Bab 3-4 Peramalan
Peramalan
Memprediksi peristiwa masa depan
Biasanya memerlukan kebiasaan selama jangka waktu tertentu metode kualitatif Berdasarkan metode yang subjektif Metode kuantitatif
Berdasarkan rumus matematika
Peran Strategis Peramalan
Fokus pada manajemen supply chain Peran jangka pendek permintaan produk Peran jangka panjang produk baru , proses , dan teknologi Fokus pada Total Quality Management Memuaskan permintaan pelanggan liran produk terganggu dengan tidak ada item yang cacat Diperlukan untuk perencanaan strategis
Komponen Peramalan
Jarak Waktu Jangka pendek , menengah , panjang Perilaku permintaan Tren , siklus , pola musiman , random
Jarak Waktu Jangka pendek- menengah harian, mingguan bulanan Lebih dari 2 t ahun
Jangka panjang Perencanaan strategis tujuan , produk , pasar Perencanaan melampaui 2 tahun ke depan
Perilaku permintaan
Trend gradual, perubahan jangka panjang ke atas atau bawah Cycle Perubahan ke atas atau ke bawah berulang selama jangka waktu yang lam Seasonal pattern gerakana pola musiman osilasi periodik dalam permintaan yang berulang Random movements follow no pattern
Bentuk Gerakan Peramalan
Metode Peramalan
Time series Regression or causal modeling Qualitative methods Pertimbangan manajemen , keahlian , pendapat Menggunakan manajemen , pemasaran , pembelian , teknik Delphi method Berdasarkan perkiraan dari para ahli
Proses Peramalan
Metode Time Series Metode statistik menggunakan data historis Moving average Exponential smoothing Linear trend line
Demand?
Asumsi Pola berulang Naive forecasts Forecast = data dari data periode terakhir
Moving Average Beberapa periode rata-rata data menghaluskan perubahan Digunakan ketika permintaan stabil tanpa kecenderungan atau pola musiman
Moving Average n
i = 1 MAn =
Di
n
Dimana n = jumlah periode moving averag Di = permintaan pada periode I
Exponential Smoothing
Averaging method Bobot data yang terbaru lebih kuat Bereaksi lebih untuk perubahan terbaru Banyak digunakan , metode yang akurat
Exponential Smoothing Ft +1 = Dt + (1 - )Ft
Dimana Ft +1 = peramalan untuk periode berikutnya Dt = permintaan aktual untuk periode sekarang Ft = sebelumnya ditentukan perkiraan untuk periode sekarang = faktor bobot , konstanta smoothing
Effect of Smoothing Constant 0.0 1.0 If = 0.20, then Ft +1 = 0.20 Dt + 0.80 Ft If = 0, then Ft +1 = 0 Dt + 1 Ft 0 = Ft Forecast does not reflect recent data
If = 1, then Ft +1 = 1 Dt + 0 Ft = Dt Forecast based only on most recent data
Linear Trend Line y = a + bx where a b x y
= = = =
intercept (at period 0) slope of the line the time period forecast for demand for period x
Linear Trend Line y = a+xybx - nxy b = x2 - nx2
where a b x y
= intercept 0) a = (at y - period bx = slope of the line = where the time period n =for number of periods = forecast demand for period x x x = = mean of the x values n y y = n = mean of the y values
Linear Trend Line 70 – 60 –
Demand
50 – 40 – 30 –
20 – 10 – 0–
| 1
Example 8.5
| 2
| 3
| 4
| 5
| | 6 7 Period
| 8
