Tujuan Pembelajaran Forecasting (Peramalan) MANAJEMEN OPERASI: Manajemen Keberlangsungan & Rantai Pasokan Operations Management:

21/10/2015

Forecasting (Peramalan)

Tujuan Pembelajaran

4

1. Memahami 3 horizon waktu beserta model yang akan digunakan untuk masing-masing horizon tersebut 2. Menjelaskan kapan seharusnya menggunakan masing-masing dari 4 model kualitatif 3. Menerapkan metode naive, moving average, exponential smoothing, dan trend.

MANAJEMEN OPERASI: Manajemen Keberlangsungan & Rantai Pasokan

4. Menghitung ukuran akurasi peramalan 5. Membuat indeks musiman

Operations Management: Sustainability & Supply Chain Management

6. Menjalankan analisis regresi dan korelasi 7. Menggunakan sinyal pelacakan 4-1

Peramalan Memberikan Keunggulan Bersaing bagi Disney ►

►

►

Portofolio (investasi, produk, layanan, proyek) global termasuk taman-taman Disney di Hong Kong, Paris, Tokyo, Orlando, dan Anaheim Pendapatan ditentukan oleh orang – berapa banyak pengunjung dan seberapa banyak mereka membelanjakan uangnya Laporan manajemen harian hanya berisi ramalan dan jumlah aktual pengunjung di masing-masing objek (taman) 4-3

4-2


Disney membuat ramalan harian, mingguan, bulanan, tahunan, dan 5 tahunan

►

Ramalan digunakan oleh manajemen tenaga kerja, pemeliharaan, operasi, keuangan, dan penjadwalan objek (taman)

►

Ramalan digunakan untuk mengatur jam buka, wahana, pertunjukan, pengaturan staf, dan tamu yang datang. 4-4

1

21/10/2015


20% pelanggan datang dari luar Amerika

►

Model ekonomi untuk peramalan menyertakan unsur produk domestik bruto, nilai tukar, dan jumlah kunjungan ke Amerika

►

Setiap tahun, sebuah tim terdiri dari 35 orang analisis dan 70 orang petugas lapangan mensurvei 1 juta pengunjung taman Disney, karyawan, dan biro-biro perjalanan profesional


Beberapa input untuk model peramalan termasuk maskapai penerbangan, kebijakan cadangan negara, tren di Bursa Wall Street, jadwal liburan dari 3000 distrik sekolah di seluruh dunia

►

Error ramalan rata-rata untuk ramalan 5 tahunan sebesar 5%.

►

Error ramalan rata-rata untuk ramalan tahunan berkisar antara 0% hingga 3%

4-5

4-6

Peramalan (Forecasting) ▶ Peramalan: ilmu dan seni untuk memprediksi kejadian-kejadian di masa mendatang ▶ Bahan baku: data historis

▶ Permalan menjadi dasar semua keputusan bisnis: ▶ Produksi ▶ Persediaan

??

▶ SDM ▶ Fasilitas

▶ Manfaat peramalan pada 3 fungsi organisasi: ▶ Fungsi Keuangan dan akuntansi: menyediakan dasar perencanaan budget dan pengendalian biaya.

▶ Fungsi Pemasaran: merencanakan produk baru. ▶ Fungsi Produksi dan Operasi: perencanaan produksi, penjadwalan, inventori, proses, layout fasilitas; dan SDM.

7

4-7

8

4-8

2

21/10/2015

3 Horizon Waktu Permalan 1. Jangka pendek (short-term): umumnya kurang dari 3 bulan hingga 1 tahun. ▶ Berkaitan dengan permintaan (pembelian, tingkat produksi, penjadwalan produksi, penjadwalan tenaga kerja) ▶ Banyak menggunakan metode kuantitatif (rata-rata bergerak, exponential smoothing). ▶ Ketepatan ramalan lebih akurat dibandingkan dengan peramalan jangka menengah dan panjang. 9

2. Jangka menengah (medium-term): 3 bulan hingga 3 tahun. ▶ Untuk perencanaan penjualan, anggaran produksi, anggaran kas, berbagai rencana operasi. ▶ Ketepatan peramalan lebih rendah dibanding peramalan jangka pendek. 3. Jangka panjang (long-term): lebih dari 3 tahun ▶ Mempertimbangkan isu-isu yang komprehensif. ▶ Mendukung keputusan manajemen untuk perencanaan produk baru, belanja modal, pengembangan lokasi dan fasilitas, perencanaan proses, R & D ▶ Ketepatan peramalan lebih rendah dibanding peramalan jangka menengah.

4-9

4 - 10

Pengaruh Product Life Cycle

Product Life Cycle Introduction

Introduction – Growth – Maturity – Decline Product life cycle berpengaruh terutama untuk peramalan jangka panjang.

