi 1,0?
Tabel 5.16
jumlah total variasi permintaan sebelumnya dari perkiraan sebelumnya — oleh karena itu, tidak ada pemulusan.]
13.Sebuah perusahaan yang memproduksi fotokimia memiliki pola permintaan mingguan seperti yang ditunjukkan pada
Tabel 5.17. Menggunakan konstanta pemulusan = 0,5 untuk data asli dan tren, dan dimulai dengan minggu I,
(sebuah) menghitung peramalan sederhana yang dihaluskan secara eksponensial dan (b) menghitung perkiraan pemulusan
eksponensial yang disesuaikan dengan tren untuk lima periode pertama.
Tabel 5.17
Pekan 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Tuntutan 30 34 22 16 10 10 14 20 30 36 30 10 12 20 30
15.Seorang produsen bahan atap telah mengumpulkan data yang berkaitan dengan tingkat suku bunga untuk penjualan sirap
aspal dan menemukan bahwa variasi yang tidak dapat dijelaskan = 680, dan variasi yang dijelaskan = 2840.
(sebuah) Cari koefisien korelasi. (b) Jelaskan maksudnya.
[Jawab.(sebuah)r=0,90 (b) 81 persen variasi dalam
penjualan sirap dikaitkan dengan tingkat suku bunga.]
16.Carpet Cleaner Co. berusaha melakukan pekerjaan manajemen inventaris yang lebih baik dengan
memprediksi jumlah penyedot debu yang akan dijual perusahaan per minggu berdasarkan jumlah
pelanggan yang menanggapi iklan majalah di minggu sebelumnya. Atas dasar contoh n=102 minggu
diperoleh data sebagai berikut:
2
sebuah=25 (kamu–kamuc ) = 22.500
2
b =0,10 (kamu–kamuc ) = 45.000
Peramalan Permintaan 127
(sebuah) Berikan perkiraan titik jumlah penyedot debu yang terjual per minggu ketika 80 pertanyaan
diterima di minggu sebelumnya. (b) Perkirakan (pada tingkat 95,5 persen) jumlah penyedot debu
yang terjual per minggu ketika 80 pertanyaan diterima minggu sebelumnya. (c) Nyatakan nilai
koefisien determinasi. (d) Jelaskan maksud darir2nilai.
[Jawab.(sebuah) 33, (b) Menggunakan
c
di manaXadalah jumlah mobil yang melewati lokasi dankamuadalah jumlah perkemahan yang diminta
2
hari itu. Selain itu, variasi yang tidak dapat dijelaskan adalah kamu–kamu
c ( )
=1.470, dan variasi totalnya adalah
)
2
(kamu–kamu =4.080. (sebuah). Berapakah nilai koefisien determinasi?
(b) Jelaskan, dengan kata-kata; arti dari koefisien determinasi. (c) Berapakah nilai koefisien
korelasinya?
[Jawab.(sebuah) 0,64 (b) Ini memberitahu
persentase variasi dalam perkemahan yang diminta yang terkait dengan lalu lintas mobil di lokasi
yang dipilih. (c) 0,80.]
18.Sistem Bawah Tanah Allan memasang sistem septik untuk rumah baru yang dibangun di luar batas kota. Untuk
membantu memperkirakan permintaannya, Mr. Allan telah mengumpulkan data yang ditunjukkan pada Tabel
tentang jumlah izin membangun negara yang diterbitkan per bulan, bersama dengan jumlah permintaan
penawaran yang diterimanya selama periode 15 bulan.
Tabel 5.18
Bulan 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Tidak. Izin Bangunan 8 20 48 60 55 58 50 45 34 38 10 5 12 29 50
Tidak. Permintaan tawaran 20 7 8 4 18 40 48 54 47 42 30 22 10 4 3
(sebuah) Hitung koefisien korelasi sederhanarantara jumlah izin mendirikan bangunan yang diterbitkan dengan jumlah
permintaan penawaran yang diterima pada bulan tersebut. Gunakan semua 15 periode data.
(b) Gunakan data 12 bulan pertama untuk izin bangunan, dan hitungrantara jumlah izin mendirikan bangunan yang
diterbitkan dalam satu bulan dengan jumlah permintaan penawaran yang diterima 2 bulan kemudian (yaitu.,sebuahjeda 2
bulan). (c) Ulang (b),tapi gunakansebuahketerlambatan 3 bulan. (d) Jenis model regresi mana yang terbaik untuk
memperkirakan permintaan tawaran: model bulan yang sama, model jeda 2 bulan, atausebuahModel jeda 3 bulan?
19.Dua manajer berpengalaman telah menolak pengenalan sistem pemulusan eksponensial terkomputerisasi,
mengklaim bahwa ada perkiraan penilaian "jauh lebih baik daripada komputer impersonal mana pun.
bisa melakukan." Ada catatan prediksi masa lalu seperti yang ditunjukkan pada Tabel 5.19.
128 Manajemen operasi
Tabel 5.19
1 4,000 4500
2 4.200 5.000
3 4.200 4,000
4 3.000 3.800
5 3.800 3.600
6 5.000 4,000
7 5.600 5.000
8 4.400 4.800
9 5.000 4,000
10 4.800 5.000
(sebuah) Hitung MAD. (b) Hitung sinyal pelacakan. (c) Berdasarkan perhitungan Anda, apakah
sistem penilaian berjalan dengan baik?
[Jawab.(sebuah) 570 (b) 0,53 (c) Ya]
REFERENSI
1. Joseph, G. Monks,Teori dan Masalah Manajemen Operasi, Tata McGraw-Hill
Publishing Company Limited, Edisi ke-2, 2004.
2. Joseph, G. Monks,Manajemen operasi, Edisi Internasional McGraw-Hill, Edisi ke-3.
3. S. Anil Kumar, N. Suresh,Manajemen Produksi dan Operasi,Internasional Zaman Baru
(P) Penerbit Terbatas, Edisi ke-2, 2008.