Tujuan Pembelajaran
Forecasting
(Peramalan) 4 1. Memahami 3 horizon waktu beserta model yang
akan digunakan untuk masing-masing horizon
tersebut
2. Menjelaskan kapan seharusnya menggunakan
masing-masing dari 4 model kualitatif
3. Menerapkan metode naive, moving average,
exponential smoothing, dan trend.
MANAJEMEN OPERASI:
Manajemen Keberlangsungan & Rantai Pasokan 4. Menghitung ukuran akurasi peramalan
5. Membuat indeks musiman
Operations Management: 6. Menjalankan analisis regresi dan korelasi
Sustainability & Supply Chain Management
7. Menggunakan sinyal pelacakan
4-1 4-2
► Portofolio (investasi, produk, layanan, proyek) ► Disney membuat ramalan harian, mingguan,
global termasuk taman-taman Disney di Hong bulanan, tahunan, dan 5 tahunan
Kong, Paris, Tokyo, Orlando, dan Anaheim ► Ramalan digunakan oleh manajemen tenaga
► Pendapatan ditentukan oleh orang – berapa kerja, pemeliharaan, operasi, keuangan, dan
banyak pengunjung dan seberapa banyak penjadwalan objek (taman)
mereka membelanjakan uangnya ► Ramalan digunakan untuk mengatur jam
► Laporan manajemen harian hanya berisi buka, wahana, pertunjukan, pengaturan staf,
ramalan dan jumlah aktual pengunjung di dan tamu yang datang.
masing-masing objek (taman)
4-3 4-4
1
21/10/2015
► 20% pelanggan datang dari luar Amerika ► Beberapa input untuk model peramalan
► Model ekonomi untuk peramalan termasuk maskapai penerbangan, kebijakan
menyertakan unsur produk domestik bruto, cadangan negara, tren di Bursa Wall Street,
nilai tukar, dan jumlah kunjungan ke Amerika jadwal liburan dari 3000 distrik sekolah di
seluruh dunia
► Setiap tahun, sebuah tim terdiri dari 35 orang
analisis dan 70 orang petugas lapangan ► Error ramalan rata-rata untuk ramalan 5
mensurvei 1 juta pengunjung taman Disney, tahunan sebesar 5%.
karyawan, dan biro-biro perjalanan ► Error ramalan rata-rata untuk ramalan
profesional tahunan berkisar antara 0% hingga 3%
4-5 4-6
Peramalan (Forecasting)
▶ Permalan menjadi dasar semua keputusan bisnis:
▶ Peramalan: ilmu ▶ Produksi
dan seni untuk ▶ Persediaan
memprediksi
kejadian-kejadian ?? ▶ SDM
▶ Fasilitas
di masa ▶ Manfaat peramalan pada 3 fungsi organisasi:
mendatang
▶ Fungsi Keuangan dan akuntansi: menyediakan dasar
▶ Bahan baku: data perencanaan budget dan pengendalian biaya.
historis ▶ Fungsi Pemasaran: merencanakan produk baru.
▶ Fungsi Produksi dan Operasi: perencanaan produksi,
penjadwalan, inventori, proses, layout fasilitas; dan SDM.
7 4-7 8 4-8
2
21/10/2015
Strategi perusahaan
R&D engineering Penguatan ceruk Biaya bersaing
peramalan jangka panjang. sangat kritis pasar kritis
Mempertahankan
► Fase pengenaIan dan pertumbuhan memerlukan Internet search engines
posisi pasar Drive-through
restaurants
peramalan yang lebih panjang dibandingkan fase DVDs
Xbox 360
matang dan penurunan iPods
Boeing 787
► Peramalan terhadap produk yang sedang melewati Sales
siklus hidup, sangat berguna untuk memproyeksikan: 3D printers
3
21/10/2015
4
21/10/2015
5
21/10/2015
4 - 21 4 - 22
6
21/10/2015
4 - 27 4 - 28
7
21/10/2015
Quantity
Average untuk beberapa tahun
demand over
Random four years
variation
| | | |
1 2 3 4 Time
Year
4 - 29 4 - 30
4 - 31 4 - 32
8
21/10/2015
Komponen Musiman
Komponen Siklus
(Seasonal)
Pergerakan ke atas atau ke bawah secara
berulang
Dipengaruhi oleh faktor siklus bisnis,
politik, ekonomi
Berlangsung dalam jangka waktu bertahun-
tahun
Seringkali merupakan
hubungan sebab-
akibat
4 - 33 4 - 34
M T W T F
4 - 35 4 - 36
9
21/10/2015
A
March 13
t i April 16 (10 + 12 + 13)/3 = 11 2/3
Ft i 1 May 19 (12 + 13 + 16)/3 = 13 2/3
n June 23 (13 + 16 + 19)/3 = 16
di mana t > n, dan At adalah nilai aktual pada periode ke-t. July 26 (16 + 19 + 23)/3 = 19 1/3
▶ Untuk n = 1, metode rata-rata bergerak ini disebut
sebagai pendekatan naif
4 - 37 4 - 38
Kedatangan Pasien
24 –
Penjualan
22 – 410 —
20 –
18 – 390 —
16 –
14 – 370 — Nilai Aktual
12 –
10 –
| | | | | | | | | | | | | | | | | |
J F M A M J J A S O N D 0 5 10 15 20 25 30
Minggu ke-
4 - 39 4 - 40
10
21/10/2015
Weighted
▶ Kelemahan Moving Average:
▶ Terlalu banyak membutuhkan data
30 – moving
average
Permintaan Penjualan
25 – masa lalu.