►

Fase pengenaIan dan pertumbuhan memerlukan peramalan yang lebih panjang dibandingkan fase matang dan penurunan

►

Peramalan terhadap produk yang sedang melewati siklus hidup, sangat berguna untuk memproyeksikan: ►

Penetapan jumlah tenaga kerja

►

Tingkat inventori

►

Kapasitas pabrik

Strategi perusahaan

►

Periode terbaik untuk meningkatkan market share R&D engineering sangat kritis

Maturity

Decline

Waktu yang buruk Pengendalian untuk mengubah biaya menjadi imej, harga, atau kritis kualitas Penguatan ceruk Biaya bersaing pasar kritis Mempertahankan posisi pasar Drive-through Internet search engines restaurants DVDs

Xbox 360 iPods Boeing 787 Sales 3D printers 3-D game players

4 - 11

Growth Praktik untuk mengubah harga atau imej kualitas

Electric vehicles

Analog TVs

4 - 12

3

21/10/2015

Jenis-jenis Peramalan

Product Life Cycle

Strategi/Isu-isu OM

Introduction Desain dan pengembangan produk kritis Sreing terjadi perubahan desain produk dan prose Produksi berjalan singkat Bia produksi tinggi Model terbatas Perhatian pada kualitas

Growth Peramalan kritis Reliabilitas produk dan prosedur Perbaikan dan pilihan produk bersaing Peningkatan kapasitas Lebih fokus pada produk Meningkatan distribusi

Maturity Standarisasi Perubahan produk lebih sedikit, lebih banyak perubahan minor Kapasitas optimum Peningatan stabilitas proses Produksi berjalan lama Perbaikan produk dan biaya dipangkas

Decline Diferensiasi produk kecil Minimasi biaya Over kapasitas di industri Memangkas lini untuk mengurangi item-item yang tidak memberikan margin yang baik Mengurangi kapasitas

1. Economic forecasts ►

Berhubungan dengan siklus bisnis – tingkat inflasi, pertumbuhan ekonomi, ketersediaan pendanaan, dan lain-lain.

2. Technological forecasts ►

Memprediksi tingkat kemajuan teknologi

►

Dampak pengembangan produk baru

3. Demand forecasts ►

Memprediksi penjualan produk dan jasa yang ada sekarang.

4 - 13

7 Langkah Peramalan

Pentingnya Peramalan secara Strategik ►

► ►

4 - 14

1. Menetapkan tujuan (penjadwalan?, inventori?, budget? SCM?) 2. Memilih unsur yang akan diramal (permintaan aggregat?, permintaan per kelompok produk?, permintaan per wilayah? kebutuhan SDM?) 3. Menentukan horison waktu 4. Memilih model / metode pendekatan 5. Mengumpulkan data 6. Membuat peramalan 7. Validasi dan implementasi hasil

Supply-Chain Management – relasi suplier yang baik, keunggulan dalam inovasi produk, biaya dan kecapatan terhadap pasar SDM – rekrut, training, PHK Kapasitas– Kekurangan kapasitas dapat mengakibatan pengiriman yang tidak dapat dipercaya, kehilangan pelanggan, dan kehilangan market share 4 - 15

4 - 16

4

21/10/2015

Realitas!

Pendekatan Peramalan

▶ Tidak ada peramalan yang sempurna. ▶ Tidak ada metode pendekatan peramalan yang paling baik. ▶ Peramalan menghabiskan biaya dan waktu mulai dari perencanaan hingga pengawasan. ▶ Perencanaan keluarga produk atau agregatif umumnya lebih akurat dibandingkan peramalan produk individual.

Metode Kualitatif ►

Bersifat lebih subyektif

►

Digunakan bila dalam situasi yang tidak begitu jelas dan data yang tersedia minim

►

Contoh: peramalan produk baru, teknologi baru

►

Termasuk di dalamnya: intuisi, pengalaman ►

4 - 17

Forecasting Approaches

4 - 18

Ikhtisar Metode Kualitatif

Metode Kuantitatif ► Bersifat lebih obyektif ► Digunakan untuk situasi stabil dengan data tersedia yang cukup ► Contoh: peramalan produk yang ada, teknologi saat ini. ► Termasuk di dalamnya peramalan dengan teknik matematik ►

Contoh:peramalan penjualan di internet

1. Opini juri eksekutif ►

Pendapat kelompok dari para ahli tingkat tinggi, terkadang juga ditambah dengan model statistik

2. Metode Delphi ►

Panel ahli, pertanyaan iteratif

Contoh: peramalan televisi warna 4 - 19

4 - 20

5

21/10/2015

Opini Juri Eksekutif 3. Gabungan tenaga penjual ►

Estimasi dari tenaga penjual individual ditelaah kewajarannya, kemudian digabung (diagregasi)

4. Suvei Pasar ►

►

Grup kecil terdiri dari pakar dan manajer

►

Bekerjasama mengestimasi permintaan

►

Mengkombinasikan pengalaman manajerial dan model statistik

►

Dapat dilakukan dengan relatif cepat

►

Sisi negatif: muncul “pikiran kelompok”

Bertanya langsung pada pelanggan

4 - 21

4 - 22

Gabungan Tenaga Penjual

Metode Delphi ►

Proses grup iteratif, dikerjakan terus hingga konsensus dicapai

Pembuat Keputusan (Mengevaluasi responden dan membuat keputusan

Staf (mengadministrasi survey) ►

3 tipe peserta: ►

Pembuat keputusan

►

Staf

►

Responden

Responden (Memberikan pendapat/ pertimbangan) 4 - 23

►

Masing-masing tenaga penjual memproyeksikan penjualannya

►

Mengkombinasikan penjualan tingkat wilayah dan tingkat nasional

►

Penjual merepresentasikan apa yang diinginkan konsumen

►

Cenderung sangat optimistik 4 - 24

6

21/10/2015

Ikhtisar Metode Kuantitatif

Survei Pasar ►

►

►

►

Menanyakan kepada konsumen tentang rencana pembelian

1. Metode Naive

Sangat berguna untuk perancangan dan perencanaan permintaan dan desain produk

2. Moving average 3. Exponential smoothing

Seringkali apa yang dikatakan konsumen berbeda dengan kenyataannya

Model TimeSeries

4. Proyeksi Trend 5. Regresi Linier

Model Asosiatif

Cenderung optimistik 4 - 25

Peramalan Time-Series

4 - 26

Komponen Time-Series

▶ Kumpulan data numerik yang diperoleh dari waktu ke waktu dalam selang yang tetap ▶ Diperoleh dari observasi terhadap variabel yang menjadi interes dalam periode waktu reguler

