MANAJEMEN OPERASIONAL
PERAMALAN
Di Tupperware campuran baja tahan karat cetakan, yag setiap cetakannya membutuhkan
lebih dari 1.000 jam keterampilan tangan, merupakan jantung proses pembuata. Setiap
cetakan meghasilkan bentuk yang saksama dari suatu produk baru. Harga rata-rata cetakan
sekitar $100.000 dan berbobot hingga 5 ton. Ketika produk tertentu dijadwalkan untuk
diproduksi, cetakannya degan teliti ditempatkan ke mesin pencetakan.
Tupperware adalah perusahaan manufaktur global yang sukses, dengan total penjualan
sebesar $1,1 miliar yang 85% lebih penjualan berasal dari Amerika Serikat. Tupperware
dikenal karena mutunya, memberikan garansi seumur hidup bahwa jenis produk plastik
tersebut tidak akan retak, pecah dan terkelupas.
Peramalan permintaan di Tupperware adalah proses yang sangat menentukan dan tidak
pernah berakhir. Setiap pusat keuntungan yang berjumlah 50 di seluruh dunia bertanggung
jawab untuk meramalkan penjualan bulanan, kuartalan, dan tahunan berbasis computer.
Variasi model peramalan statistic yang digunakan di Tupperware mencakup setiap Teknik
yang dibahas termasuk rata-rata bergerak, penghalusan eksponensial, dan analisis regresi.
PEMBAHASAN
.
APAKAH PERAMALAN ITU ?
Peramalan (Forecasting) adalah seni dan ilmu untuk memperkirakan kejadian di masa
depan. Hal ini dapat dilakukan dengan melibatkan pengambilan data dari masa lalu dan
menempatkan ke masa yang akan datang dengan suatu bentuk model matematis. Bisa juga
merupakan prediksi intuisi yang bersifat subjektif. Atau bisa juga dengan menggunakan
kombinasi model matematis yang disesuaikan dengan pertimbangan yang baik dari seorang
manajer.
JENIS PERAMALAN
1. Peramalan Ekonomi (Economic Forecast)
Merencanakan siklus bisnis dengan memprediksikan tingkat inflasi, ketersediaan uang,
dana yang dibutuhkan dan indikator perencanaan laimnya yang berguna membantu
organisasi menyiapkan peramalan jangka menengah hingga panjang.
2. Peramalan Teknologi (Technologi Forecast)
Memperhatikan tingkat kemajuan teknologi yang dapat meluncurkan produk baru yang
menarik, yang membutuhkan produk dan peralatan baru
3. Peramalan Permintaan (Demand Forecast)
Proyeksi permintaan atau produk layanan suatu perusahaan. Peramalan ini disebut juga
Peramalan Penjualan , yang mengendalikan produksi, kapasitas serta sistem penjadwalan
dan menjadi input bagi perencanaan keuangan, pemasaran dan sumber daya manusia.
PERAMALAN TIME-SERIES
Time-series didasarkan pada waktu yang berurutan atau yang berjarak sama (mingguan,
bulanan, kuartalan, dan lainnya).
DEKOMPOSISI TIME-SERIES
Menganalisis time-series berarti membagi data masa lalu menjadi komponen-komponen,
dan kemudian memproyeksikannya ke masa depan. Time-series mempunyai empat
komponen: tren musim, siklus, dan variasi acak (random variation).
1. Tren merupakan pergerakan data sedikit demi sedikit meningkat atau menurun
Perubahan pendapatan, populasi, penyebaran umur, atau pandangan budaya dapat
mempengaruhi pergerakan tren.
2. Musim adalah pola data yang berulang pada kurun waktu tertentu seperti hari, mitg
bulan, amu kuartal Ada enam pola musiman yang biasa terjadi:
Sebagai contoh, restoran dan tempat pangkas rambut mengalami musim minggu
dengan hari Sabtu sebagai hari paling sibuk. Distributor bir meramalkan pola tahun.
Dengan musim bulanan. Ada tiga musim-Mei, Juli, dan September-masing-masing
mempunyai satu hari libur yang merupakan hari khusus minum bir.
3. Siklus adalah pola dalam data yang terjadi setiap beberapa tahun. Siklus ini biasany
terkait pada siklus bisnis dan merupakan satu hal penting dalam analisis dan
perencanaan bisnis jangka pendek. Memprediksi siklus bisnis sulit karena bisa
dipengaruhi oleh kejadian politik ataupun kerusuhan internasional.
4. Variasi acak merupakan satu titik khusus dalam data, yang disebabkan oleh peluang
dan situasi yang tidak biasa. Variasi acak tidak mempunyai pola khusus, jadi tidak
dapat diprediksi.
