Click to edit Master title style
Click to edit Master subtitle style
5/19/2016
1
Click to edit Master title style
Click to edit Master subtitle style
5/19/2016
1
Click to edit Master title
style
Click to edit Master subtitle style
5/19/2016
1
EXECUTIVE DEVELOPMENT PROGRAM
PPM Manajemen
Jl. Menteng Raya 9, Jakarta 10340 Telp. (021) 2300313 Fax : (021) 2302051
www.ppm-manajemen.ac.id
METODE PERAMALAN
PERMINTAAN
PP
M
M
A
N
A
JE
M
SASARAN SESI
Setelah mengikuti sesi ini, peserta diharapkan dapat :
•
Mengenal teknik
–
teknik peramalan permintaan
•
Mengenal faktor-faktor eksternal maupun internal yang dapat
mempengaruhi peramalan permintaan
•
Mengenal keputusan atas peramalan permintaan yang dilakukan
PP
M
M
A
N
A
JE
M
?
RAMALAN PENJUALAN
Mengapa harus diramalkan?
PP
M
M
A
N
A
JE
M
INDEPENDENT VS. DEPENDENT DEMAND
Sumber: http://images.slideplayer.com/13/4167436/slides/slide_6.jpg
Bill of
Material
DIRAMALKAN
DIHITUNG
Uncertain
Certain
PP
M
M
A
N
A
JE
M
INDEPENDENT VS.
DEPENDENT DEMAND
http://cdn.overstock.com/img/mx
c/100217_laser-printer.jpg
http://www.castleink.com/i
mages/ink-cartridge-2.jpg
Mana yang tergolong independent dan
dependent demand bagi
manufacturer
?
PP
M
M
A
N
A
JE
M
Mbesok
…
Bakal datang RATU ADIL !!!
Peramalan
pasti tidak
100% tepat
PP
M
M
A
N
A
JE
M
o
o
o
o
o
o
o
o
o
UNIT
TIME
Y
X
POLA TREND
BEBERAPA BENTUK/POLA DATA
INDEPENDENT DEMAND
Kecenderungan menaik atau menurun secara progresif
PP
M
M
A
N
A
JE
M
UNIT
TIME
Y
X
Sulit diperkirakan, disebabkan fluktuasi kondisi ekonomi
POLA CYCLICAL
(SIKLIS)
BEBERAPA BENTUK/POLA DATA
INDEPENDENT DEMAND
PP
M
M
A
N
A
JE
M
IV
I
II
III
IV
I
II
III
IV
x
x
x
x
x
x
x
x
x
1977
1978
Berulang secara regular dengan periode yg relatif konstan
POLA SEASONAL
(MUSIMAN)
BEBERAPA BENTUK/POLA DATA
INDEPENDENT DEMAND
PP
M
M
A
N
A
JE
M
Jk.
Panjang
Jk.
Menengah
Jk. Pendek
Global
(Rp)
Regional
(Rp/Unit)
Wilayah (Unit)
Cabang (Unit)
Vol. Bisnis
Total (Rp)
Vol. Famili
Produk
(Rp/Unit)
Vol. Item/Produk
(Unit)
Vol. SKU (Unit)
TIGA PIRAMIDA AGREGASI DALAM
PERAMALAN
Agregasi berdasarkan
waktu
Agregasi berdasarkan
geografis
Agregasi berdasarkan
kelompok produk
Sumber: Vincent Gaspersz, 2009
PP
M
M
A
N
A
JE
M
(time series)
(Time series)
(kualitatif)
(moving average)
(exp. smoothing)
(trend)
(straight line)
Hanya 11 model peramalan yang populer digunakan
Persentase dari 160 perusahaan yang
menggunakan model peramalan
PP
M
M
A
N
A
JE
M
TEKNIK
PERAMALAN
KUALITATIF
KUANTITATIF
DELPHI
SURVEI
PASAR
JUDGEMENT
TIME
SERIES
SEBAB AKIBAT
(KAUSAL)
MOVING
AVERAGE
EKSPONENTIAL
SMOOTHING
BOX-JENKINS
JENIS TEKNIK PERAMALAN
REGRESI
PP
M
M
A
N
A
JE
M
Metode
Cara Peramalan
Biasanya dipakai untuk
Tingkat Ketepatan
Perkiraan
Biaya
Jangka
Pendek
Jangka
Menengah
Jangka
Panjang
Delphi Para ahli berkumpul dalam suatu kelompok diskusi kemudian menjawab pertanyaan yang sama lalu didiskusikan beberapa babak
• Ramalan penjualan jangka panjang
• Perencanaan pabrik dan kapasitas produksi
• Meramalkan perubahan teknologi
Sedang s/d sangat baik
Sedang s/d sangat baik
Sedang s/d sangat baik
Sedang s/ d besar
