Copy Of Peramalan

PERAMALAN

Universitas Gunadarma

PERAMALAN

¾

•

Kebutuhan Peramalan dalam Manajemen Produksi dan Operasi

Manajemen Operasi/produksi menggunakan hasil-hasil peramalan dalam pembuatan keputusan-keputusan yang menyangkut pemilihan proses, perencanaan kapasitas, layout fasilitas dan untuk berbagai keputusan yang bersifat continue berhubungan dengan perencanaan, schedulling dan persediaan.

Universitas Gunadarma

¾ a.

Metode Peramalan Top down forecasting Dimulai dengan penggunaan hasil-hasil peramalan berbagai kondisi bisnis umum yang dibuat oleh para ahli ekonomi dalam lembaga pemerintah dan perusahaan besar serta universitasuniversitas.

b.

Bottom Up forecasting Dimulai dengan perkiraan permintaan produk-akhir individual. Peramal menerima estimasi dari orang-orang penjualan, distribusi dan langganan.

Universitas Gunadarma

¾ Proses-proses Peramalan

• Penentuan tujuan • Pengujian model • Penerapan model • Pengembangan model • Revisi dan evaluasi

Universitas Gunadarma

¾ Teknik-Teknik Peramalan

™ Teknik-Teknik Peramalan a. Teknik Kualitatif Bersifat subyektif/judgemental Berdasar pada estimasi- estimasi dan pendapat- pendapat dari para eksekutif, orang-orang penjualan, langganan, spesialis/ahli dari berbagai bidang. 1. 2. 3. 4.

Juri Opini eksekutif Metode Delphi Gabungan tenaga penjualan Survei pasar

Universitas Gunadarma

1.

Juri Opini eksekutif

Pendekatan ini berdasar pendapat dari sekelompok kecil eksekutif tingkat atas. Karena pendapatnya lebih dari satu orang maka diharapkan lebih akurat. ™ Kelemahannya: Ketepatan sangat tergantung masukan individu dan dapat bias. ™ Keuntungannya: Paling sederhana 2.

Metode Delphi

Teknik yang menggunakan suatu prosedur yang sistematik untuk mendapat suatu konsensus pendapat-pendapat dari suatu kelompok ahli. ™ Keuntungannya: Dapat menggambarkan keadaan di masa datang lebih akurat dan profesional sehingga peramalan diharapkan mendekati aktual. Universitas Gunadarma

3.

Gabungan tenaga penjualan

Tenaga penjual merupakan sumbangan informasi yang baik tentang permintaan konsumen. Tiap tenaga penjual meramalkan tingkat penjualan di daerah, lalu digabung pada tingkat propinsi kemudian digabung hingga tingkat nasional untuk mencapai peramalan menyeluruh.

4.

Survei pasar

Masukan dari konsumen/konsumen potensial terhadap rencana pembelian di masa datang.Peralatan peramalan yang berguna bila ada kekurangan data historik/data tak reliabel. Digunakan untuk meramal permintaan jangka panjang dan penjualan produk baru. ™ Kelemahannya: Mahal dan sulit. Universitas Gunadarma

b.

Teknik Kuantitatif

1.

Time series (analisis runtun waktu)

Meramalkan kejadian di masa datang atas dasar serangkaian data masa lalu, yang merupakan hasil observasi berbagai variabel menurut waktu dan digambarkan dalam bentuk grafik yang menunjukan perilaku variable subjek.

Pola data dari serangkaian waktu: • konstan • kecendrungan (trend) • musiman (seasonal) • siklus (cyclical)

Universitas Gunadarma

U Metode dasar dari analisis runtun waktu: ™Rata-rata bergerak a. Rata-rata bergerak sederhana (Simple moving average) Bobot tiap periode sama. t − N +1

Ft+1 =

∑X

i

i =t

---------------

N

= Xt + Xt-1 + … + Xt-N+1 --------------------------------------------

N

Dengan, Ft = Nilai prakiraan untuk periode t N = Jumlah deret waktu yang digunakan Xi = Data pengamatan periode i Universitas Gunadarma

b. Rata-rata bergerak tertimbang Tiap periode mempunyai bobot yang berbeda Ft+1

= W t Xt + W t-1X t-1 + … + W t-N+1 X t-N+1 ---------------------------------------------------------------Wt + W t-1 + … + W t-N+1

Dengan, Wt = persentase bobot yang diberikan untuk periode t Jika jumlah bobot = Wt + Wt-1 + … + W t-N+1 = 100 % = 1, maka rumus bisa disederhanakan menjadi: Ft+1

