Anda di halaman 1dari 19

Manajemen Operasional

Pertemuan ke 7
Dosen : Shinta Rahmani, SE., M.Si
Sumber : Operational Management,
Roger G. Schroeder, 4th ed, Mc.Graw
Hill
PERAMALAN (FORECASTING
 Peramalan adalah perpaduan antara seni
dan ilmu untuk memprediksi masa depan.
Sampai dengan 2 dekade yang lalu,
peramalan merupakan sebuah seni,
namun sekarang ini sudah menjadi sebuah
ilmu. Meskipun pertimbangan secara
manajerial masih diperlukan untuk
peramalan, namun para manajer saat ini
telah dilengkapi dengan alat serta
methode mathematika yang canggih.
PERAMALAN (FORECASTING
 Banyak metode peramalan yang
dapat digunakan saat ini. Namun ada
satu hal penting yang perlu dipahami
bahwa metode peramalan harus
dipilih secara seksama untuk suatu
tujuan tertentu. Tidak ada metode
peramalan umum yang dapat dipakai
untuk semua situasi.
PERAMALAN (FORECASTING
 Peramalan hampir pasti selalu salah. Sangat
jarang untuk dapat meramalkan penjualan secara
tepat. Misalnya, diramalkan 100.000 unit akan
terjual, kenyataannya hanya 80,000 unti yang
terjual. Ekstra 20,000 yang tersisa akan berakhir
menjadi persediaan, atau mungkin perlu mem
PHK pekerja untuk mengurangi tigkat produksi.
 Sangat menyakitkan juga jika ramalan terlalu
rendah, karena pekerja akan ditambahkan dalam
keadaan terburu-buru untuk memaksakan
meningkatkan kapasitas, atau kesempatan
penjualan akan hilang karena kehabisan stok.
PERAMALAN (FORECASTING
 Ada cara-cara untuk mengakomodasi
kesalahan peramalan, misalnya
mengurangi kesalahan melalui
peramalan yang lebih baik. Bisa juga
membangun fleksibilitas pada bagian
operasional
Metode Peramalan
 Qualitative
• Methode Delphi,
• Market survey,
• Analogi dengan lifecycle produk
• Pertimbangan berdasarkan informasi
yang dimiliki
Metode Peramalan
 Quantitative
• Time series,
• Decomposition time series,
• Moving average
• Exponential smoothing
Moving Average

 Metode peramalan yang paling mudah dalam


Time series adalah Moving Average
 Untuk mengetahui rata-rata permintaan : At,
untuk periode N pada waktu t dirumuskan sbb

Dt + Dt −1 +, , ,+ Dt − n +1
At =
N
Weighted Moving Average

Ft +1 = At = W1 Dt + W2 Dt −1 + ... + W N Dt − N +1

∑W
t =1
t =1

Dimana :
Ft+1 = Ramalan periode mendatang
W = Bobot / koefisien penimbang
Dt = Demand / permintaan aktual
Weighted Moving Average

 Ditentukan koefisien penimbang adalah 0.2, 0.3


dan 0.5 untuk 3 periode

Periode
1 2 3 4 5 6 7
Demand
10 16 29 15 30 12 16

Maka Ft+1=At = 0.2(30)+0.3(12)+0.5(26) = 22.6


Weighted Moving Average
 Dalam menentukan koefisien
penimbang, angka yang lebih besar
diletakkan pada periode terakhir.
Ada pula yang menggunakan
besaran angka koefisien penimbang
periode terakhir dari data histories
dua kali daripada koefisien
penimbang periode sebelumnya.
Exponential Smoothing

Metode peramalan yang cukup sederhana yang menyatakan


bahwa rata-rata permintaan dihitung dari rata-rata data
yang lama dan aktual permintaan dengan rumus :

Ft +1 = α ( Dt ) + (1 − α ) Ft
Simbol α merupakan koefisien pemulus yang besarnya 0<α<1
Ft+1 = Ramalan periode yang akan dating
Dt = Permintaan actual/periode saat ini
Ft = Ramalan periode saat ini
Exponential Smoothing

 Contoh :
 Peramalan penjualan produk pada bulan April
adalah 12.000 unit, Mei 15.000 unit sedangkan
penjualan bulan April adalah 10.000 unit.
Berdasarkan pengalaman maka kofisien pemulus
adalah 0.8. Berapa seharusnya penjualan bulan
Mei?
 F Mei = 0.80(10.000)+(1-0.8)15.000 = 11.000
Exponential Smoothing

 Penetapan koefisien pemulus harus


didasarkan pada data penjualan setiap
bulan.
 Untuk data penjualan yang stabil koefisien
pemulusnya 0.1:0.2:0.3
 Untuk penjualan yang kurang stabil
koefisien pemulusnya 0.4:0.5:0.6
 Sedangkan untuk penjualan yang
berfluktuasi koefisien pemulusnya
0.7:0.8:0.9
Causal Forecasting


Merupakan metode peramalan garis lurus yang
digunakan untuk meneliti perkembangan
penjualan selama bertahun-tahun, yang dijadikan
peramalan produksi untuk masa mendatang

yˆ = a + bx
Dimana y = perkiraan permintaan
x = variable independen
a = intercept y
b = slope
error yang ada dirumuskan sebagai :

∑ i i ∑
( ˆ
y − y ) 2
= ( a = bx i − y i ) 2

Untuk mencari nilai a dan b digunakan rumus


berikut :

yˆ = a + bx
∑ y i ∑ x i
b=
[( ∑ X )( ∑ y )]
n∑ xi y i − i i
a= −b
n∑ x − ( ∑ x )
2 2
n n i i
Forecast Errors ( Kesalahan taksir
dalam peramalan)
 Error peramalan adalah perbedaan secara
numeric dari peramalan permintaan dengan
permintaan actual. Metode peramalan yang
digunakan untuk menentukan error adalah MAD
(Mean Absolut Deviation) dan Bias/CFE
 MAD menunjukkan terjadinya error peramalan
dari rata-rata peramalan secara absolute.
 CFE ( cumulative sum of forecast error)
menunjukkan jumlah error peramalan
Forecast Errors ( Kesalahan taksir
dalam peramalan)
n
n
∑| e t |
Bias = ∑ et
MAD = t =1

n t =1

CFE
TS =
MADt
 Jika tracking signal (TS) melebihi angka ± 6 maka metode
peramalan harus dihentikan dan diganti dengan metode
peramalan yang lebih mendekati kenyataan.
SEKIAN