Survei Pasar Panel diskusi, kuesioner, market test, survei langsung
• Ramalan penjualan total
• Ramalan produk utama
• Ramalan setiap jenis produk
Sangat baik Baik Sedang Besar
Judgement Peramalan dilakukan oleh 1 orang atau lebih, berdasarkan pengalaman firasat tanpa metode yang
sistematis
• Ramalan total penjualan
• Ramalan setiap jenis produk
Kurang s/d
TEKNIK PERAMALAN KUALITATIF
PP
M
M
A
N
A
JE
M
Metode
Cara Peramalan
Biasanya dipakai untuk
Tingkat Ketepatan
Perkiraan
Biaya
Jangka
Pendek
Jangka
Menengah
Jangka
Panjang
Moving average Menggunakan data yang ada beberapa periode sebelumnya
• Ramalan jangka pendek dan menengah
• Untuk sediaan
• Penjadwalan
• Baik untuk banyak produk
Kurang s/d sedang
Kurang Sangat kurang Rendah
Eksponential smoothing
Menggunakan data yang ada beberapa periode sebelumnya dengan dihitung berdasarkan pembobotan
• Ramalan jangka pendek dan menengah
• Untuk sediaan
• Penjadwalan
• Baik untuk banyak produk
Sedang s/d baik Kurang s/d baik
Sangat kurang Rendah
Box Jenkins Menggunakan komputer dan perangkat lunak statistik
• Ramalan total penjualan
• Ramalan setiap jenis produk
Sangat baik Sedang s/d baik
Sangat kurang Tinggi
TEKNIK PERAMALAN KUANTITATIF
PP
M
M
A
N
A
JE
M
TEKNIK PERAMALAN
DERET WAKTU (TIME SERIES)
PP
M
M
A
N
A
JE
M
METODE DERET WAKTU (TIME SERIES)
Prinsip metode deret waktu (time series):
masa yang akan datang adalah ekstrapolasi masa lalu
PP
M
M
A
N
A
JE
M
1. Moving Average
MA (n) =
Demand in previous n periods
n
n = banyaknya periode dalam rata-rata bergerak
•
n dipilih yang paling memberikan nilai
forecast error
terkecil melalui trial
and error
•
Metode Moving Average akan efektif diterapkan apabila dapat diasumsikan
bahwa permintaan akan tetap stabil sepanjang waktu dan tidak menunjukkan
kecenderungan (
trend
)
PP
M
M
A
N
A
JE
M
1. Moving Average
PP
M
M
A
N
A
JE
M
TAHUN
PENJUALAN
MOVING
(MILYAR)
AVERAGE
3 THN
1983
125
-1984
120
-1985
128
-1986
135
1987
139
1988
142
1989
?
•
RAMALAN PENJUALAN TAHUN 1989
= ……….
1. Moving Average
PP
M
M
A
N
A
JE
M
BULAN
TOTAL SALES
Januari
10
Februari
12
Maret
13
April
16
{ ( 3 x 13 ) + ( 2 x 12 ) + 10 } / 6
Mei
19
Juni
23
Juli
26
Agustus
30
September
28
Oktober
18
Nopember
16
Desember
BOBOT YANG DIGUNAKAN
PERIOD
3
Bulan lalu
2
Dua bulan lalu
1
Tiga bulan lalu
6
JUMLAH BOBOT
FORECAST BULAN INI :
3 X SALES BULAN LALU + 2 X SALES 2 BULAN LALU + 1 X SALES 3 BULAN LALU 6
2. Weighted Moving Average
(Menggunakan Bobot)
PP
M
M
A
N
A
JE
M
3. Exponential Smoothing
•
dipilih yang paling memberikan nilai error terkecil melalui trial and error
•
Biasa digunakan ketika pola historis dari data actual permintaan bergejolak
atau tidak stabil dari waktu ke waktu
•
Fluktuasi/gejolak tinggi
pilih
mendekati satu
•
Fluktuasi/gejolak rendah, relatif stabil
pilih
mendekati nol
•
Angka ramalan awal ditentukan secara
judgement
, dapat disamakan dengan
permintaan awal atau menggunakan rata-rata beberapa data permintaan awal.
PP
M
M
A
N
A
JE
1
180
180
180
2
168
180
180
3
159
178,8
172,8
4
175
176,82
164,52
5
190
176,64
170,82
6
205
179,97
182,32
7
180
180,67
195,93
8
182
180,61
186,37
9
?