Trend

Cyclical

Seasonal

Random

▶ Ramalan hanya didasarkan atas nilai masa lalu, dan tidak ada variabel penting lain yang mempengaruhi hasil

▶ Mengasumsikan bahwa faktor-faktor yang berpengaruh pada masa lalu dan saat ini akan tetap berpengaruh untuk masa yang akan datang 4 - 27

4 - 28

7

21/10/2015

Komponen Trend

Trend component Seasonal peaks

Actual demand

| 1

| 2

untuk beberapa tahun

Average demand over four years

Random variation | 3

▶ Data secara konsisten menunjukkan pola naik atau turun ▶ Perubahan disebabkan oleh populasi, teknologi, umur, budaya, dll ▶ Umumnnya terjadi

| 4

Quantity

Demand for product or service

Komponen Permintaan

Time

Year 4 - 29

Komponen Musiman (Seasonal)

4 - 30


 Fluktuasi ke atas atau ke bawah

dengan pola biasa  Disebabkan oleh musim, adatkebiasaan, dll.  Terjadi dalam interval 1 tahun

4 - 31

4 - 32

8

21/10/2015


Komponen Siklus  Pergerakan ke atas atau ke bawah secara

berulang  Dipengaruhi oleh faktor siklus bisnis, politik, ekonomi  Berlangsung dalam jangka waktu bertahuntahun  Seringkali merupakan hubungan sebabakibat 4 - 33

Komponen Random

Metode Naif (Naive) ▶ Metode ini mengasumsikan bahwa (ramalan) permintaan pada periode ini (Ft) sama dengan (aktual) permintaan periode sebelumnya (At-1). Ft = At-1 ▶ Metode ini cukup sederhana dan efektif, namun ramalan yang dihasilkan sangat kasar. ▶ Cukup baik sebagai starting point untuk peramalan.

 Flukstuasi tidak menentu, tidak

sistematis, ‘residual’  Disebabkan oleh variasi random atau kejadian-kejadian yang sulit diramal  Berdurasi pendek dan tidak berulang

M

T

W

4 - 34

T

F 4 - 35

4 - 36

9

21/10/2015

Metode Moving Average (Rata-rata Bergerak)


▶ Baik digunakan jika memenuhi asumsi: item yang diramal (misalnya: permintaan) akan stabil sepanjang masa peramalan. ▶ Ramalan untuk periode ke-t (Ft) dengan rata-rata bergerak n periode: n

A

t i

Ft 

i 1

n

di mana t > n, dan At adalah nilai aktual pada periode ke-t. ▶ Untuk n = 1, metode rata-rata bergerak ini disebut sebagai pendekatan naif

Bulan

Penjualan Aktual

Moving Average 3 Bulanan

January February March April May June July

10 12 13 16 19 23 26

(10 + 12 + 13)/3 = 11 2/3 (12 + 13 + 16)/3 = 13 2/3 (13 + 16 + 19)/3 = 16 (16 + 19 + 23)/3 = 19 1/3

4 - 37

4 - 38



30 28 26 24 22 20 18 16 14 12 10

450 —

– – – – – – – – – – –

Penjualan Aktual

| J

| F

| M

| A

| M

Kedatangan Pasien

Penjualan

Ramalan dengan MA

| J

| J

| A

| S

| O

| N

| D

430 — 410 — 390 — 370 —

0 4 - 39

MA 6 mingguan

MA 3 mingguan

Nilai Aktual | 5

| 10

| | 15 20 Minggu ke-

| 25

| 30 4 - 40

10

21/10/2015

Metode Weighted Moving Average (Rata-rata Bergerak dengan Pembobotan) ▶ Merupakan koreksi dari rata-rata bergerak untuk lebih fokus pada nilai terkini, yaitu dengan memberinya bobot lebih besar dibandingkan nilai yang lebih lama. ▶ Ramalan untuk periode ke-t (Ft) dengan ratarata bergerak terboboti n periode: n

 (n  1  i)  A

t i

Ft 

i 1

n



(n  1  i)

i 1

di mana t > n, dan At adalah nilai aktual pada periode ke-t.

Metode Weighted (RataBobotMoving Average Periode rata Bergerak3 dengan Pembobotan) Bulan Terakhir 2 1 6 Bulan

January February March April May June July

Penjualan Aktual

10 12 13 16 19 23 26

2 Bulan yang lalu 3 Bulan yang lalu Jumlah bobot Moving Average 3 Bulanan

[(3 x 13) + (2 x 12) + (10)]/6 = 121/6 [(3 x 16) + (2 x 13) + (12)]/6 = 141/3 [(3 x 19) + (2 x 16) + (13)]/6 = 17 [(3 x 23) + (2 x 19) + (16)]/6 = 201/2

4 - 41

Permintaan Penjualan

MA & WMA

MA & WMA Weighted moving average

30 – 25 – 20 –

Penjualan Aktual

15 –

Moving average

10 – 5 – |

J

4 - 42

|

|

|

|

|

|

|

|

|

|

|

F

M

A

M

J

J

A

S

O

N

D 4 - 43

▶ Kelemahan Moving Average: ▶ Terlalu banyak membutuhkan data masa lalu. ▶ Tidak bisa menggambarkan tren dengan baik karena hasil prediksinya tidak mungkin memberikan nilai yang lebih tinggi atau lebih rendah dari nilai-nilai sebelumnya. Mengapa? 4 - 44

