PERAMALAN DAN PERENCANAAN AGREGAT. MUHAMMAD WADUD, SE., M.Si MINGGU KE EMPAT

PERAMALAN DAN PERENCANAAN AGREGAT MUHAMMAD WADUD, SE., M.Si MINGGU KE EMPAT

POKOK BAHASAN • PENGERTIAN PERAMALAN • PENTINGNYA STRATEGI PERAMALAN • TUJUH LANGKAH DALAM PERAMALAN • PENDEKATAN PERAMALAN

PERAMALAN ? seni dan ilmu pengetahuan dalam memprediksi peristiwa di masa yang akan datang

Sales will be $200 Million!

HORIZON WAKTU PERAMALAN • PERAMALAN JANGKA PENDEK – 1 TAHUN ATAU KURANG DARI 3 BULAN – PERENCANAAN PEMBELIAN, PENJADWALAN PEKERJAAN, LEVEL ANGKATAN KERJA, PENUGASAN PEKERJAAN, LEVEL PRODUKSI

• PERAMALAN JANGKA MENENGAH – 3 BULAN SAMPAI 3 TAHUN – PERENCANAAN PENJUALAN, PERENCANAAN PRODUKSI DAN PENGANGGARAN, PENGANGGARAN UANG KAS, ANALISIS VARIASI RENCANA OPERASIONAL

• PERAMALAN JANGKA PANJANG – 3 TAHUN ATAU LEBIH – PERENCANAAN PRODUK BARU, PENGELUARAN MODAL. LOKASI TEMPAT FASILITAS ATAU PERLUASAN, PENELITIAN DAN PENGEMBANGAN

TIPE PERAMALAN • PERAMALAN EKONOMI – SIKLUS BISNIS, MISAL TINGKAT INFLASI, UANG YANG BEREDAR, PEMBANGUNAN PERUMAHAN.

• PERAMALAN TEKNOLOGI – TINGKAT PERKEMBANGAN TEKNOLOGI – PRODUK BARU YANG LEBIH MENARIK

• PERAMALAN PERMINTAAN – PERAMALAN TERHADAP PENJUALAN PERUSAHAAN UNTUK MASING-MASING PERIODE WAKTU DALAM HORIZON PERENCANAAN

PERAMALAN EKONOMI DAN TEKNOLOGI MERUPAKAN TEKNIK KHUSUS YANG AKAN BERADA DILUAR PERANAN MANAJER OPERASIONAL. FOKUS KITA HANYA PADA PERAMALAN PERMINTAAN

PERAMALAN PERMINTAAN • URGENSI : PERAMALAN HANYA MERUPAKAN ESTIMASI ATAS PERMINTAAN HINGGA PERMINTAAN AKTUAL MENJADI DIKETAHUI. • DAMPAK PERAMALAN PERMINTAAN PRODUK PADA 3 AKTIVITAS : – MANAJEMEN RANTAI PASOKAN – SDM – KAPASITAS

© 2004 by Prentice Hall, Inc., Upper Saddle River, N.J. 07458

4-6

•

• •

MRP : HUBUNGAN YANG BAIK DENGAN PEMASOK DAN MENJAMIN KEUNGGULAN DALAM INOVASI PRODUK, BIAYA DAN KECEPATAN PADA PANGSA PASAR BERGANTUNG PADA PERAMALAN YANG AKURAT SDM : PERENGKRUTAN, PELATIHAN, DAN PENEMPATAN PARA PEKERJA SEMUANYA BERGANTUNG PADA PERMINTAAN YANG DIANTISIPASI KAPASITA : KETIKA KAPASITAS TIDAK MEMADAI, MENGHASILKAN KEKURANGAN YANG DAPAT MENGARAHKAN PADA KEHILANGAN PARA KONSUMEN DAN PANGSA PASAR

 PERSYARATAN PERAMALAN :       

TEPAT WAKTU AKURAT DAPAT DIANDALKAN RASIONAL DALAM JUMLAH DILAKUKAN SECARA TERTULIS RAMALAN SEDERHANA UNTUK DIPAHAMI DAN DIGUNAKAN BIAYA YANG SELEKTIF


4-7

TUJUH LANGKAH DALAM SISTEM PERAMALAN • • • • •

MENENTUKAN PENGGUNAAN DARI PERAMALAN MEMILIH BARANG YANG AKAN DIRAMALKAN MENENTUKAN HORIZON WAKTU DARI PERAMALAN MEMILIH MODEL PERAMALAN MENGUMPULKAN DATA YANG DIPERLUKAN UNTUK MEMBUAT PERAMALAN • MEMBUAT PERAMALAN • MEMVALIDASI DAN MENGIMPLEMENTASIKAN HASILNYA


