Perencanaan dan Pengendalian ProduksiPeramalan (1)

Pengertian PeramalanBukan menduga (guess) !Estimasi nilai atau karakteristik masa depan Is the art of specifying meaningful information about the future (Narasimhan, et.al., 1995)Informasi yang dipergunakan sebagai dasar untuk membuat rencana

PeramalanTanya pada yang berkompeten (expert)Cross check dengan data penjualan masa lalu

Perlu metoda bukan sekedar intuisi ForecastingGila ajahPenjualan september 1.200 unit Apa ??1.2000 ???

DATASUMBER :Arsip perusahaanData pemerintah (laporan Biro Pusat Statistik, Departemen, dll)

FAKTOR INTERNAL THD PENJUALANKualitas, harga, delivery time, promosi, discount, dll

FAKTOR EKSTERNALIndikator perekonomian : Pendapatan perkapita, tingkat pertumbuhan ekonomi, tingkat inflasi, nilai tukar valuta asing, dll

Cakupan Peramalan

Cakupan Peramalan

Cakupan Peramalan

Cakupan Peramalan

Mengapa Diperlukan??Masa depan (waktu tempat perencanaan dimaksud) bersifat tidak pasti (uncertain)Permintaan tidak pasti karena:KompetisiPerilaku konsumenSiklus bisnisUpaya penjualanSiklus hidup produkVariasi random, dll.Diperlukan referensi untuk perencanaan hasil peramalan

Konsiderasi Ongkos dan manfaatOngkos : - pengembangan metode - kegiatan peramalan - akibat kesalahan peramalanManfaatMengerti hubungan antara permintaan dan faktor lainKondisi dunia nyataSistem pengendalian produksiUntuk tujuan apa suatu ramalan dibuat akan menentukan pendekatan yang diambilKetelitianSederhana dalam perhitunganKemampuan menyesuaikan terhadap perubahanLead time, periode, horizon

Karakteristik PeramalanFaktor penyebab yang berlaku di masa lalu diasumsikan akan berfungsi juga di masa yang akan datang.

Peramalan tidak pernah sempurna, permintaan aktual selalu berbeda dengan permintaan yang diramalkan.

Tingkat ketepatan ramalan akan berkurang dalam rentang waktu yang semakin panjang.

Metode PeramalanBerdasarkan tingkatan awal peramalan:Metode top-downMetode bottom-upMetode interpretasi permintaan

Berdasarkan teknik peramalan:Metode kualitatifMetode kuantitatif

Taksonomi Peramalan

Teknik PeramalanPenggunaan model kualitatif:Tidak memerlukan data kuantitatifUnsur subyektifitas peramalan sangat besarBaik untuk peramalan jangka panjang

Contoh:Grass RootsMarket ResearchKonsensus PanelAnalogi HistorisMetode Delphi

Teknik PeramalanPenggunaan model kuantitatif membutuhkan:Data kondisi masa laluData tersebut dapat dikuantifisirDiasumsikan pola data masa lalu akan berlanjut pada masa yang akan datang

Data yang digunakan untuk keperluan perencanaan produksi:Paling baik menggunakan data permintaanMenggunakan data jumlah unit penjualanKalau tidak memiliki data penjualan gunakan data jumlah unit produksi

Teknik PeramalanMetode Kuantitatif dapat dikelompokkan menjadi:Metode Time SeriesMetode Kausal

Time Series:free hand (grafis), moving average, weight moving average, metode kuadrat terkecil, exponential smoothing, regresi linier, metode winter, teknik Box Jenkins, dll.Kausal:metode ekonometrik, metode analisis input-output, regresi dengan variabel bebas bukan waktu.

Prosedur PeramalanPlot data permintaan vs waktuPilih beberapa metode peramalanEvaluasi kesalahan peramalanPilih metode peramalan dengan kesalahan peramalan terkecilInterpretasi hasil peramalan

Pola Data

Pola DataPola Horizontal:Terjadi ketika nilai data berfluktuasi di sekitar nilai rata-rata yang konstan

Pola Musiman:Bila data yang kelihatannya berfluktuasi, namun fluktuasi tersebut akan terlihat berulang dalam sutu interval waktu tertentu.Disebut pola musiman karena permintaan ini biasanya dipengaruhi oleh musim sehingga umumnya interval perulangan data ini adalah satu tahun. Metode peramalan yang sesuai adalah metode winter, moving average, atau weight moving average.