11

21/10/2015

Metode Penghalusan Eksponensial (Exponential Smoothing) ▶ Merupakan pengembangan dari metode rata-rata bergerak, yaitu dengan menggunakan pembobotan berupa konstanta penghalusan (smoothing constant). ▶ Kelebihan metode ini: tidak banyak menggunakan data masa lalu. ▶ Ramalan untuk periode ke-t (Ft) dengan metode penghalusan eksponensial:

Metode Penghalusan Eksponensial (Exponential Smoothing) ▶ Di bidang bisnis,  biasanya berkisar dari 0,05 hingga 0,5. ▶ Untuk memberi bobot lebih pada data sekarang atau jika rata-rata cenderung berubah, maka gunakan  yang besar. ▶ Untuk memberi bobot yang lebih pada masa lalu, atau rata-rata cenderung stabil, maka gunakan  yang kecil.

Ft  Ft 1    ( At 1  Ft 1 )

di mana:

  : konstanta penghalusan sebagai bobot (0    1)  At : nilai aktual item yang diramal pada periode ke-t

▶ Jika  = 1, maka metode ini memberikan hasil yang sama dengan metode naif.

4 - 45

Metode Penghalusan Eksponensial (Exponential Smoothing)

4 - 46

Metode Penghalusan Eksponensial (Exponential Smoothing) ▶ Dampak dari berbagai nilai : 225 –

Ramalan

Permintaan

Prediksi permintaan = 142 mobil Permintaan aktual = 153 Konstanta smoothing  = .20 = 142 + .2(153 – 142) = 142 + 2.2 = 144.2 ≈ 144 mobil

 = .5

Permintaan Aktual

200 –

175 –  = .1

150 – | 1 4 - 47

|

|

|

|

|

|

|

|

2

3

4

5

6

7

8

9

Tri Wulan

4 - 48

12

21/10/2015

Metode Exponential Smoothing dengan Penyesuaian Tren (FIT)


▶ Exponential smoothing  firts order smoothing ▶ Exponential smoothing dengan penyesuaian tren  second order smoothing ▶ Kelemahan metode rata-rata bergerak (termasuk exponential smoothing): tidak bisa merespon tren.

▶ Contoh peramalan terhadap data yang mengandung trend yang dihitung menggunakan metode exponential smoothing dengan  = 0,4:

Periode 1 2 3 4 5

At 100 200 300 400 500

Ft 100 (given) 100 140 204 282

4 - 49

4 - 50

Metode Exponential Smoothing dengan Penyesuaian Tren (FIT) ▶ Perbaikan exponential smoothing dengan penyesuaian tren (FIT) adalah dengan menyesuaikan lag positif atau negatif pada tren:

FITt = Ft + Tt Ft =   At-1 + (1 – )  (Ft-1 + Tt-1) Tt =   (Ft – Ft-1) + (1 – )  Tt-1 Step 1: Hitung Ft Step 2: Hitung Tt Step 3: Hitung ramalan FITt = Ft + Tt

Metode Exponential Smoothing dengan Penyesuaian Tren (FIT) Ft

: ramalan dengan exponential smoothing periode t dengan menambahkan unsur tren: (1 – )  Tt-1.

Tt

: Tren dengan exponential smoothing pada periode t



: Konstanta penghalusan untuk rata-rata (0    1)



: Konstanta penghalusan untuk tren (0    1)

pada

Ft pada persamaan di atas sama dengan Ft untuk exponential smoothing plus (1 – ) Tt-1  tunjukkan!!

4 - 51

4 - 52

13

21/10/2015



(Untuk:  = 0,2;  = 0,4)

Bulan ke (t) 1 2 3 4 5 6 7 8 9 10

Permintaan Aktual (At) 12 17 20 19 24 21 31 28 36

Ft 11

Tt 2

FITt 13.00

Bulan ke (t) 1 2 3 4 5 6 7 8 9 10


Ft 11

Tt 2

Step 1: Ramalan bulan ke-2 F2 F2

= A1 + (1 - )(F1 + T1) = (.2)(12) + (1 - .2)(11 + 2) = 2.4 + 10.4 = 12.8 unit

4 - 53

Metode Exponential Smoothing dengan Penyesuaian Tren (FIT) Bulan ke (t) 1 2 3 4 5 6 7 8 9 10


Ft 11 12.80

Tt 2

FITt 13.00

Step 2: Tren bulan ke-2 T2 T2

= (F2 - F1) + (1 - )T1 = (.4)(12.8 - 11) + (1 - .4)(2) = .72 + 1.2 = 1.92 unit

4 - 55

FITt 13.00

4 - 54

Metode Exponential Smoothing dengan Penyesuaian Tren (FIT) Bulan ke (t) 1 2 3 4 5 6 7 8 9 10


Ft 11 12.80

Tt 2 1.92

FITt 13.00

Step 3: FIT bulan ke-2 FIT2 FIT2

= F2 + T1 = 12.8 + 1.92 = 14.72 unit

4 - 56

14

21/10/2015

Metode Exponential Smoothing dengan Penyesuaian Trend (FIT)



Ft 11 12.80 15.18 17.82 19.91 22.51 24.11 27.14 29.28 32.48

Tt 2 1.92 2.10 2.32 2.23 2.38 2.07 2.45 2.32 2.68

FITt 13.00 14.72 17.28 20.14 22.14 24.89 26.18 29.59 31.60 35.16

Permintaan Produk

35 –

Bulan ke (t) 1 2 3 4 5 6 7 8 9 10

Permintaan Aktual (At)