20 – Penjualan ▶ Tidak bisa menggambarkan tren dengan
Aktual
15 – baik karena hasil prediksinya tidak
Moving mungkin memberikan nilai yang lebih
10 – average
tinggi atau lebih rendah dari nilai-nilai
5 – sebelumnya. Mengapa?
| | | | | | | | | | | |
J F M A M J J A S O N D
4 - 43 4 - 44
11
21/10/2015
4 - 45 4 - 46
12
21/10/2015
4 - 51 4 - 52
13
21/10/2015
4 - 53 4 - 54
4 - 55 4 - 56
14
21/10/2015
Permintaan Produk
1 12 11 2 13.00 25 –
2 17 12.80 1.92 14.72
3 20 15.18 2.10 17.28 20 –
4 19 17.82 2.32 20.14
15 –
5 24 19.91 2.23 22.14
6 21 22.51 2.38 24.89 10 – Ramalan ES dengan Tren (FITt)
7 31 24.11 2.07 26.18 dengan = .2 dan = .4
8 28 27.14 2.45 29.59 5 –
9 36 29.28 2.32 31.60
0 – | | | | | | | | |
10 32.48 2.68 35.16
1 2 3 4 5 6 7 8 9
4 - 57 Waktu (bulan) 4 - 58
Triwulan Tahun 1 Tahun 2 Tahun 3 Tahun 4 Triwulan Tahun 1 Tahun 2 Tahun 3 Tahun 4
1 45 70 100 100 1 45 70 100 100
2 335 370 585 725 2 335 370 585 725
3 520 590 830 1160 3 520 590 830 1160
4 100 170 285 215 4 100 170 285 215
Total 1000 1200 1800 2200 Total 1000 1200 1800 2200
Rata-rata 250 300 450 550 Rata-rata 250 300 450 550
Permintaan Aktual 45
Indeks Musiman = Indeks Musiman = = 0.18
Permintana Rata-rata 250
4 - 59 4 - 60
15
21/10/2015
Triwulan Tahun 1 Tahun 2 Tahun 3 Tahun 4 Triwulan Tahun 1 Tahun 2 Tahun 3 Tahun 4
1 45/250 = 0.18 70 100 100 1 45/250 = 0.18 70/300 = 0.23 100/450 = 0.22 100/550 = 0.18
2 335 370 585 725 2 335/250 = 1.34 370/300 = 1.23 585/450 = 1.30 725/550 = 1.32
3 520 590 830 1160 3 520/250 = 2.08 590/300 = 1.97 830/450 = 1.84 1160/550 = 2.11
4 100 170 285 215 4 100/250 = 0.40 170/300 = 0.57 285/450 = 0.63 215/550 = 0.39
Total 1000 1200 1800 2200
Rata-rata 250 300 450 550
Triwulan Rata-rata Indeks Musiman
1 (0.18 + 0.23 + 0.22 + 0.18)/4 = 0.20
2
45 3
Indeks Musiman = = 0.18
250 4
4 - 61 4 - 62
Triwulan Tahun 1 Tahun 2 Tahun 3 Tahun 4 Triwulan Tahun 1 Tahun 2 Tahun 3 Tahun 4
1 45/250 = 0.18 70/300 = 0.23 100/450 = 0.22 100/550 = 0.18 1 45/250 = 0.18Permintaan