4-8

Realities of Forecasting • Forecasts are seldom perfect (faktor diluar yang tidak dapat kita diprediksikan atau dikendalikan sering kali mempengaruhi permintaan) • Most forecasting methods assume that there is some underlying stability in the system (sebagian besar teknik peramalan mengasumsikan bahwa terdapat beberapa stabilitas yang mendasar di dalam sistem) • Both product family and aggregated product forecasts are more accurate than individual product forecasts (baik produk keluarga maupun peramalan yang menyeluruh lebih akurat daripada peramalan produk individual)


4-9

PENDEKATAN PERAMALAN • PERAMALAN KUANTITATIF, – TERDIRI ATAS INPUT SUBJEKTIF YANG SERING KALI MELANGGAR URAIAN ANGKA YANG TEPAT.

• PERAMALAN KUALITATIF, – MELIPUTI PROYEKSI DATA HISTORIS ATAU PENGEMBANGAN MODEL ASOSIATIF YANG BERUPAYA MEMANFAATKAN VARIABEL SEBAB AKIBAT UNTUK MEMBUAT PERAMALAN


4-10

TEKNIK PERAMALAN • RAMALAN BERDASARKAN PENILAIAN & OPINI – RAMALAN YANG MENGGUNAKAN INPUT-INPUT SUBJEKTIF SEPERTI OPINI DARI SURVEI KONSUMEN, STAF PENJUALAN, MANAJER, EKSEKUTIF DAN AHLI

• RAMALAN DERET BERKALA – RAMALAN YANG MEMPROYEKSIKAN POLA YANG DIIDENTIFIKASI PADA OBSERVASI DERET BERKALA PADA WAKTU TERBARU

• MODEL ASOSIATIF – MODEL PERAMALAN YANG MENGGUNAKAN VARIABEL PENJELAS UNTUK MEMPREDIKSI PERMINTAAAN MASA DEPAN © 2004 by Prentice Hall, Inc., Upper Saddle River, N.J. 07458

4-11

RAMALAN BERDASARKAN PENILAIAN DAN OPINI • OPINI EKSEKUTIF – SEBUAH TEKNIK PERAMALAN YANG MENGGUNAKAN OPINI SEKELOMPOK KECIL DARI PARA MANAJER MUMPUNI UNTUK MEMBUAT SEKUMPULAN ESTIMASI PERMINTAAN

• OPINI TENAGA PENJUALAN – SEBUAH TEKNIK PERAMALAN YANG BERDASARKAN PADA ESTIMASI WIRANIAGA TERHADAP PENJUALAN YANG DIHARAPKAN

• SURVEI KONSUMEN – SEBUAH METODE PERAMALAN YANG MEMINTA INPUT DARI PARA PELANGGAN ATAU PELANGGAN POTENSIAL YANG MEMPERHATIKAN RENCANA PEMBELIAN PADA MASA DEPAN

• METODE DELPHI – SEBUAH TEKNIK PERAMALAN YANG MENGGUNAKAN SEKELOMPOK PROSES YANG MEMPERBOLEHKAN PARA AHLI UNTUK MEMBUAT PERAMALAN


4-12

RAMALAN DIDASARKAN PADA DATA DERET BERKALA •

•

•

•

• •

TREND, PERGERAKAN DATA JANGKA PANJANG KE ATAS ATAU KE BAWAH (PERGESERAN POPULASI, PERUBAHAN PENDAPATAN, PERUBAHAN BUDAYA) SEASONALITY, MENGACU PADA VARIASI TERATUR JANGKA PENDEK SECARA WAJAR YANG BIASANYA BERKAITAN DENGAN FAKTOR-FAKTOR SEPERTI KALENDER ATAU WAKTU DALAM HARI. CYCLE, VARIASI BERBENTUK GELOMBANG DENGAN JANGKA WAKTU LEBIH DARI SATU TAHUN IRREGULAR VARIATIONS, DISEBABKAN KONDISI-KONDISI TIDAK BIASA SEPERTI KONDISI CUACA PARAH, SERANGAN, ATAU PERUBAHAN UTAMA PADA PRODUK ATAU JASA. RANDOM VARIATIONS, SISA VARIASI YANG TETAP ADA SETELAH SEMUA PERILAKU LAINNYA DIPERHITUNGKAN PENDEKATAN NAIF, RAMALAN UNTUK SETIAP PERIODE YANG SAMA DENGAN NILAI AKTUAL DARI PERIODE SEBELUMNYA


4-13

Trend Component

Response

• Persistent, overall upward or downward pattern • Due to population, technology etc. • Several years duration

Time


4-14

Seasonal Component

Response

• Regular pattern of up & down fluctuations • Due to weather, customs etc.