30 – 25 – 20 – 15 –

Ramalan ES dengan Tren (FITt) dengan  = .2 dan  = .4

10 – 5 – 0 – | 1

| 2

Pengaruh Musiman

1 2 3 4 Total Rata-rata

| 5

| 6

| 7

| 8

| 9 4 - 58

Pengaruh Musiman

Tahun 1

Tahun 2

Tahun 3

Tahun 4

45 335 520 100

70 370 590 170

100 585 830 285

100 725 1160 215

1 2 3 4

1000 250

1200 300

1800 450

2200 550

Total Rata-rata

Indeks Musiman =

| 4

Waktu (bulan)

4 - 57

Triwulan

| 3

Permintaan Aktual Permintana Rata-rata

Triwulan

Tahun 1

Tahun 2

Tahun 3

Tahun 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

Indeks Musiman =

4 - 59

45 250

= 0.18

4 - 60

15

21/10/2015

Pengaruh Musiman Triwulan 1 2 3 4

Pengaruh Musiman

Tahun 1

Tahun 2

Tahun 3

Tahun 4

45/250 = 0.18 335 520 100

70 370 590 170

100 585 830 285

100 725 1160 215

1200 300

1800 450

2200 550

Total Rata-rata

1000 250

Indeks Musiman =

45 250

Triwulan

1 2 3 4

Tahun 1

Tahun 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

Tahun 3

Triwulan

Rata-rata Indeks Musiman

1 2 3 4

(0.18 + 0.23 + 0.22 + 0.18)/4 = 0.20

= 0.18

4 - 61

4 - 62


Tahun 1

Tahun 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

Tahun 3

Tahun 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

Pengaruh Musiman Tahun 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

Triwulan 1 2 3 4

Tahun 1

Tahun 2

Tahun 3

Triwulan


Triwulan


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

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

4 - 63

Tahun 4

45/250 = 0.18Permintaan 70/300 =Tahunan 0.23 100/450 Perkiraan = 2600 = 0.22 100/550 = 0.18 335/250 = 1.34 370/300 Triwulanan = 1.23 585/450 = 1.30 Rata-rata Permintaan = 2600/4 = 650725/550 = 1.32 520/250 = 2.08 590/300 = 1.97 830/450 = 1.84 1160/550 = 2.11 100/250 = 0.40 170/300 = 0.57 285/450 = 0.63 215/550 = 0.39

Ramalan

4 - 64

16

21/10/2015


Tahun 1

Tahun 2

Pengaruh Musiman

Tahun 3

Tahun 4

45/250 = 0.18Annual 70/300 =Tahunan 0.23 100/450 Perkiraan Permintaan = 2600 = 0.22 100/550 = 0.18 Projected Demand = 2600 335/250 = 1.34 370/300 = 1.23= 2600/4 585/450 = 1.30 Rata-rata Permintaan Triwulanan = 2600/4 = 650725/550 = 1.32 Average Quarterly Demand = 650 520/250 = 2.08 590/300 = 1.97 830/450 = 1.84 1160/550 = 2.11 100/250 = 0.40 170/300 = 0.57 285/450 = 0.63 215/550 = 0.39

Triwulan


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

Ramalan 650(0.20) = 130

Triwulan 1 2 3 4

Tahun 1

Tahun 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

Tahun 3

Triwulan


Ramalan

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) = 650(1.30) = 650(2.00) = 650(0.50) =

4 - 65

Pengaruh Musiman 2013 Permintaan 2012 Permintaan 2011 Permintaan

Permintaan

130 – 120 –

130 845 1300 325

4 - 66

Forecasting Error

2014 Ramalan 140 –

Tahun 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

▶ Forcasting error (error peramalan) pada periode ke-t adalah Et: Et = At – Ft ▶ Estimasi forcasting error digunakan untuk: ▶ Memonitor nilai aktual yang tidak teratur atau outlier, yang seharusnya di evaluasi secara hati-hati dan bahkan ditolak dari data.

110 – 100 – 90 –

▶ Menentukan kapan metode forecasting tidak dapat digunakan untuk menelusuri nilai aktual sehingga harus diatur ulang.

80 – 70 – | J

| F

| M

| A

| M

| J

| J

| A

| S

| O

| N

| D

Waktu 4 - 67

▶ Menentukan nilai-nilai parameter (seperti n dan ) yang menyediakan forecasting dengan error paling 4 - 68 kecil.

17

21/10/2015

Forecasting Error

Forecasting Error

CFE : Cumulative Forcasting Error

MAD : Mean Absolute Deviation

MSE: Mean Square Error

MAPE: Mean Absolute Percent Error

Bulan

Aktual Barang Tak Terkirim

Ramalan ES dengan  = .10

1 2 3 4 5 6 7 8

180 168 159 175 190 205 180 182

175 175.5 174.75 173.18 173.36 175.02 178.02 178.22

Deviasi Absolut untuk  = .10

5.00 7.50 15.75 1.82 16.64 29.98 1.98 3.78 82.45


175 177.50 172.75 165.88 170.44 180.22 192.61 186.30


5.00 9.50 13.75 9.12 19.56 24.78 12.61 4.30 98.62

4 - 69

4 - 70

Forecasting Error MADAktual = Bulan

∑ |E t| Ramalan

Barang Tak Terkirim

ES n dengan  = .10


Untuk  180 = .10 →175 1 5.00 2 168 = 82.45/8 175.5 = 10.31 7.50 MAD 3

159

174.75

15.75

7 8

180 182

178.02 178.22

1.98 3.78 82.45

4 1.82 Untuk 175 = .50 →173.18 5 190 173.36 16.64 MAD = 98.62/8 = 12.33 6 205 175.02 29.98