= W t Xt + W t-1X t-1 + … + W t-N+1 X t-N+1

Universitas Gunadarma

™ Eksponensial Smoothing ( Pemulusan eksponensial)

a. Eksponensial Smoothing ( Pemulusan eksponensial) tunggal Ada Tambahan parameter α dalam model untuk mengurangi faktor kerandoman. Serial data yang diamati memiliki pola horisontal (stasioner). Ft+1 = α . Xt + ( 1 - α) F t

Dengan, Ft = Nilai prakiraan untuk periode t N = Jumlah deret waktu yang digunakan α = faktor/konstanta pemulusan Xi = Data permintaan periode t Universitas Gunadarma

b. Eksponensial Smoothing ( Pemulusan eksponensial) linier Serial data yang diamati memiliki unsur trend (kecendrungan). Metode yang digunakan metode Holt, dimana ada dua parameter, α(alpha) dan β (betha). Pemulusan eksponential linier menggunakan persamaan sbb: Ft+m

= St + T t.m

Dengan, St = α . Xt + ( 1 - α) (St-1 + Tt-1) Tt = β. (St - St-1) + (1-β). Tt-1

Universitas Gunadarma

™ Metode Dekomposisi Mengidentifikasi komponen pola dasar yang ada pada serial data, yaitu komponen trend, musiman dan siklus. Xt = f (St , Tt , Ct , Rt )

Dimana: St = Komponen musiman pada periode t Tt = Komponen trend pada periode t Ct = Komponen siklus pada periode t Rt = Komponen random (kesalahan) pada periode t

Universitas Gunadarma

2.

Metode kausal

Merupakan teknik yang paling akurat. Umumnya membahas pendekatan sebab akibat (kausal atau yang bersifat menjelaskan (eksplanatoris), dan bertujuan untuk meramalkan keadaan di masa yang akan datang dengan menemukan dan mengukur beberapa variabel bebas (independen) yang penting beserta pengaruhnya terhadap variabel tidak bebas yang akan diramalkan.

a. Analisa Regresi b. Analisa Korelasi

Universitas Gunadarma

a. Analisa Regresi Metode statistik yang digunakan untuk menentukan hubungan antar paling tidak satu/lebih variabel bebas(independent variable) dan satu variabel bergantung (dependent variable ) dengan tujuan untuk meramalkan nilai variabel bergantung dalam hubungan dengan nilai variabel bebas tertentu. Bentuk umum persamaan regresi linier untuk dua variabel (regresi linier sederhana) adalah sbb: Ý = a + b. X Dimana : Ý = variabel tidak bebas (yang diramalkan) X = variabel bebas a = nilai daripada Y bila X = 0 b = perubahan rata-rata Y terhadap perubahan per unit X. Universitas Gunadarma

Nilai a dan b yang meminimalkan jumlah kesalahan kuadrat dapat dicari dengan menggunakan persamaan berikut: ∑ Y = n.a + ( ∑ X).b ∑ X.Y = ( ∑ X ).a + ( ∑ X

2

).b

atau n ( ∑ X.Y) -( ∑ X ) ( ∑ Y )

b = -----------------------------------n.( ∑ X 2 ) − ( ∑ X )

2

∑ X.Y -(∑ X).b a = ------------------------------------

n Universitas Gunadarma

b. Analisa Korelasi Mengukur derajat hubungan antara dua atau lebih variabel- variabel tanpa melihat bentuk hubungan dengan menggunakan koefisien r. Bentuk umum persamaan matematikanya adalah sbb:

r=

n.(∑ XY ) − (∑ X )(∑Y ) n.(∑ X 2) − (∑ X )2 * n.(∑Y 2) − (∑Y )2

Dimana nilai koefisien korelasi r terletak diantara –1 dan 1.

Universitas Gunadarma

Bila kenaikan suatu variabel diikuti dengan kenaikan di dalam variabel lain maka kedua variabel tersebut mempunyai korelasi positif (+) dan nilai r mendekati atau sama dengan 1 Bila kenaikan suatu variabel diikuti dengan penurunan pada variabel lain maka kedua variabel tersebut mempunyai korelasi negatif (-) dan nilai r mendekati atau sama dengan -1 Bila tak ada perubahan maka kedua variabel tersebut tidak mempunyai hubungan dan nilai r = 0

Universitas Gunadarma

¾

Pengukuran Kesalahan Forecast

MAD (Mean absolute deviation) Merupakan perbedaan antara permintaan nyata dengan forecast. ™

Untuk periode tunggal:

Kesalahan forecast =

Universitas Gunadarma

Dt − Forecast

™

Untuk rata kesalahan bergerak

MADt = α

Universitas Gunadarma

Dt − Forecast

+ (1 - α) (MAD t-1)