Gambar 4.1
Permintaan produk selama 4 tahun. Di petakan disertai
tren pertumbuhan dan pola musiman
PENDEKATAN NAIF
Teknik Peramalan yang mengasumsikan permintaan di periode mendatang sama
dengan permintaan terkini. Cara yang paling sederhana untuk meramal adalah
dengan berasumsi bahwa permintaan di periode mendatang akan sama dengan
permintaan pada periode terakhir. Dengan kata lain, jika penjualan sebuah produk-
katakanlah telepon genggam Motorola-adalah 68 unit pada bulan Januari, kita dapat
meramalkan bahwa penjualan pada bulan Februari akan sama yaitu sebanyak 68 unit
juga. Terbukti untuk beberapa jenis produk, pendekatan naif (naive approach) ini
merupakan model peramalan objektif yang paling efektif dan efisien dari segi bisya.
Paling tidak, pendekatan naif memberikan titik awal untuk perbandingan dengan
model lain yang lebih canggih.
RATA-RATA BERGERAK
Peramalan Rata-rata bergerak (moving average) menggunakan sejumlah data aktual
masa lalu untuk menghasilkan peramalan. Rata-rata bergerak berguna jika kita dapat
mengasumsikan bahwa permintaan pasar akan stabil sepanjang masa yang kita
ramalkan. Menjumlahkan permintaan selama mata empat bulan yang lalu, dibagi
dengan empat. Sewaktu tatu bulan berlalu, data bulanan yang terbaru ditambahkan
pada penjumlahan dats tiga bulan sebelumnya, dan data bulan yang paling awal
dihapus. Praktik semacam ini cenderung meminimumkan ketidaknormalan dalam
data berseri . Secara sistematis, rata-rata bergerak sederhana (merupakan prediksi
permintaan periode mendarang) dinyatakan sebagai :
di mana n adalah jumlah periode dalam rata-rata bergerak sebagai contoh 4,5 atau 6
bulan berarti rata rata bergerak untuk 4,5 atau 6 periode.
Baik rata -rata bergerak sederhana maupun rata-rata bergerak dengan pembobotan
sangat efektif dalam meredam fluktuasi pada pola permintaan untuk menghasilkan
prediksi yang stabil. Rata-rata bergerak mempunyai tiga masalah:
1. Bertambahnya jumlah n (jumlah periode yang dirata rata) memang meredam
fluktuasi dengan lebih baik, tetapi membuat metode ini kurang sensitive terhadap
perubahan nyata pada data.
2. Rata-rata bergerak tidak dapat menggambarkan tren dengan baik. Karena
merupakan rata-rata, mereka akan selalu berada dalam tingkat yang sebelumnya
dan tidak akan memprediksikan perubahan ke tingkat yang lebih tinggi atau lebih
rendah, yang merupakan nilai actual sesungguhnya.
3. Rata-rata bergerak membutuhkan data masa lalu yang ekstensif.
Penghalusan Eksponensial
Penghalusan eksponensial (exponential smoothing) merupakan metode
peramalan rata-rata bergerak dengan pembobotan yang canggih, namun masih
mudah digunakan. Metode ini menggunakan sedikit pencatatan data masa lalu.
Rumus penghalusan eksponential dasar dapat ditunjukan sebagai berikut :
Peramalan baru = peramalan periode lalu
+ α(permintaan aktual periode lalu–peramalan periode lalu)
Dimana α adalah sebuah bobot, atau konstanta penghalusan (shooting constant),
yang dipilih oleh peramal, yang mempunyai nilai antara 0 dan 1. Persamaan (4-3)
juga ditulis secara matematis sebagai :
Ft = Ft-1 + α (At-1 - Ft-1)
Dimana
Ft = peramalan baru
Ft-1 = peramalan sebelumnya
α = konstanta penghalus (pembobot) (0 ≤ α ≤ 1)
At-1 = permintaan aktual periode lalu
Konsepnya tidak rumit. Prediksi terakhir permintaan sama dengan prediksi lama,
disesuaikan dengan sebagian dari diferensasi permintaan actual periode lalu
dengan prediksi lama.
Konstanta penghalusan adalah faktor pembobotan yang digunakan dalam
peramalan penghalusan eksponensial, ,merupakan angka antara 0 dan 1.