Summer

Time © 2004 by Prentice Hall, Inc., Upper Saddle River, N.J. 07458

4-15

Cyclical Component • Repeating up & down movements • Due to interactions of factors influencing economy • Usually 2-10 years duration Response

Cycle

Time


4-16

Permintaan untuk produk aatau jasa

Product Demand ...PENDEKATAN AWAM (NAIVE APPROACH) KOMPONEN KECENDRUNGAN

PUNCAK MUSIMAN

Garis permintaan aktual

Permintaan rata-rata selama lebih dari 4 tahun

Variasi acak

Year 1

Year 2

Year 3


Year 4 4-17

RUMUSAN PERAMALAN DIBAWAH INI.......................

..... © 2004 by Prentice Hall, Inc., Upper Saddle River, N.J. 07458

4-18

Simple Moving Average / PERGERAKAN RATA-RATA Pergerakan rata2



 Permintaan dalam perode n sebelumnya n

sebuah metode peramalan yang menggunakan rata-rata dari periode yang terkini n terhadap data untuk meramal periode selanjutnya ft = ramalan untuk periode waktu t at-1 = nilai aktual pada periode t – 1 n = jumlah periode (titik data) dalam rata-rata bergerak

Ft

=

A t–1 + A

+A

t–3

A t–1 + A t–2 + A

t–3

t–2

+A

t–4

4

Ft

=

3


4-19

Contoh Bulan

Penjualan aktual gudang

Pergerakan ratarata 3 bulanan

PERAMALAN

Januari

10

Februari

12

Maret

13

April

16

(10+12+13)/3 =

11 2/3

Mei

19

DST

DST

Juni

23

Juli

26

Agustus

30

September

28

Oktober

18

November

16

Desember

14


4-20

Weighted Moving Average (RATA-RATA BOBOT) WMA =

Σ (Weight for period n) (Demand in period n) Σ Weights

Ft

= .4A t–1 + .3A t–2 + .2A t–3 + .1A

Ft

= .7A t–1 + .2A t–2 + .1A t–3


t–4

4-21

CONTOH Bulan

Penjualan aktual gudang

Pergerakan rata-rata 3 bulanan

PERAMAL AN

Januari

10

Februari

12

Maret

13

April

16

(3X13)+(2X12)+(10) / 6=

12 1/6

Mei

19

(3X16)+(2X13)+(12) / 6=

14 1/3

Juni

23

DST

DST

Juli

26

Agustus

30

September

28

Oktober

18

November

16

Desember

14 4-22

KEDUA PERAMALAN DIATAS, MENYAJIKAN 3 PERMASALAHAN • Meningkatkan Ukuran N (Jumlah periode yang dirata-rata) yang melancarkan fluktuasi dengan lebih baik, tetapi membuat metode menjadi sedikit senstitif pada perubahan dalam data. • Pergerakan rata-rata tidak dapat mengambil kecendrungan dengan sangat bagus, karena mereka dalam rata-rata, mereka akan selalu tetap ada di dalam level sebelumnya dan tidak akan memprediksikan perubahan level yang lebih tinggi atau lebih rendah mereka meninggalkan nilai aktual • Pergerakan rata-rata memerlukan catatan data masa sebelumnya yang ekstensif

4-23

Exponential Smoothing Method Metode penghalusan eksponensial

 Metode peramalan pergerakan rata-rata bobot lainnya atau teknik peramalan dimana poin-poin data ditimbang oleh sebuah fungsi eksponensial  Form of weighted moving average  

Weights decline exponentially Most recent data weighted most

 Requires smoothing constant ()  

Ranges from 0 to 1 Subjectively chosen

 Involves little record keeping of past data © 2004 by Prentice Hall, Inc., Upper Saddle River, N.J. 7458

4-24

Exponential Smoothing Forecast =

Ft

 (Demand last period) + (1 –  ) ( Last forecast)

=  A t–1 + (1 – ) (F t–1) =  A t–1 + F t–1 –  F t–1 = F t–1 +  (A t–1 – F t–1)

Forecast =

Last forecast +  (Last demand – Last forecast) 4-25

Exponential Smoothing with Trend Adjustment Forecast = Exponentially smoothed forecast (Ft ) + Exponentially smoothed trend (Tt ) Tt =  (Forecast this period – Forecast last period) + (1- ) (Trend estimate last period)