Perkiraan 70/300 =Tahunan
0.23 100/450
= 2600 = 0.22 100/550 = 0.18
2 335/250 = 1.34 370/300 = 1.23 585/450 = 1.30 725/550 = 1.32 2 335/250 = 1.34
Rata-rata 370/300 Triwulanan
Permintaan = 1.23 585/450 = 1.30
= 2600/4 = 650725/550 = 1.32
3 520/250 = 2.08 590/300 = 1.97 830/450 = 1.84 1160/550 = 2.11 3 520/250 = 2.08 590/300 = 1.97 830/450 = 1.84 1160/550 = 2.11
4 100/250 = 0.40 170/300 = 0.57 285/450 = 0.63 215/550 = 0.39 4 100/250 = 0.40 170/300 = 0.57 285/450 = 0.63 215/550 = 0.39
4 - 63 4 - 64
16
21/10/2015
Triwulan Tahun 1 Tahun 2 Tahun 3 Tahun 4 Triwulan Tahun 1 Tahun 2 Tahun 3 Tahun 4
1 45/250 = 0.18Annual
Perkiraan
Projected 70/300
Permintaan =Tahunan
Demand0.23 100/450
= 2600 = 0.22 100/550 = 0.18
= 2600 1 45/250 = 0.18 70/300 = 0.23 100/450 = 0.22 100/550 = 0.18
2 335/250 = 1.34
Rata-rata
Average 370/300
Permintaan
Quarterly = 1.23= 2600/4
585/450
Triwulanan
Demand = 1.30
= 2600/4
= 650 = 650725/550 = 1.32 2 335/250 = 1.34 370/300 = 1.23 585/450 = 1.30 725/550 = 1.32
3 520/250 = 2.08 590/300 = 1.97 830/450 = 1.84 1160/550 = 2.11 3 520/250 = 2.08 590/300 = 1.97 830/450 = 1.84 1160/550 = 2.11
4 100/250 = 0.40 170/300 = 0.57 285/450 = 0.63 215/550 = 0.39 4 100/250 = 0.40 170/300 = 0.57 285/450 = 0.63 215/550 = 0.39
Triwulan Rata-rata Indeks Musiman Ramalan Triwulan Rata-rata Indeks Musiman Ramalan
1 (0.18 + 0.23 + 0.22 + 0.18)/4 = 0.20 650(0.20) = 130 1 (0.18 + 0.23 + 0.22 + 0.18)/4 = 0.20 650(0.20) = 130
2 (1.34 + 1.23 + 1.30 + 1.32)/4 = 1.30 2 (1.34 + 1.23 + 1.30 + 1.32)/4 = 1.30 650(1.30) = 845
3 (2.08 + 1.97 + 1.84 + 2.11)/4 = 2.00 3 (2.08 + 1.97 + 1.84 + 2.11)/4 = 2.00 650(2.00) = 1300
4 (0.40 + 0.57 + 0.63 + 0.39)/4 = 0.50 4 (0.40 + 0.57 + 0.63 + 0.39)/4 = 0.50 650(0.50) = 325
4 - 65 4 - 66
17
21/10/2015
4 - 71 4 - 72
18
21/10/2015
Deviasi3
di mana:
Ŷt : hasil prediksi (ramalan) pada periode ke-t. Deviasi4
Yt : nilai aktual pada periode ke-t.