| 9
| 10
| 11
| 12
| 13
Seasonal Adjustments Repetitive increase/ decrease in demand Use seasonal factor to adjust forecast
Seasonal Adjustments Repetitive increase/ decrease in demand Use seasonal factor to adjust forecast Di Seasonal factor = Si = D
Forecast Accuracy Error = Actual - Forecast Find a method which minimizes error Mean Absolute Deviation (MAD) Mean Absolute Percent Deviation (MAPD) Cumulative Error (E)
Mean Absolute Deviation (MAD) Dt - Ft MAD = n where
t = the period number Dt = demand in period t Ft = the forecast for period t n = the total number of periods = the absolute value
Other Accuracy Measures Mean absolute percent deviation (MAPD) |Dt - Ft| MAPD = Dt Cumulative error E = et Average error et E= n
Comparison of Forecasts FORECAST
MAD
MAPD
E
(E)
Exponential smoothing ( = 0.30) Exponential smoothing ( = 0.50) Adjusted exponential smoothing ( = 0.50, = 0.30) Linear trend line
4.85 4.04 3.81
9.6% 8.5% 8.1%
49.31 33.21 21.14
4.48 3.02 1.92
2.29
4.9%
–
–
Table 8.1
Forecast Control Reasons for out-of-control forecasts Change in trend Appearance of cycle Weather changes Promotions Competition Politics
Tracking Signal Menghitung setiap periode Membandingkan pada control limits
(Dt - Ft) E Tracking signal = = MAD MAD
control limits of +/- 2 to +/- 5 MAD
Tracking Signal Values PERIOD
DEMAND Dt
FORECAST, Ft
1 2 3 4 5 6 7 8 9 10 11 12
37 40 41 37 45 50 43 47 56 52 55 54
37.00 37.00 37.90 38.83 38.28 40.29 43.20 43.14 44.30 47.81 49.06 50.84
Example 8.8
ERROR Dt - Ft
– 3.00 3.10 -1.83 6.72 9.69 -0.20 3.86 11.70 4.19 5.94 3.15
E = (Dt - Ft)
MAD
– 3.00 6.10 4.27 10.99 20.68 20.48 24.34 36.04 40.23 46.17 49.32
– 3.00 3.05 2.64 3.66 4.87 4.09 4.06 5.01 4.92 5.02 4.85
Tracking Signal Values PERIOD
DEMAND Dt
1 2 3 4 5 6 7 8 9 10 11 12
37 40 41 37 45 50 43 47 56 52 55 54
Example 8.8
FORECAST, Ft
ERROR Dt - Ft
E = (Dt - Ft)
37.00 – – 37.00 3.00 3.00 37.90 3.10 6.10 38.83 -1.83 4.27 38.28 6.72 for period 10.99 3 Tracking signal 40.29 9.69 20.68 43.20 -0.20 6.10 20.48 43.14 TS3 = 3.86 =24.34 2.00 3.05 44.30 11.70 36.04 47.81 4.19 40.23 49.06 5.94 46.17 50.84 3.15 49.32
MAD
– 3.00 3.05 2.64 3.66 4.87 4.09 4.06 5.01 4.92 5.02 4.85
Tracking Signal Values PERIOD
DEMAND Dt
FORECAST, Ft
1 2 3 4 5 6 7 8 9 10 11 12
37 40 41 37 45 50 43 47 56 52 55 54
37.00 37.00 37.90 38.83 38.28 40.29 43.20 43.14 44.30 47.81 49.06 50.84
Example 8.8
ERROR Dt - Ft
– 3.00 3.10 -1.83 6.72 9.69 -0.20 3.86 11.70 4.19 5.94 3.15
E = (Dt - Ft)
MAD
– 3.00 6.10 4.27 10.99 20.68 20.48 24.34 36.04 40.23 46.17 49.32
– 3.00 3.05 2.64 3.66 4.87 4.09 4.06 5.01 4.92 5.02 4.85
TRACKING SIGNAL
– 1.00 2.00 1.62 3.00 4.25 5.01 6.00 7.19 8.18 9.20 10.17
Tracking Signal Plot Tracking signal (MAD)
3 – 2 – 1 – 0 –
-1 – -2 – -3 –
| 0 Example 8.8
| 1
| 2
| 3
| 4
| 5
| 6 Period
| 7
| 8
| 9
| 10
| 11
| 12
Statistical Control Charts =
(Dt - Ft)2 n-1
Menggunakan , dapat digunakan untuk menghitung batas kontrol statistik untuk kesalahan perkiraan Batas kontrol biasanya ditetapkan pada 3
