14 0 175 KB
1
MANAJEMEN OPERASIONAL FORECASTING
MODUL : 3&4 OLEH : Hesti Maheswari SE., MSi
PROGRAM KELAS KARYAWAN FAKULTAS EKONOMI UNIVERSITAS MERCU BUANA JAKARTA 2008
Pusat Pengembangan Bahan Ajar - UMB
Hesti Maheswari SE., M.Si MANAJEMEN OPERASIONAL
2
PERAMALAN (FORECASTING)
Forecasting adalah seni dan ilmu memprediksi peristiwa-peristiwa masa depan.
Peramalan
memerlukan
pengambilan
memproyeksikannya ke masa depan matematis.
data
historis
dan
dengan beberapa bentuk model
Bisa berupa prediksi subjektif atau intuitif disesuaikan dengan
penilaian yang baik oleh manajer. Peramalan
dikalompokkan
menurut
horison
waktu
masa
dpan
yang
mendasarinya menjadi tiga kategori, yaitu : 1.
Peramalan jangka pendek; Rentang waktunya mencapai satu tahun tetapi umumnya kurang dari tiga bulan.
Peramalan jangka pendek digunakan
untuk merencanakan pembelian, penjadwalan kerja, jumlah tenaga kerja, penugasan, dan tingkat produksi. 2.
Peramalan jangka menengah; Permalan jangka menengah biasanya berjangka tiga bulan hingga tiga tahun. Peramalan ini sangat bermanfaat dalam perencanaan penjualan, perencanaan dan pengaggaran produksi, penggaran kas, dan menganalisis berbagai rencana operasi.
3.
Peramalan jangka panjang; Rentang waktunya tiga tahun atau lebih; digunakan dalam merencanakan produk baru, pengeluaran modal, lokasi fasilitas, atau ekspansi dan penelitian serta pengembangan. Peramalan jangka menengah dan jangka panjang mempunyai tiga ciri
yang membedakan keduanya dari peramalan jangka pendek. Peramalan jangka menengah dan jangka panjang berhubungan dengan isu-isu yang lebih kompetitif
dan
mendukung
keputusan
manajemen
berkaitan
dengan
perencanaan dan produk, pabrik dan proses. Menerapkan beberapa keputusan fasilitas, seperti membuka pabrik.
Sedangkan peramalan jangka pendek
biasanya menggunakan metodologi yang berbeda dari pada peramalan yang lebih panjang waktunya.
Tekinik-teknik matematis seperti metode rata-rata
bergerak, exponential smoothing dan eksplorasi trend adalah biasa untuk proyeksi jangka pendek. Metode-metode kualitatif yang agak luas bermanfaat dalam memprediksi seperti apa produk baru.
Peramalan jangka pendek
cenderung lebih akurat dari peramalan jangka panjang.
Pusat Pengembangan Bahan Ajar - UMB
Dengan demikian
Hesti Maheswari SE., M.Si MANAJEMEN OPERASIONAL
3
ramalan penjualan perlu diperbaharui secara teratur untuk mempertahankan nilainya. Setelah ramalan penjualan berlalu ramalan harus dikaji kembali dan diperbaiki.
JENIS-JENIS PERAMALAN Organisasi menggunakan tiga jenis peramalan ketika merencanakan masa depan operasinya. Dua yang pertama, peramalan ekonomi dan teknologi, adalah teknik-teknik khusus yang mungkin berada di luar peran manajer operasi. Peran manajer operasi dalam permalan adalah permalan permintaan. 1. Ramalan Ekonomi, membahas siklus bisnis dengan memprediksi tingkat inflasi, suplai uang, dan indikator-indikator perencanaan lainnya. 2. Ramalan teknologi, berkaitan dengan tingkat kemajuan teknologi yang akan melahirkan produk-produk baru yang mengesankan, membutuhkan pabrik dan peralatan baru. 3. Ramalan
permintaan,
perusahaan.