Gambar 4.2 Permintaan actual vs. metode rata-rata bergerak dan rata-rata
bergerak dengan pembobotan
Hanya tiga minggu setelah IBM memperkenalkan lini computer rumah yang baru, seluruh
persediaan untuk sepanjang tahun terjual habis sehingga IBM tidak dapat memenuhi
permintaan selama masa liburan. Mengapa? IBM mengaitkan kekurangan tersebut pada
peramalan yang konservatif masalah kronis dalam salah menghitung permintaan untuk
computer pribadi (pc). Kehilangan pendapatan potensial sebesar $100 juta merupakan
pengulangan terhadap masalah peramalan yang sama dua tahun sebelumnya untuk computer
pribadi IBM yang terkenal.
__________________________________________________________________________
pada persamaan (4-4), Ft = 1,0 At-1. Semua nilai yang lebih lama turun, dan peramalan
menjadi sama dengan model naif sebagaimana yang disebutkan sebelumnya pada bab ini. Ini
berarti. peramalan permintaan untuk periode mendatang sama dengan permintaan periode
ini.
Tabel berikut membantu menggambarkan konsep ini. Sebagai contoh, saat α=0,5, kita bisa
melihat bahwa peramalan baru seluruhnya berdasarkan permintaan pada tiga atau empat
periode terakhir. Saat α = 0,1, peramalan menempatkan sedikit bobot pada permintaan
sekarang dan menggunakan banyak periode (sekitar 19) dari nilai masa lalu dalam
perhitungan.
Mean absolute deviation adalah ukuran pertama kesalahan peramalan keseluruhan untuk
sebuah model MAD. Nilai ini dihitung dengan mengambil jumlah nilai absolut dari tiap
kesalahan peramalan dibagi dengan jumlah periode data (n) :
Hampir semua software peramalan menyediakan fitur yang secara otomatis menemukan
konstanta penghalusan dengan kesalahan peramalan terkecil. Beberapa software mengubah
nilai α menjadi lebih besar jika kesalahan menjadi lebih besar dari batas yang dapat diterima.
Mean squared error (MSE) merupakan cara kedua untuk mengukur kesalahan peramalan
keseluruhan. MSE merupakan rata-rata selisih kuadrat antara nilai yang diramalkan dan
yang diamati. Rumusnya :
Kekurangan penggunaan MSE adalah bahwa ia cenderung menonjolkan deviasi yang besar
karena danya pengkuadratan. Sebagai contoh, jika kesalahan peramalan untuk periode 1 dua
kali lipat bih besar dari kesalahan untuk periode 2, maka kesalahan kuadrat pada periode 1
lebih besar mpat kali lipat dibandingkan kesalahan kuadrat pada periode 2. Oleh karena itu,
menggunakan SE sebagai perhitungan kesalahan peramalan biasanya menunjukkan bahwa
lebih baik empunyai beberapa deviasi yang kecil daripada satu deviasi besar.
Mean Absolute Percent Error Masalah yang terjadi dengan MAD dan MSE adalah bahwa
nilai mereka tergantung pada besarnya unsur yang diramal. Jika unsur tersebut dihitung
dalam satuan buan, maka nilai MAD dan MSE bisa menjadi sangat besar. Untuk
menghindari masalah ini, ita dapat menggunakan mean absolute percent error (MAPE).
MAPE dihitung sebagai rata-rata liferensiasi absolut antara nilai yang diramal dan aktual,
dinyatakan sebagai persentase nilai aktual. ika kita memiliki nilai yang diramal dan aktual
untuk n periode, MAPE dihitung sebagai:
PENERAPAN MO
Peramalan di Disney World
Saat chairman Disney, Michael Eisner, menerima laporan harian dari taman bermain
utamanya di Orlando, Florida, laporan hanya berisi dua angka: peramalan kehadiran
pengunjung hari sebelumnya pada taman- taman (Magic Kingdom, Epcot, Fort Wilderness,
MGM Studios, dan Blizzard Beach) dan kehadiran aktual. Diharapkan kesalahan yang ada
mendekati nol (dengan menggunakan MAPE sebagai pengukuran). Eisner memperlakukan
peramalan dengan sangat serius.
Tim peramalan pada Disney World tidak hanya melakukan prediksi harian, dan
Eisner bukan satu- satunya pelanggan. Tim peramalan ini juga menyedia- kan peramalan
harian, mingguan, bulanan, tahunan, dan 5-tahunan bagi manajemen tenaga kerja,
departemen perawatan, operasi, keuangan, dan penjadwalan taman. Peramal menggunakan
model pertimbangan, ekonometrik, rata-rata bergerak, dan analisis regresi. Peramalan
tahunan dari tim tersebut, yang dilakukan di tahun 1999 untuk jumlah pengun- jung total
tahun 2000, menghasilkan MAPE = 0.