= (Ft - Ft-1) + (1- )Tt-1


4-26

Seasonal Variation Quarter

1 2 3 4 Total Average

Year 1

Year 2

Year 3

Year 4

45 335 520 100

70 370 590 170

100 585 830 285

100 725 1160 215

1000 250

1200 300

1800 450

2200 550

Actual Demand Seasonal Index = Average Demand

=

45 250

= 0.18

Forecast for Year 5 = 2600 4-27

Seasonal Variation Quarter

1 2 3 4

Year 1

Year 2

45/250 = 0.18 335/250 = 1.34 520/250 = 2.08 100/250 = 0.40

70/300 = 0.23 370/300 = 1.23 590/300 = 1.97 170/300 = 0.57

Year 3

Year 4

100/450 = 0.22 100/550 = 0.18 585/450 = 1.30 725/550 = 1.32 830/450 = 1.84 1160/550 = 2.11 285/450 = 0.63 215/550 = 0.39

Quarter

Average Seasonal Index

Forecast

1 2 3 4

(0.18 + 0.23 + 0.22 + 0.18)/4 = 0.20 (1.34 + 1.23 + 1.30 + 1.32)/4 = 1.30 (2.08 + 1.97 + 1.84 + 2.11)/4 = 2.00 (0.40 + 0.57 + 0.63 + 0.39)/4 = 0.50

650(0.20) = 130 650(1.30) = 845 650(2.00) = 1300 650(0.50) = 325

4-28

Linear Regression Factors Associated with Our Sales • Advertising • Pricing • Competitors

Sales

• Economy • Weather

Independent Variables

Dependent Variable 4-29

Sales (in $ hundreds of thousands)

Scatter Diagram Sales vs. Payroll 4

3 2

Now What?

1

0

0

1

2

3

4

5

6

7

8

Area Payroll (in $ hundreds of millions) 4-30

Types of Forecasts by Time Horizon • Short-range forecast – Up to 1 year; usually less than 3 months – Job scheduling, worker assignments

• Medium-range forecast – 3 months to 3 years – Sales & production planning, budgeting

Time Series

Associative Qualitative

• Long-range forecast – 3+ years – New product planning, facility location 4-31

Forecast Error


4-32

Forecast Error E t = A t – Ft

–3 +5


4-33

Forecast Error - CFE CFE – Cumulative sum of Forecast Errors

CFE =  Et •Positive errors offset negative errors •Useful in assessing bias in a forecast © 2004 by Prentice Hall, Inc., Upper Saddle River, N.J. 07458

4-34

Forecast Error - MSE MSE – Mean Squared Error

MSE =  Et n

2

Accentuates large deviations


4-35

Forecast Error - MAD MAD – Mean Absolute Deviation

MAD =

 |Et | n

Widely used, well understood measurement of forecast error

4-36

Forecast Error - MAPE MAPE – Mean Absolute Percent Error

MAPE =

100

 |Et | / At n

Relates forecast error to the level of demand

4-37

Forecast Error Et = A t – Ft

CFE =  Et MSE =

 Et

2

n MAD =

 |Et | n

MAPE = 100  |Et | / At n 4-38

Monitoring & Controlling Forecasts We need a TRACKING SIGNAL to measure how well the forecast is predicting actual values

TS = Running sum of forecast errors (CFE) Mean Absolute Deviation (MAD) =

 Et

 | Et | / n © 2004 by Prentice Hall, Inc., Upper Saddle River, N.J. 07458

4-39

Plot of a Tracking Signal Signal exceeded limit

+

Upper control limit

0 -

Tracking signal CFE / MAD

Acceptable range Lower control limit Time


4-40

Forecasting in the Service Sector Presents unusual challenges – special need for short term records – needs differ greatly as function of industry and product – issues of holidays and calendar – unusual events

4-41

Forecast of Sales by Hour for Fast Food Restaurant 20

15

10

5

0 +11-12 +1-2

11-12 12-1 1-2 2-3

+3-4

+5-6

3-4 4-5 5-6

+7-8

+9-10

6-7 7-8 8-9 9-10 10-11 4-42

Summary •

Demand forecasts drive a firm’s plans - Production - Capacity - Scheduling

•

Need to find the forecasting method(s) that best fit our pattern of demand – no one right tool - Qualitative methods e.g. customer surveys - Time series methods (quantitative) rely on historical demand to predict future demand - Associative models (quantitative) use historical data on independent variables to predict demand e.g. promotional campaign

•

Track forecast error to determine if forecasting model requires change


4-43

PERAMALAN DAN PERENCANAAN AGREGAT. MUHAMMAD WADUD, SE., M.Si MINGGU KE EMPAT

Recommend Documents