PERAMALAN DAN
PERENCANAAN
AGREGAT
MUHAMMAD WADUD, SE., M.Si
MINGGU KE EMPAT
POKOK BAHASAN
• PENGERTIAN PERAMALAN
• PENTINGNYA STRATEGI
PERAMALAN
• TUJUH LANGKAH DALAM
PERAMALAN
PERAMALAN ?
seni dan ilmu
pengetahuan
dalam
memprediksi
peristiwa di masa
yang akan datang
Sales will
be $200
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
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
• 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
© 2004 by Prentice Hall, Inc., Upper Saddle River, N.J.
07458 4-7
PERSYARATAN PERAMALAN :
TEPAT WAKTU
AKURAT
DAPAT DIANDALKAN
RASIONAL DALAM JUMLAH
DILAKUKAN SECARA TERTULIS
RAMALAN SEDERHANA UNTUK DIPAHAMI DAN DIGUNAKAN
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
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)
© 2004 by Prentice Hall, Inc., Upper Saddle River, N.J.
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
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.
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
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
© 2004 by Prentice Hall, Inc., Upper Saddle River, N.J.
Trend Component
• Persistent, overall upward or downward
pattern
• Due to population, technology etc.
• Several years duration
Respon
Seasonal Component
• Regular pattern of up & down fluctuations
• Due to weather, customs etc.
© 2004 by Prentice Hall, Inc., Upper Saddle River, N.J.
07458 4-15
Time
Respon
Cyclical Component
• Repeating up & down movements
• Due to interactions of factors influencing
economy
• Usually 2-10 years duration
Respon
se
Product Demand ...PENDEKATAN
AWAM (NAIVE APPROACH)
© 2004 by Prentice Hall, Inc., Upper Saddle River, N.J.
07458 4-17
Year
1 Year 2 Year 3 Year 4
Garis permintaan aktual
Pe rmint aan un tu k prod uk aatau jasa
PUNCAK MUSIMAN KOMPONEN KECENDRUNGAN
Permintaan rata-rata selama lebih dari 4 tahun
RUMUSAN PERAMALAN
DIBAWAH INI...
Simple Moving Average /
PERGERAKAN RATA-RATA
© 2004 by Prentice Hall, Inc., Upper Saddle River, N.J.
07458 4-19
Pergerakan rata2
n
Permintaan dalam perode n sebelumnya
F = A + A + A + A
F = A + A + A
t t–1 t–2 t–3 t–4 t t–1 t–2 t–34
3
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
Contoh
Bulan Penjualan aktual gudang Pergerakan rata-rata 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
Weighted Moving Average
(RATA-RATA BOBOT)
© 2004 by Prentice Hall, Inc., Upper Saddle River, N.J.
07458 4-21
WMA
=
Σ
(Weight for period n) (Demand in period n)
Σ
Weights
F =
.4
A +
.3
A +
.2
A +
.1
A
F =
.7
A +
.2
A +
.1
A
t t–1 t–2 t–3 t–4
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
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
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
Exponential Smoothing Method
Metode penghalusan eksponensial
Exponential Smoothing
4-25F =
A + (1
–
) (F )
=
A + F –
F
= F +
(A
–
F )
t t–1 t–1 t–1 t–1 t–1 t–1 t–1 t–1Forecast =
(Demand last period)
+
(1 –
)
( Last forecast)
Forecast =
Last forecast
Exponential Smoothing with
Trend Adjustment
T
t=
(Forecast this period – Forecast last period)
+ (1-
) (Trend estimate last period)
=
(F
t- F
t-1) + (1-
)T
t-1Forecast = Exponentially smoothed forecast (
F
)
+ Exponentially smoothed trend (
T
)
t t
Seasonal Variation
4-27
Quarter Year 1 Year 2 Year 3 Year 4
1 45 70 100 100 2 335 370 585 725 3 520 590 830 1160 4 100 170 285 215 Total 1000 1200 1800 2200 Average 250 300 450 550
Seasonal Index = Actual Demand
Average Demand = = 0.18 45
250 Forecast for Year 5 = 2600
Seasonal Variation
Quarter Year 1 Year 2 Year 3 Year 4
1 45/250 = 0.18 70/300 = 0.23 100/450 = 0.22 100/550 = 0.18 2 335/250 = 1.34 370/300 = 1.23 585/450 = 1.30 725/550 = 1.32 3 520/250 = 2.08 590/300 = 1.97 830/450 = 1.84 1160/550 = 2.11 4 100/250 = 0.40 170/300 = 0.57 285/450 = 0.63 215/550 = 0.39
Quarter Average Seasonal Index
1 (0.18 + 0.23 + 0.22 + 0.18)/4 = 0.20 2 (1.34 + 1.23 + 1.30 + 1.32)/4 = 1.30 3 (2.08 + 1.97 + 1.84 + 2.11)/4 = 2.00 4 (0.40 + 0.57 + 0.63 + 0.39)/4 = 0.50 Forecast 650(0.20) = 130 650(1.30) = 845 650(2.00) = 1300 650(0.50) = 325
4-29
Linear Regression
Independent Dependent
Variables Variable
Factors Associated with Our Sales
• Advertising
• Pricing
• Competitors
• Economy
• Weather
Sales
Scatter Diagram
Sales vs. Payroll
0 1 2 3 4 0 1 2 3 4 5 6 7 8 Sale s (in $ hu nd reds of th ou sand s)Now
What?
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
• Long-range forecast
– 3
+years
– New product planning, facility location
4-31 Time
Series
Associative
© 2004 by Prentice Hall, Inc., Upper Saddle River, N.J. 07458 4-33
Forecast Error
+ 5
– 3
E = A – F
t t tForecast Error - CFE
CFE =
E
t
CFE
– Cumulative sum of Forecast Errors
•
Positive errors offset negative errors
© 2004 by Prentice Hall, Inc., Upper Saddle River, N.J.
07458 4-35
Forecast Error - MSE
MSE
– Mean Squared Error
Accentuates large deviations
MSE =
E
t
n
Forecast Error - MAD
|
E
t
|
n
MAD =
MAD
–
Mean Absolute Deviation
Widely used, well understood
measurement of forecast error
4-37
Forecast Error - MAPE
MAPE
=
100
n
|
E
t
|
/ A
t
MAPE
– Mean Absolute Percent Error
Forecast Error
E
t=
A
t–
F
tCFE =
E
t100
|
E
t|
/
A
tMAPE =
|
E
t|
n
MAD =
MSE =
E
tn
2Monitoring & Controlling Forecasts
© 2004 by Prentice Hall, Inc., Upper Saddle River, N.J.
07458 4-39
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
)
=
E
|
E
|
/ n
t
Plot of a Tracking Signal
Time
Lower control limit Upper control limit
Signal exceeded limit
Tracking signal
CFE / MAD
Acceptable range+
0
-
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
Forecast of Sales by Hour for
Fast Food Restaurant
0 5 10 15 20 +11-12 +1-2 +3-4 +5-6 +7-8 +9-10 11-12 12-1 1-2 2-3 3-4 4-5 5-6 6-7 7-8 8-9 9-10 10-11
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
© 2015 by Prentice Hall, Inc., Upper Saddle River, N.J.