Dengan 20% konsumen Disney datang dari luar Amerika Serikat, model ekonomi
mengandung variabel- variabel seperti kepercayaan konsumen dan produk domestik bruto
(PDB) dari tujuh negara. Disney juga mensurvei satu juta orang per tahun untuk mengetahui
rencana perjalanan mereka di masa depan dan penga- laman mereka di masa lalu. Hal ini
membantu tidak hanya meramalkan kehadiran, tetapi juga perilaku pada setiap wahana
(berapa lama orang akan menunggu dan berapa kali mereka naik suatu wahana). Input untuk
model peramalan bulanan mempertimbangkan adanya penerbangan khusus, pidato yang
diberikan oleh Kepala Federal Reserve, dan tren di Wall Street. Disney bahkan mengawasi
jadwal liburan 3.000 sekolah pada distrik di dalam dan di luar Amerika Serikat.
MAPE mungkin merupakan perhitungan yang paling mudah diartikan. Sebagai contoh,
MAPE 6% merupakan pernyataan yang jelas, yang tidak bergantung pada permasalahan
seperti banyaknya data input. MAPE menyatakan kesalahan sebagai persentase dari nilai
aktual.
Peramalan dengan tren (FITt) =Peramalan penghalusan eksponensial (Ft) + tren penghalusan
+ tren penghalusan eksponential (Tt)
Dengan penghalusan eksponensial dengan penyesuaian tren, estimasi rata-rata maupun tren
dihaluskan. Prosedur ini membutuhkan dua konstanta penghalusan, α untuk rata-rata dan β
untuk tren. Kemudian kita menghitung rata-rata dan tren untuk setiap periode:
Jadi, tiga langkah menghitung peramalan dengan yang disesuaikan dengan tren adalah:
Langkah 1: Menghitung F, peramalan eksponensial yang dihaluskan untuk periode t,
menggunakan Persamaan (4-9).
Langkah 2: Menghitung tren yang dihaluskan, Tt, menggunakan Persamaan (4-10).
Langkah 3: Menghitung peramalan dengan tren, FITt, dengan formula FITt = Ft +Tt
Nilai konstanta penghalusan tren (B), menyerupai konstanta α, karena ẞ yang tinggi lebih
tanggap terhadap perubahan tren. ẞ yang rendah memberikan bobot yang rendah kepada
tren terbaru dan cenderung memperhalus tren sekarang. Nilai ẞ dapat ditemukan dengan
pendekatan uji coba atau dengan menggunakan software peramalan komersial, dengan MAD
digunakan sebagai ukuran pembanding.
Gambar 4.4 metode kuadrat terkecil untuk menemukan garis lurus paling sesuai dimana
tanda bintang merupakan lokasi tujuh data aktual pengamatan atau poin data.
Ahli statistik telah membuat persamaan yang dapat kita gunakan untuk menemukan nilai a
dan b untuk setiap garis regresi. Kemiringan b ditemukan dengan
Catatan dalam Penggunaan Metode Kuadrat Terkecil Tiga persyaratan berikut harus
dipenuhi untuk menggunakan metode kuadrat terkecil:
➢ Selalu petakan data karena data kuadrat terkecil mengasumsikan adanya hubungan
linear. Jika yang didapatkan adalah sebuah garis lengkung, maka analisis kurva
linear mungkin diperlukan.
➢ Jangan memprediksikan periode waktu terlalu jauh di depan data yang diberikan.
Sebagai contoh, jika kita mempunyai data harga saham Microsoft rata-rata selama 20
bulan, kita hanya bisa meramalkan 3 atau 4 bulan ke depan. Peramalan di luar batas
itu akan menghasilkan ketepatan statistik yang kecil. Jadi, Anda tidak dapat
mengambil data penjualan 5 tahun dan memproyeksikannya untuk 10 tahun ke
depan. Dunia ini sangat tidak pasti.
➢ Devian di sekitar garis kuadrat terkecil (lihat Gambar 4.4) diasumsikan acak. Mereka
biasanya tersebar merata dengan hampir seluruh pengamatan dekat pada garis dan
hanya sebagian kecil data jauh dari garit.
Keterangan :
y = nilai y untuk setiap titik data
y˛= nilai terhitung variabel terikat, dari persamaan regresi
n = jumlah data
atau
Kedua rumus memberikan jawaban sama dan dapat digunakan dalam menyiapkan
interval yang diprediksi di sekitar titik.
Gambar 4.9 pendistribusian sekitar titik estimasi upah $600 juta
PENERAPAN MO
Sumber. E. Erkut, T. Myroon, dan K. Strangway. "TransAlta Rede- signs its Service-
Delivery Network," Interfaces (Maret-April 2000): 54-69.
