Manajemen Operasional, Forecasting

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 N

∑W t =1

t

Dimana : Ft+1 W Dt

=1

= Ramalan periode mendatang = Bobot / koefisien penimbang = Demand / permintaan aktual

Weighted Moving Average 

Ditentukan koefisien penimbang adalah 0.2, 0.3 dan 0.5 untuk 3 periode

Periode

1

2

Demand

10 16

3

4

5

6

7

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 Ft+1 Dt Ft

α merupakan koefisien pemulus yang besarnya 0<α<1 = Ramalan periode yang akan dating = Permintaan actual/periode saat ini = 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 x a b

= = = =

perkiraan permintaan variable independen intercept y slope

error yang ada dirumuskan sebagai : 2 2 ˆ ( y − y ) = ( a = bx − y ) ∑ i i ∑ i i

Untuk mencari nilai a dan b digunakan rumus berikut :

yˆ = a + bx y ∑ a= n

i

x ∑ −b n

i

b=

[( ∑ X )( ∑ y )] n∑ x − ( ∑ x )

n∑ xi y i −

i

i

2

2

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

MAD =

∑| e t =1

n

t

|

n

Bias = ∑ et 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