Pola DataPola Siklus:Bila fluktuasi permintaan secara jangka panjang membentuk pola sinusoid atau gelombang atau siklus.Rentang pengulangan waktu siklikal tidak tentuMetode peramalan yang sesuai adalah metode moving average, weight moving average, dan exponential smoothing.

Pola Trend:Bila data permintaan menunjukkan pola kecenderungan gerakan penurunan atau kenaikan jangka panjang.Metode peramalan yang paling sesuai adalah regresi linier, exponential smoothing, atau double exponential smoothing.

Horison dan Periode PeramalanHorison peramalan: menunjukkan seberapa jauh ke depan peramalan dilakukan dan terkait dengan jangkauan perencanaan yang akan dilakukan (misal: setahun ke depan)Periode peramalan: menunjukkan basis waktu data peramalan (misal: bulanan)DATAFORECASTHorison PeramalanPeriode peramalan

Kriteria Performansi PeramalanRata-rata Kuadrat Kesalahan (Mean Square Error = MSE)MSE dihitung dengan menjumlahkan kuadrat semua kesalahan peramalan pada setiap periode dan membaginya dengan jumlah periode peramalan.

Rata-rata Deviasi Mutlak (Mean Absolute Deviation=MAD)MAD merupakan rata-rata kesalahan mutlak selama periode tertentu tanpa memperhatikan apakah hasil peramalan lebih besar atau lebih kecil dibandingkan kenyataannya.

Kriteria Performansi PeramalanRata-rata Kesalahan Peramalan (Mean Forecast Error = MFE)MFE sangat efektif untuk mengetahui apakah suatu hasil peramalan selama periode tertentu terlalu tinggi atau terlalu rendah. Bila hasil peramalan tidak bias maka nilai MFE akan mendekati nol.

Rata-rata Persentase Kesalahan Absolut (Mean Absolute Percentage Error = MAPE)MAPE merupakan ukuran kesalahan relatif yang memberikan informasi persentase kesalahan terlalu tinggi atau terlalu rendah. Kriteria Performansi Peramalan

Kriteria Performansi PeramalanDimana :At = permintaan aktual pada periode tFt = peramalan permintaan (forecast) padaperiode tn = jumlah periode peramalan yang terlibat

Metode peramalan terbaik adalah metode yang memiliki nilai error paling kecil

Tracking SignalSuatu pengukuran yang mengindikasi apakah rata-rata peramalan berada pada kondisi perubahan yang mengarah ke atas atau ke bawah terhadap permintaan aktual.

RSFE = running sum of forecast errorMAD = rata-rata error peramalan

Tracking Signal

Peramalan dan Analisa Deret Waktu

Analisa RegresiDalam peramalan dengan analisa regresi, ada 3 macam model, yaitu:Model Konstan, Model Linier, Model Kuadratis.

Metode peramalan yang paling sering sesuai dalam analisa regresi adalah metode Least Square

Model KonstanModel Konstan atau Simpel Average, yaitu peramalan dalam satu periode akan sama dengan periode-periode lainnya.

Nilai error di peroleh dari selisih data aktual dengan data peramalane(t) = Y(t) Y(t)= Y(t) Dimana

Model LinierDiasumsikan bahwa trend yang terjadi adalah garis lurus, maka:

Metode KuadratisJika kita tidak tahu model apa yang paling tepat untuk mengolah data, gunakan model kuadratis.

dengan nilai error

Metode KuadratisFormulasi:

= (t2)2 n t4 = t Y(t) n t Y(t) = t2 Y(t) n t2 Y(t) = t t2 n t3 = (t)2 n t2

Least Square Method (metode kuadrat terkecil)Dengan menggunakan metode Least Square kita mencocokkan fungsi sekumpulan data. Fungsi tersebut cocok jika Standard Error of Estimate (SEE) tersebut terkecil.dimana:f = derajat kebebasan 1 untuk data konstan 2 untuk data linier 3 untuk data kuadratis