Xt : transformasi waktu untuk periode ke-t (Xt =...,1,2,3,...) Deviasi1
(error) Deviasi2
a : konstanta regresi (intercept) Garis Tren, ^y = a + bx
b : koefisien regresi (slope
Periode Waktu
4 - 75 4 - 76
19
21/10/2015
Permintaan Listrik
2000 2 79 4 158
2001Garis tren:
3 80 9 240 130 –
2002 4 90 16 360 120 –
^ 110 –
2003 y 5= 56.70 + 10.54x
105 25 525
2004 6 142 36 852 100 –
2005 7 122 49 854 90 –
Sx = 28 Sy = 692 Sx2 = 140 Sxy = 3,063 80 –
x=4 y = 98.86 70 –
60 –
Sxy - nxy 3,063 - (7)(4)(98.86) 50 –
b= = = 10.54
Sx2 - nx2 140 - (7)(42) | | | | | | | | |
2006 2007 2008 2009 2010 2011 20012 2013 2014
a = y - bx = 98.86 - 10.54(4) = 56.70 Tahun
4 - 79 4 - 80
20
21/10/2015
4 - 81 4 - 82
^ 3.0 3 2.0 1
y = a + bx 2.5 4 3.5 7
Nodel’s sales
(in$ millions)
3.0 –
a = y-axis intercept
b = slope of the regression line 2.0 –
x = the independent variable
1.0 –
| | | | | | |
0 1 2 3 4 5 6 7
Area payroll (in $ billions)
4 - 83 4 - 84
21
21/10/2015
x=
å x = 18 = 3 y=
å y = 15 = 2.5 x=
å x = 18 = 3 y=
å y = 15 = 2.5
6 6 6 6 6 6 6 6
b=
å xy - nxy =
51.5 - (6)(3)(2.5)
= .25 a = y - bx = 2.5 - (.25)(3) = 1.75 b=
å xy - nxy =
51.5 - (6)(3)(2.5)
= .25 a = y - bx = 2.5 - (.25)(3) = 1.75
åx 2
- nx 2 80 - (6)(32 ) åx 2
- nx 2 80 - (6)(32 )
4 - 85 4 - 86
then:
(in$ millions)
4 - 87 4 - 88
22
21/10/2015
3.0 –
4.0 –
mean of a 3.25
2.0 –
Nodel’s sales
3.0 –
probability
(in$ millions)
Regression line,
Sales (in$ millions) = 1.75 + .25(6)
1.0 – distribution 2.0 – ŷ =1.75+.25x
= 1.75 + 1.5 = 3.25
| | | | | | | 1.0 –
0 1 2 3 4 5 6 7
Sales = $3,250,000
Area payroll (in $ billions) | | | | | | |
0 1 2 3 4 5 6 7
Figure 4.9 Area payroll (in $ billions)
4 - 89 4 - 90
S y,x =
åy 2
- aå y - bå xy
where y = y-value of each data point
n-2
yc = computed value of the dependent variable,
from the regression equation
n = number of data points We use the standard error to set up
prediction intervals around the point
estimate
4 - 91 4 - 92
23
21/10/2015
S y,x =
åy 2
- aå y - bå xy
=
39.5 -1.75(15.0) - .25(51.5) ► How strong is the linear relationship
n-2 6-2 between the variables?
= .09375 ► Correlation does not necessarily imply
= .306 (in $ millions) causality!
4.0 –
3.25 ► Coefficient of correlation, r, measures
Nodel’s sales
3.0 –
(in$ millions)
The standard error 2.0 –
degree of association
of the estimate is ► Values range from -1 to +1
1.0 –
$306,000 in sales
| | | | | | |
0 1 2 3 4 5 6 7
Area payroll (in $ billions)
4 - 93 4 - 94
nå xy - å xå y
r=
é ùé ù
x x
êënå x - ( )
å x úûêënå y 2 - ( å y úû )
(e) Perfect positive
2 2 (a) Perfect negative
correlation correlation
2 y y
y
x x
(b) Negative correlation (d) Positive correlation
x
(c) No correlation
–1.0 –0.8 –0.6 –0.4 –0.2 0 0.2 0.4 0.6 0.8 1.0
Correlation coefficient values
4 - 95 4 - 96
24
21/10/2015
4 - 97 4 - 98
4 - 99 4 - 100
25
21/10/2015
4 - 101 4 - 102
–
Lower control limit At the end of quarter 6, MAD =
å Forecast errors = 85 = 14.2
n 6
Time Cumulative error 35
Tracking signal = = = 2.5 MADs
MAD 14.2
4 - 103 4 - 104
26
21/10/2015
4 - 105 4 - 106
► Unusual events
11-12 1-2 3-4 5-6 7-8 9-10
12-1 2-3 4-5 6-7 8-9 10-11
(Lunchtime) (Dinnertime)
Hour of day
4 - 107 4 - 108
27
21/10/2015
10% –
8% –
6% –
4% –
2% – All rights reserved. No part of this publication may be reproduced, stored in a retrieval system, or
transmitted, in any form or by any means, electronic, mechanical, photocopying, recording, or
otherwise, without the prior written permission of the publisher.
0% – Printed in the United States of America.
2 4 6 8 10 12 2 4 6 8 10 12
A.M. P.M.
Hour of day
4 - 109 4 - 110
28