180,75
183,37
KUARTAL
PERMINTAAN
(dalam Ton)
FORECAST
= 0,1
= 0,6
3. Exponential Smoothing
PP
M
M
A
N
A
JE
M
4. Exponential Smoothing
with Trend Adjustment
•
Digunakan ketika terdapat kecenderungan (tren) pada data
•
dipilih yang memberikan hasil ramalan paling baik melalui trial and error
•
Nilai
trend
awal dapat ditentukan berdasarkan perkiraan atau data historis
PP
M
M
A
N
A
JE
M
4. Exponential Smoothing
with Trend Adjustment
Bulan
Permintaan
1
12
Dengan mengambil
= 0,9 dan ramalan
awal diasumsikan 11,
maka dengan
Exponential
smoothing, didapatkan
nilai ramalan (F)
4. Exponential Smoothing
with Trend Adjustment
Data menunjukkan adanya trend. Dengan mengambil
= 0.4, maka factor koreksi trend (T) dan FIT adalah:
Tahun
Permintaan
Ramalan
(F)
Koreksi
Trend (T)
FIT
5. Perkiraan Trend dengan Model
Regresi Sederhana
Y = a + bx
y = variable permintaan (data actual permintaan)
PP
M
M
A
N
A
JE
M
5. Perkiraan Trend dengan Model
Regresi Sederhana
Dengan menggunakan rumus, didapat:
b = 10,54
dan
a = 56,7
PP
M
M
A
N
A
JE
M
6. Indeks Musiman
•
Variasi musiman ditunjukkan dengan keberulangan dalam jangka waktu kurang dari satu
tahun.
•
Jika variasi musiman tampak pada data, perlu diperhitungkan indeks musiman sebagai
faktor koreksi agar ramalan lebih akurat.
Perhitungan penggunaan indeks musiman adalah sebagai berikut:
1. Gunakan data permintaan untuk dua tahun atau lebih
2. Hitung rata-rata permintaan untuk masing-masing bulan (bisa juga kuartal) selama
periode pengamatan (misal Januari, Februari, dan seterusnya)
3. Hitung rata-rata permintaan per bulan selama periode pengamatan
4. Indeks musiman diperoleh dengan cara:
PP
M
M
A
N
A
JE
M
Jika perincian penjualan per kuartal untuk 3 tahun terakhir adalah :
Kuartal
1986
1987
1988
I
30
31
33
II
33
34
35
III
35
35
35
IV
37
39
39
Total
135
139
142
Hitunglah indeks musiman-nya.
Kemudian menjabarkan ramalan penjualan tahunan menjadi kuartal
6. Indeks Musiman
Ramalan tahun 1989 = Rp. 146,4 milyar
PP
M
M
A
N
A
JE
M
6. Indeks Musiman
Kuartal
1986
1987
1988
Rata-rata utk
masing-masing bulan
(1986-1988)
Rata-rata per bulan
(1986-1988)
IM
Ramalan
1989
1
30
31
33
31.3
34.7
0.90
33.08
2
33
34
35
34.0
34.7
0.98
35.90
3
35
35
35
35.0
34.7
1.01
36.95
4
37
39
39
38.3
34.7
1.11
40.47
Total
135
139
142
138.7
4.00
146.40
Ramalan 1989
= IM x rata-rata ramalan penjualan per kuartal 1989
= IM x (146,4 milyar / 4)
PP
M
M
A
N
A
JE
M
PERHITUNGAN KESALAHAN
(ERROR) DAN PENGUKURAN
AKURASI PERAMALAN
PP
M
M
A
N
A
JE
M
Peramalan tidak pernah sempurna
Untuk mengukur
kesalahan ramalan
(
forecast error)
:
Over-forecasts
akan menyebabkan negative errors
Under-forecasts
akan menyebabkan positive errors
t
t
t
A
F
E
KESALAHAN PERAMALAN
Angka Error semakin kecil semakin baik
PP
M
M
A
N
A
JE
M
AKURASI PERAMALAN
Mean Absolute Deviation
(Rata-rata penyimpangan absolut)
Mean Square Error
(Rata-rata kuadrat kesalahan)
n
ramalan
kesalahan
MSE
2
)
..
(
Semakin kecil semakin akurat
PP
M
M
A
N
A
JE
M
AKURASI PERAMALAN
Mean Absolute Percentage Error
(Rata-rata persentase kesalahan absolut)
Semakin kecil semakin akurat
PP
M
M
A
N
A
JE
M
CONTOH PENGGUNAAN
Indikator Akurasi Peramalan digunakan untuk memilih metode
peramalan yang paling baik
Exp. Smoothing
=0,1
Exp. Smoothing
=0,5
PP
M
M
A
N
A
JE
M
TRACKING SIGNAL
Tracking signal adalah suatu ukuran bagaimana baiknya suatu
ramalan memperkirakan nilai-nilai aktual.