175 177.50 172.75 165.88 170.44 180.22 192.61 186.30

Forecasting Error Deviasi Absolut untuk  = .50

5.00 9.50 13.75 9.12 19.56 24.78 12.61 4.30 98.62

∑ (Et)2 Ramalan MSE = Aktual ES n dengan Barang Bulan

Tak Terkirim

 = .10


Untuk  180 = .10 →175 1 5.00 2 168= 1,526.54/8 175.5 MSE =7.50 190.82 3

159

174.75

15.75

7 8

180 182

178.02 178.22

1.98 3.78 82.45 10.31

4 1.82 Untuk 175 = .50 →173.18 5 190 173.36 16.64 MSE = 1,561.91/8 = 195.24 6 205 175.02 29.98

MAD 4 - 71


175 177.50 172.75 165.88 170.44 180.22 192.61 186.30


5.00 9.50 13.75 9.12 19.56 24.78 12.61 4.30 98.62 12.33 4 - 72

18

21/10/2015

Forecasting Error

Forecasting Error

n

∑ [ |Et| 100] / At t=1 MAPE = Aktual Bulan

Barang Tak Terkirim

Ramalan ES n dengan  = .10



Untuk  180 = .10 →175 1 5.00 175 2 168MAPE 175.5 7.50= 5.59% 177.50 = 44.75/8 3

159

174.75

15.75

172.75

7 8

180 182

178.02 178.22

1.98 3.78 82.45 10.31 190.82

192.61 186.30

4 1.82 165.88 Untuk 175 = .50 →173.18 5 190 173.36 16.64 170.44 = 54.05/8 6 205 MAPE 175.02 29.98= 6.76% 180.22

MAD MSE


5.00 9.50 13.75 9.12 19.56 24.78 12.61 4.30 98.62 12.33 195.24

Bulan

Aktual Barang Tak Terkirim


1 2 3 4 5 6 7 8

180 168 159 175 190 205 180 182

175 175.5 174.75 173.18 173.36 175.02 178.02 178.22 MAD MSE MAPE

4 - 73

5.00 7.50 15.75 1.82 16.64 29.98 1.98 3.78 82.45 10.31 190.82 5.59%



175 177.50 172.75 165.88 170.44 180.22 192.61 186.30

5.00 9.50 13.75 9.12 19.56 24.78 12.61 4.30 98.62 12.33 195.24 6.76%4 - 74

Proyeksi Tren

▶ Merupakan peramalan tren dengan pendekatan regresi deret waktu dan metode estimasi Least Square. Yˆt  a  b X t di mana: Yˆt : hasil prediksi (ramalan) pada periode ke-t. Yt : nilai aktual pada periode ke-t. Xt : transformasi waktu untuk periode ke-t (Xt =...,1,2,3,...) a : konstanta regresi (intercept) b : koefisien regresi (slope

Nilai-nilai untuk Variabel Dependen

Proyeksi Tren


Observasi Aktual (nilai y)

Deviasi7

Deviasi5

Deviasi6

Deviasi3 Deviasi4 Deviasi1 (error)

Deviasi2

Garis Tren, ^y = a + bx

Periode Waktu 4 - 75

4 - 76

19

21/10/2015

Nilai-nilai untuk Variabel Dependen

Proyeksi Tren

Proyeksi Tren: Regresi Linier Tahun

Observasi Aktual (nilai y)

Deviasi7

Deviasi5

Deviasi6

Metode Kuadrat Terkeci (Least square) meminimalkan jumlah error (deviasi) kuadrat (sum squared error) Deviation

Deviasi3

4

2006 2007 2008 2009 2010 2011 2012

1 2 3 4 5 6 7 ∑x = 28 x=4

Deviasi1 Deviasi2

Periode Waktu (x)

Garis Tren, ^y = a + bx

b= Periode Waktu

Permintaan Energi Listrik (y)

1999 1 2000 2 2001Garis tren: 3 2002 4 ^ 2003 y 5= 56.70 2004 6 2005 7 Sx = 28 x=4 b=

+

Sy = 692 y = 98.86

Sxy - nxy Sx2 - nx2

x2

xy

1 4 9 16 25 36 49

74 158 240 360 525 852 854

Sx2 = 140

Sxy = 3,063

74 79 80 90 105 10.54x 142 122

3,063 - (7)(4)(98.86) =

140 - (7)(42)

a = y - bx = 98.86 - 10.54(4) = 56.70

∑xy - nxy ∑x2 - nx2

xy

1 4 9 16 25 36 49 ∑x2 = 140

74 158 240 360 525 852 854 ∑xy = 3,063

3,063 - (7)(4)(98.86) =

140 - (7)(42)

= 10.54 4 - 78

Proyeksi Tren

= 10.54

Permintaan Listrik

Proyeksi Tren Periode Waktu (x)

74 79 80 90 105 142 122 ∑y = 692 y = 98.86

x2

a = y - bx = 98.86 - 10.54(4) = 56.70

4 - 77

Tahun

Permintaan Energi Listrik (y)

160 150 140 130 120 110 100 90 80 70 60 50

Garis Tren, y^ = 56.70 + 10.54x

– – – – – – – – – – – – | 2006

4 - 79

| 2007

| 2008

| 2009

| | | | 2010 2011 20012 2013 Tahun

| 2014 4 - 80

20

21/10/2015

Least Squares Requirements

Associative Forecasting Used when changes in one or more independent variables can be used to predict the changes in the dependent variable