ContohDari data 12 bulan terakhir tercatat penjualan produk X

Chart1

140

159

136

157

173

181

177

188

154

179

180

160

t

dt

Sheet1

123456789101112

140159136157173181177188154179180160

Sheet1

0

0

0

0

0

0

0

0

0

0

0

0

t

dt

Sheet2

Sheet3

Metode Konstan

Metode Konstan= 16, 85 17

Metode Linier

Metode Linierdsf = 4416/1716 = 2,57 3 149 = 15,24 15

Metode Kuadratis

Metode Kuadratis = 26,29 26

Pemilihan Metode Terbaik dan Hasil PeramalanMetode yang dipilih adalah metode peramalan linierY(t) = 149 + 3.t

Moving Average(rata-rata bergerak)Moving average hanya menggunakan rata-rata data permintaan masa lampau dalam jumlah yang telah ditentukan sebelumnya.Umumnya dilakukan untuk pola data tanpa trend dan tidak bersifat musiman

Karakteristik moving average method:Moving average memiliki kecenderungan memberikan nilai lebih rendah pada kecenderungan permintaan naik. Begitu pula sebaliknyaSetiap data dianggap memiliki bobot yang sama, padahal lebih masuk akal bila data baru memiliki bobot yang lebih tinggiPrakiraan kesalahan meramalan Moving Average juga menggunakan persamaaan SEE dengan derajat kebebasan satu.

Moving Average(rata-rata bergerak)Moving average diperoleh dengan merata-rata permintaan berdasarkan beberapa data masalalu yang terbaruDisebut rata-rata bergerak karena begitu setiap data aktual permintaan baru deret waktu tersedia, maka data aktual permintaan yang paling terdahulu akan dikeluarkan dari perhitungan, kemudian nilai rata-rata baru akan dihitung.

Dimana At = permintaan aktual pada periode tN = jumlah data permintaan yang dilibatkan dalam perhitungan MA

Sehingga,

ContohPeramalan dengan MA tiga bulanan dan enam bulanan

Contoh Semakin besar nilai N maka semakin halus perubahan nilai MA dari periode ke periode, cocok untuk permintaan stabil Bila permintaan berubah secara signifikan dari waktu ke waktu, ramalan harus cukup agresif untuk mengantisipasi perubahan sehingga nilai N yang kecil akan lebih cocok

Weighted Moving Average(rata-rata bergerak dengan bobot)Secara matematis, WMA dapat dinyatakan sebagai berikut:WMA = Wt. Atdimana:Wt = bobot permintaan aktual pada periode tAt = permintaan aktual pada periode t

Dengan keterbatasan bahwa Wt = 1

CONTOHPerbandingan hasil peramalan MA dengan WMA

CONTOHBerdasarkan tabel diatas, bila:W1 = 0,25W2 = 0,25W3 = 0,5Maka dengan MA 3 bulanan, WMA pada bulan ketiga dapat dihitung sbb:

WMA = (0,25x450)+(0,25x440)+(0,5x460)= 452,5 453

Double Moving AverageUmumnya digunakan pada data dengan pola trendParameter model a dan b dicari dengan teknik double moving average

Moving average dilakukan dua tahap

Dinyatakan dengan MA(m x n): moving average of m period for n moving averaged data

Berdasarkan hasil perhitungan double moving average ini dihitung nilai parameter a dan b

ProsedurUntuk data penjualan dt, t = 1, 2, 3,.. NHitung moving average n periode sebagai berikut:

Hitung moving average m periode dari hasil moving average n periode tersebut sebagai berikut:

Hitung parameter model a dan b sebagai berikut:

Contoh:a7 = 2MA7 - MA7 = 2 (159.5) - 153.25 = 165.75b7 = 2 (MA7 - MA7) n - 1 = 2/ (4-1)*(159.5 - 153.25) = 4.166

Peramalan ???

PeriodSalesMA(4)MA(4x4)aba+bm(m=1)1140215931364157148.05173156.26131149.27177159.5153.2165.74.168188167.2158.06176.46.12169.99154162.5159.6165.31.91182.510179174.5165.9183.05.7011180175.2169.8180.63.5812160168.2170.1166.3-1.213182175.2173.3177.11.2914192178.5174.3182.62.7915224189.5177.8201.17.7516188196.5184.9208.07.7017198200.5191.2209.76.1618206204.0197.6210.34.2519203198.7199.9197.5-0.720238211.2203.6218.85.0821223.8822228.96

******