Digunakan untuk memantau akurasi model ramalan sekaligus
memvalidasi model peramalan.
RSFE = Running Sum of Forecast Error
MAD = Mean Absolute Deviation
PP
M
M
A
N
A
JE
M
TRACKING SIGNAL
Tracking signal (+)
nilai aktual permintaan > nilai ramalan
Tracking signal (-)
nilai aktual permintaan < nilai ramalan
Tra king signal dise ut aik apa ila:
Memiliki nilai RSFE yang rendah
Memiliki positive error yang sama banyak/seimbang dengan negative error
Sehingga pusat dari tracking signal mendekati nol.
Setelah tracking signal dihitung, dapat dibangun peta control.
Rule of thumbs
: batas pengendalian tracking signal maksimum
+/-4. Jika melebihi, maka model ramalan perlu ditinjau kembali karena
akurasinya tidak dapat diterima.
PP
M
M
A
N
A
JE
CONTOH PETA KONTROL
Ketika nilai ramalan sudah melewati batas kendali, model ramalan
perlu ditinjau kembali karena sudah tidak akurat.
PP
M
M
A
N
A
JE
M
CONTOH PENGGUNAAN
TRACKING SIGNAL
Tracking signal bergerak antara -2 sampai +2,5, berarti masih dalam
batas yang bisa diterima. Model ramalan masih valid untuk
digunakan.
Absolute
PP
M
M
A
N
A
JE
M
JENIS KEPUTUSAN
LINGKUP
KEBUTUHAN
TINGKAT
METODE
WAKTU
KETEPATAN
MANAJEMEN
PERAMALAN
KUALITATIF
DESAIN PROSES
PANJANG
SEDANG
PUNCAK
DAN
SEBAB AKIBAT
PERENCANAAN
KUALITATIF
KAPASITAS
PANJANG
SEDANG
PUNCAK
DAN
FASILITAS
SEBAB AKIBAT
PERENCANAAN
SEBAB AKIBAT
PRODUKSI TOTAL
MENENGAH
TINGGI
MENENGAH
DAN
TIME SERIES
PENJADWALAN
PENDEK
PALING
BAWAH
TIME SERIES
PRODUKSI
TINGGI
MANAJEMEN
PENDEK
PALING
BAWAH
TIME SERIES
SEDIAAN
TINGGI
JENIS KEPUTUSAN
VS. TEKNIK PERAMALAN
PP
M
M
A
N
A
JE
M
1.
TINGKAT KECANGGIHAN SISTEM DAN PEMAKAI
2.
KETERSEDIAAN SUMBER DAYA DAN WAKTU
3.
KARAKTERISTIK PEMAKAIAN DAN KEPUTUSAN
4.
KETERSEDIAAN DATA
5.
MODEL DATA
KRITERIA PEMILIHAN METODE PERAMALAN
PP
M
M
A
N
A
JE
M
SIASATNYA :
- Gunakanlah berbagai metode peramalan sekaligus sebagai
faktor koreksi
- Pilihlah metode peramalan sesuai dengan data yang tersedia
PERENCANAANNYA :
- Usahakan
“data base” yang
mencukupi agar tidak menyesat- kan kita
- Pilihlah variabel/faktor pasar yang pernah
secara nyata ada hubungannya dengan
variabel terikat yang kita cari
PERAMALAN YANG JITU
(1)
PP
M
M
A
N
A
JE
M
SELALU INGAT AKAN :
- Kemungkinan aksi reaksi pesaing; sebaiknya buat beberapa
alternatif peramalan
- Kejadian-kejadian tak terduga yang dapat diperkirakan
mengguncangkan peramalan kita
SETELAH PERAMALAN SELESAI :
- Perbaikan dan perbaharui terus menerus
- Amati ketepatan ramalan
- Usahakan terincinya faktor-faktor tak terduga
sebelum hasil peramalan dijadikan
dasar pengambilan keputusan
PERAMALAN YANG JITU
(2)
PP
M
M
A
N
A
JE
M
KENAIKAN
BIAYA
PENURUNAN KETEPATAN
OPTIMUM
LEBIH
CANGGIH
PERHITUNGAN
SEDERHANA
•
BIAYA TOTAL
•
BIAYA AKIBAT KETIDAK
TEPATAN PERAMALAN
•
BIAYA IMPLEMENTASI DAN
TEKNIK PERAMALAN
T
R
| |