1. We always plot the data to insure a linear relationship 2. We do not predict time periods far beyond the database 3. Deviations around the least squares line are assumed to be random

Most common technique is linear regression analysis We apply this technique just as we did in the time-series example 4 - 81

4 - 82

Associative Forecasting Example

Associative Forecasting Forecasting an outcome based on predictor variables using the least squares technique ^

y = a + bx where y^ = value of the dependent variable (in our example, sales) a = y-axis intercept b = slope of the regression line x = the independent variable

NODEL’S SALES (IN $ MILLIONS), y

AREA PAYROLL (IN $ BILLIONS), x

NODEL’S SALES (IN $ MILLIONS), y

AREA PAYROLL (IN $ BILLIONS), x

2.0

1

2.0

2

3.0

3

2.0

1

2.5

4

3.5

7

Nodel’s sales (in$ millions)

4.0 – 3.0 – 2.0 – 1.0 –

0

|

|

|

|

|

|

|

1

2

3

4

5

6

7

Area payroll (in $ billions) 4 - 83

4 - 84

21

21/10/2015

Associative Forecasting Example SALES, y

PAYROLL, x

2.0

1

3.0

3

2.5

4

2.0

2

2.0

1

3.5

7

Σy = 15.0

Σx =

x=

b=

å xy - nxy

åx

2

- nx 2

=

Σx2 =

18

å x = 18 = 3 6

y=

6


x2

xy

SALES, y

1

2.0

2.0

1

9

9.0

3.0

3

16

10.0

2.5

4

4

4.0

2.0

2

1

2.0

2.0

1

1

2.0

49

24.5

3.5

7

49

24.5

51.5

Σy = 15.0

Σxy =

80

PAYROLL, x

Σx =

å y = 15 = 2.5 6

51.5 - (6)(3)(2.5) = .25 80 - (6)(32 )

x=

6

a = y - bx = 2.5 - (.25)(3) = 1.75

b=

å xy - nxy

åx

2

- nx 2

=

6

6

xy

1

2.0

9 yˆ = 1.75 + .25x 16

9.0 10.0

Sales = 1.75 4 + .25(payroll) 4.0

Σx2 =

18

å x = 18 = 3

x2

y=

51.5 - (6)(3)(2.5) = .25 80 - (6)(32 )

80

Σxy =

51.5

å y = 15 = 2.5 6

6

a = y - bx = 2.5 - (.25)(3) = 1.75

4 - 85

Associative Forecasting Example SALES, y 2.0 Nodel’s sales (in$ millions)

3.0

PAYROLL, x 4.0 –

2.0

4 1

1

2.0

3.5

7

49

24.5

1.0 –

Σx =

Σx2 =

18

|

|

å x 1= 18 =23 6

6

|

|

å

Σxy =

80 |

|

Sales (in $ millions) = 1.75 + .25(6) = 1.75 + 1.5 = 3.25

51.5

|

3 4 y 5 15 6 7 y =(in $ billions) = = 2.5 Area payroll

å xy - nxy = 51.5 - (6)(3)(2.5) = .25 b= 80 - (6)(3 ) å x - nx 2

If payroll next year is estimated to be $6 billion, then:

10.0

Sales = 1.75 4 + .25(payroll) 4.0

2

0

x=

16

9.0

2.5 3.0 – 2.0 2.0 2.0 –

Σy = 15.0

2

xy

1 9 yˆ = 1.75 + .25x

3


x2

1

2

6

4 - 86

Sales = $3,250,000

6

a = y - bx = 2.5 - (.25)(3) = 1.75 4 - 87

4 - 88

22

21/10/2015


Standard Error of the Estimate

3.0 – 2.0 –

Sales (in$ millions) = 1.75 + .25(6) 1.0 – = 1.75 + 1.5 = 3.25 |

0

1

|

|

|

|

|

2 3 4 5 6 Sales = $3,250,000 Area payroll (in $ billions)

A forecast is just a point estimate of a future value

►

This point is actually the mean of a probability distribution

|

4.0 – Nodel’s sales (in$ millions)

Nodel’s sales (in$ millions)

If payroll4.0 next – year is estimated to be $6 billion, then: 3.25

►

3.25 3.0 – Regression line,

yˆ =1.75+.25x

2.0 – 1.0 –

7 0

Figure 4.9

| 1

| 2

| 3

| 4

| 5

4 - 89

Standard Error of the Estimate S y,x = where

å( y - y )

| 6

| 7

Area payroll (in $ billions)

4 - 90

Standard Error of the Estimate Computationally, this equation is considerably easier to use

2

c

n-2 S y,x =

y = y-value of each data point yc = computed value of the dependent variable, from the regression equation

åy

2

- aå y - bå xy n-2

We use the standard error to set up prediction intervals around the point estimate

n = number of data points

4 - 91

4 - 92

23

21/10/2015

Correlation

Standard Error of the Estimate S y,x =

åy

2

- aå y - bå xy n-2

=

39.5 -1.75(15.0) - .25(51.5) 6-2

= .09375

►

►

= .306 (in $ millions) Nodel’s sales (in$ millions)

4.0 –

The standard error of the estimate is $306,000 in sales

►

3.25 3.0 – 2.0 –

How strong is the linear relationship between the variables? Correlation does not necessarily imply causality! Coefficient of correlation, r, measures degree of association

