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

(1)

PERAMALAN DAN

PERENCANAAN

AGREGAT

MUHAMMAD WADUD, SE., M.Si

MINGGU KE EMPAT

(2)

POKOK BAHASAN

• PENGERTIAN PERAMALAN

• PENTINGNYA STRATEGI

PERAMALAN

• TUJUH LANGKAH DALAM

PERAMALAN

(3)

PERAMALAN ?



seni dan ilmu

pengetahuan

dalam

memprediksi

peristiwa di masa

yang akan datang

Sales will

be $200

(4)

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

(5)

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

(6)

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

(7)

• 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

07458 4-7

 PERSYARATAN PERAMALAN :

 TEPAT WAKTU

 AKURAT

 DAPAT DIANDALKAN

 RASIONAL DALAM JUMLAH

 DILAKUKAN SECARA TERTULIS

 RAMALAN SEDERHANA UNTUK DIPAHAMI DAN DIGUNAKAN

(8)

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

(9)

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)

(10)

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

(11)

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

(12)

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

(13)

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

(14)

Trend Component

• Persistent, overall upward or downward

pattern

• Due to population, technology etc.

• Several years duration

Respon

(15)

Seasonal Component

• Regular pattern of up & down fluctuations

• Due to weather, customs etc.

07458 4-15

Time

Respon

(16)

Cyclical Component

• Repeating up & down movements

• Due to interactions of factors influencing

economy

• Usually 2-10 years duration

Respon

se

(17)

Product Demand ...PENDEKATAN

AWAM (NAIVE APPROACH)

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

(18)

RUMUSAN PERAMALAN

DIBAWAH INI...

(19)

Simple Moving Average /

PERGERAKAN RATA-RATA

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–3

4

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

(20)

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

(21)

Weighted Moving Average

(RATA-RATA BOBOT)

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

(22)

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

(23)

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

(24)



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

(25)

Exponential Smoothing

4-25

F =



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–1

Forecast =



(Demand last period)

+

(1 –



)

( Last forecast)

Forecast =

Last forecast

(26)

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-1

Forecast = Exponentially smoothed forecast (

F

)

+ Exponentially smoothed trend (

T

)

t t

(27)

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

(28)

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

(29)

4-29

Linear Regression

Independent Dependent

Variables Variable

Factors Associated with Our Sales

• Advertising

• Pricing

• Competitors

• Economy

• Weather

Sales

(30)

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?

(31)

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

(32)

(33)

Forecast Error

+ 5

– 3

E = A – F

_{t t t}

(34)

Forecast Error - CFE

CFE =



E

_t

CFE

– Cumulative sum of Forecast Errors

• Positive errors offset negative errors

(35)

07458 4-35

Forecast Error - MSE

MSE

– Mean Squared Error

Accentuates large deviations

MSE =



E

_t

n

(36)

Forecast Error - MAD



|

E

_t

|

n

MAD =

MAD

–

_{Mean Absolute Deviation}

Widely used, well understood

measurement of forecast error

(37)

4-37

Forecast Error - MAPE

MAPE

=

100 

_n

|

E

t

|

/ A

t

MAPE

– Mean Absolute Percent Error

(38)

Forecast Error

E

_t

=

A

_t

–

F

_t

CFE =



E

_t

100 

|

E

_t

|

/

A

_t

MAPE =



|

E

_t

|

n

MAD =

MSE =



E

_t

n

2

(39)

Monitoring & Controlling Forecasts

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

(40)

Plot of a Tracking Signal

Time

Lower control limit Upper control limit

Signal exceeded limit

Tracking signal

CFE / MAD

Acceptable range

+

0 -

(41)

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

(42)

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

(43)

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