PENGHALUSAN ADAPTIF
Peramalan adaptif merujuk kepada pengawasan komputer dari sinyal penelusuran
dan penyesuaian diri jika sinyal melewati batas yang ditentukan. Sebagai contoh, saat
menerapkan penghalusan eksponensial, koefisien α dan β dipilih pertama kali berdasarkan
nilai yang dapat meminimalkan kesalahan peramalan, dan kemudian disesuaikan kapan saja
saat komputer mengenali adanya sinyal penelusuran. Proses ini disebut sebagai penghalusan
adaptif (adaptive smoothing).
PERAMALAN FOCUS
Daripada menyesuaikan diri dengan cara memilih sebuah konstanta penghalusan,
komputer membiarkan kita mencoba beberapa variasi model peramalan. Pendekatan ini
disebut peramalan fokus (focus forecasting). Peramalan fokus didasarkan pada dua prinsip:
1. Model peramalan yang canggih tidak selalu lebih baik dari model yang
sederhana.
2. Tidak ada satu teknik yang dapat digunakan untuk semua produk dan jasa.
Bernard Smith, seorang manajer persediaan pada American Hardware Supply,
mengenalkan istilah peramalan fokus. Pekerjaan Smith adalah meramalkan jumlah dari
100.000 macam produk yang akan dibeli oleh 21 pembeli. Ia menemukan bahwa pembeli
tidak mempercayai atau memahami model penghalusan eksponensial. Malah, mereka
menggunakan pendekatan mereka sendiri yang sangat sederhana. Jadi Smith membangun
sistem berbasis komputer baru untuk memilih metode peramalan.
Smith memilih tujuh metode peramalan untuk diuji. Metode peramalan ini bertingkat
mulai dari yang sederhana yang biasa digunakan pembeli (seperti pendekatan nair) hingga
model statistik. Setiap bulan, Smith menerapkan peramalan dengan ketujuh model tersebut
pada setiap produk dalam persediaan. Pada percobaan simulasi ini, nilai peramalan diambil
dari permintaan aktual terkini, yang menghasilkan kesalahan peramalan yang disimulasikan.
Metode peramalan yang memberikan kesalahan terkecil dipilih oleh komputer, yang
kemudian digunakan untuk membut peramalan bulan berikutnya. Walaupun pembeli masih
mempunyai kemampuan untuk menolak, American Hardware menganggap peramalan fokus
memberikan hasil yang memuaskan.
Gambar 4.12 peramalan penjualan per jam untuk sebuah restoran cepat saji
PERAMALAN PADA SEKTOR JASA
Peramalan pada sektor jasa mempunyai tantangan yang unik. Teknik utama pada
sektor eceran adalah dengan melihat permintaan dan membuat catatan jangka pendek yang
teliti. Sebagai contoh tempat potong rambut pria mengharapkan puncak bisnisnya pada hari
jumat dan sabtu. Karenanya, hampir semua tempat potong rambut ditutup pada hari minggu
dan senin, dan terdapat banyak permintaan pada hari jumat dan sabtu. Restoran di pusat
kota, di sisi lain, mungkin harus mengikuti adanya konvensi dan liburan yntuk peramalan
jangkapendek yang efektif.
RINGKASAN
Peramalan adalah bagian penting dari fungsi manajer operasi. Peramalan permintaan
mengarahkan produksi, kapasitas, dan system penjadwalan perusahaan, serta mempengaruhi
fungsi keuangan, pemasaran, dan perencanaan karyawan.
Ada beberapa Teknik peramalan kualitatif dan kuantitatif. Pendekatan kualitatif
menggunakan penilaian, pengalaman, perasaan, dan factor lain yang sulit untuk diukur.
Peramalan kuantitatif menggunakan data masa lalu, sebab akibat, atau asosiatif untuk
diproyeksikan pada permintaan di masa dating. Perhitungan peramalan jarang dilaksanakan
secar manual. Hampir semua manajer operasi menggunakan paket software seperti forecast
PRO, SAP, tsMetrix, AFS,SAS,SPSS atau Excel.
Tidak ada metode peramalan yang sempurna dalam semua kondisi. Bahkan sekali
manajemen telah menemukan pendekatan yang memuaskan, manajemen masih harus terus
mengawasi dan mengendalikan peramalan untuk memastikan kesalahan masih bisa
dikendalikan, peramalan sering memberikan banyak tantangan, tetapi juga kepuasan, yang
merupakan bagian dari pengelolaan.