0

Values range from -1 to +1

►

1.0 – | 1

| 2

| 3

| 4

| 5

| 6

| 7

Area payroll (in $ billions) 4 - 93

4 - 94

Correlation Coefficient r=

Correlation Coefficient

nå xy - å xå y é 2 êënå x -

ùé å x úûêënå y 2 -

( )

2

Figure 4.10

y

(

ù å y úû

)

y

x

x

2

(a) Perfect negative correlation

y

(e) Perfect positive correlation

y

y

x

x

(b) Negative correlation

(d) Positive correlation

x (c) No correlation

High

4 - 95

Moderate

|

|

|

–1.0

–0.8

–0.6

|

Low |

Low

Moderate |

|

–0.4 –0.2 0 0.2 0.4 Correlation coefficient values

High

|

|

0.6

0.8

1.0

4 - 96

24

21/10/2015

Correlation

Correlation Coefficient y

Σy =

x

x2

xy

1

2.0

y2

2.0

1

3.0

3

9

9.0

9.0

2.5

4

16

10.0

6.25

2.0

2

4

4.0

4.0

2.0

1

1

2.0

4.0

3.5

7

49

24.5

12.25

15.0

Σx =

18

Σx2 =

80

Σxy =

51.5

►

4.0

Σy2 =

39.5

(6)(51.5) – (18)(15.0) é(6)(80) – (18)2 ùé(16)(39.5) – (15.0)2 ù ë ûë û

r=

=

309 - 270 (156)(12)

=

39 1,872

=

Coefficient of Determination, r2, measures the percent of change in y predicted by the change in x ►

Values range from 0 to 1

►

Easy to interpret

For the Nodel Construction example: r = .901 r2 = .81

39 = .901 43.3 4 - 97

Multiple-Regression Analysis If more than one independent variable is to be used in the model, linear regression can be extended to multiple regression to accommodate several independent variables

4 - 98

Multiple-Regression Analysis In the Nodel example, including interest rates in the model gives the new equation:

yˆ = 1.80 +.30x1 - 5.0x2 An improved correlation coefficient of r = .96 suggests this model does a better job of predicting the change in construction sales

yˆ = a + b1x1 + b2 x2 Computationally, this is quite complex and generally done on the computer

Sales = 1.80 + .30(6) - 5.0(.12) = 3.00 Sales = $3,000,000 4 - 99

4 - 100

25

21/10/2015

Monitoring and Controlling Forecasts

Monitoring and Controlling Forecasts

Tracking Signal ►

Measures how well the forecast is predicting actual values

►

Ratio of cumulative forecast errors to mean absolute deviation (MAD)

Cumulative error MAD

Tracking = signal

=

å(Actual demand in period i -Forecast demand in period i) å Actual -Forecast n

►

Good tracking signal has low values

►

If forecasts are continually high or low, the forecast has a bias error 4 - 101

4 - 102

Tracking Signal

Tracking Signal Example QTR

ACTUAL DEMAND

FORECAST DEMAND

ERROR

CUM ERROR

ABSOLUTE FORECAST ERROR

CUM ABS FORECAST ERROR

MAD

1

90

100

–10

–10

10

10

10.0

–10/10 = –1

2

95

100

–5

–15

5

15

7.5

–15/7.5 = –2

3

115

100

+15

0

15

30

10.

0/10 = 0

4

100

110

–10

–10

10

40

10.

10/10 = –1

5

125

110

+15

+5

15

55

11.0

+5/11 = +0.5

6

140

110

+30

+35

30

85

14.2

+35/14.2 = +2.5

Figure 4.11

Signal exceeding limit Tracking signal +

Upper control limit

Acceptable range

0 MADs –

At the end of quarter 6, MAD =

Lower control limit Time

TRACKING SIGNAL (CUM ERROR/MAD)

å Forecast errors = 85 = 14.2 n

6

Cumulative error 35 Tracking signal = = = 2.5 MADs MAD 14.2 4 - 103

4 - 104

26

21/10/2015

Focus Forecasting

Adaptive Smoothing ►

►

►

It’s possible to use the computer to continually monitor forecast error and adjust the values of the  and  coefficients used in exponential smoothing to continually minimize forecast error This technique is called adaptive smoothing

Developed at American Hardware Supply, based on two principles: 1. Sophisticated forecasting models are not always better than simple ones 2. There is no single technique that should be used for all products or services

►

Uses historical data to test multiple forecasting models for individual items

►

Forecasting model with the lowest error used to forecast the next demand

4 - 105

Forecasting in the Service Sector

Fast Food Restaurant Forecast Percentage of sales by hour of day

►

Presents unusual challenges ►

Special need for short term records

►

Needs differ greatly as function of industry and product

►

Holidays and other calendar events

►

Unusual events

4 - 106

20% –

Figure 4.12

15% – 10% – 5% –

11-12

1-2 12-1 (Lunchtime)

4 - 107

3-4 2-3

5-6

7-8 6-7 (Dinnertime) Hour of day 4-5

9-10 8-9

10-11

4 - 108

27

21/10/2015

FedEx Call Center Forecast 12% –

Figure 4.12

10% – 8% – 6% – 4% – All rights reserved. No part of this publication may be reproduced, stored in a retrieval system, or transmitted, in any form or by any means, electronic, mechanical, photocopying, recording, or otherwise, without the prior written permission of the publisher. Printed in the United States of America.

2% – 0% – 2

4

6 8 A.M.

10

12

2

4

6 8 P.M.

10

12

Hour of day 4 - 109

4 - 110

28

Tujuan Pembelajaran Forecasting (Peramalan) MANAJEMEN OPERASI: Manajemen Keberlangsungan & Rantai Pasokan Operations Management:

Recommend Documents