proyeksi
permintaan
untuk
produk
atau
jasa
Ramalan ini disebut juga ramlan penjualan, mengarahkan
produksi, kapasitas, dan sistem penjadwalan perusahaan dan bertindak sebagai masukan untuk perencanaan keuangan, pemasaran, dan personalia. Ramalan yang baik sangat penting dalam seluruh aspek bisnis; ramalan hanyalah estimasi permintaan produk sampai permintaan aktual diketahui. Ramalan permintaan mengarahkan keputusan di dalam banyak bidang. Ramalan produk berpengaruh terhadap tiga fungsi yaitu : a. Sumber daya manusia, Mempekerjakan, melatih dan memberhentikan para pekerja tergantung pada permintaan produk yang diantisipasi. b. Kapasitas, Bila kapasitas tidak tepat, akan muncul masalah-masalah seperti pengiriman yang tidak terjain, kehilangan pelanggan dan kehilangan pangsa pasar. c. Manajemen rantai-suplai, Hubungan dengan pemasok yang baik dan keunggulan kerja yang terjamin untuk bahan baku dan suku cadang tergantung pada ramalan yang akurat.
Pusat Pengembangan Bahan Ajar - UMB
Hesti Maheswari SE., M.Si MANAJEMEN OPERASIONAL
4
PENDEKATAN PERAMALAN Terdapat dua pendekatan umum yang akan kita gunakan dalam peramalan; Peramalan kualitatif dan Peramalan kuantitatif. Peramalan
kualitatif
memanfaatkan
faktor-faktor
penting
seperti
pengalaman pribadi, dan sistem nilai pengambilan keputusan. peramalan
kuantitatif
menggunakan
data
menggunakan historis
dan
berbagai atau
model
Sedangkan
matematis
variabel-variabel
intuisi,
kausal
yang untuk
meramalakan. Dalam prakteknya kombinasi atau campuran dari kedua jenis peramalan ini biasanya lebih efektif. METODE KUALITATIF 1. Juri dari opini eksekutif Metode ini mengambil opini dari sekelompok kecil manajer tingkat tinggi, seringkali dikombinasikan dengan model-model statistik dan menghasilkan estimasi permintaan kelompok. 2. Gabungan pendapat armada penjualan Dalam pendekatan ini, setiap wiraniaga mengestimasi jumlah penjualan di wilayahnya,
ramalan
ini
kemudian
dikaji
ulang
untuk
meyakinkan
kerealistisannya, lalu dikombinasikan pada tingkat atas untuk mencapai ramalan secara menyeluruh. 3. Metode Delphi Beberapa ahli yang tinggal di beberapa tempat untuk membuat peramalan. 4. Survei pasar konsumen Metode memperbesar masukan dari pelanggan atau calon pelanggan tanpa melihat rencana pembelian masa depannya. Metode ini bisa membantu tidak hanya dalam menyiapkan ramalan tetapi juga dalam memperbaiki disain produk baru. 5. Pendekatan naif Cara sederhana untuk peramalan ini mengasumsikan bahwa permintaan dalam periode berikutnya adalah sama dengan peramalan dalam periode sebelumnya
Pusat Pengembangan Bahan Ajar - UMB
Hesti Maheswari SE., M.Si MANAJEMEN OPERASIONAL
5
METODE KUANTITATIF
MODEL SERI WAKTU
MOVING AVERAGES EXPONENTIAL SMOOTHING
METODE KUANTITATIF
TREND PROJECTION MODEL KAUSAL
LINEAR REGRESSION
MODEL SERI WAKTU Memprediksi berdasarkan asumsi bahwa masa depan adalah fungsi dari masa lalu. Dengan kata lain, model ini melihat pada apa yang terjadi selama periode waktu lalu dan menggunakan seri data masa lalu untuk membuat ramalan. Seri waktu (time series) didasarkan pada tahapan dari titik data yang sudah tertentu (mingguan, bulanan, kuartalan dan sebainya). 1. Moving Averages (Rata-rata bergerak) Metode ini bermanfaat jika kita mengasumsikan bahwa permintaan pasar tetap stabil sepanjang waktu. Σ Permintaan data n periode sebelumnya Rata-rata bergerak = ----------------------------------------------------------n dimana n adalah jumlah periode dalam rata-rata bergerak, misalnya tiga,empat, atau lima secara berurutan untuk rata-rata bergerak tiga, empat atau lima periode.
Pusat Pengembangan Bahan Ajar - UMB
Hesti Maheswari SE., M.Si MANAJEMEN OPERASIONAL
6
Contoh: Penjualan mesin jahit di Shiva’s Hardware Store ditujukan dengan data berikut ini : Bulan
Penjualan
JAN FEB MRT APR MEI JUN JUL AGS SEP OKT NOV DES
Aktual 10 12 13 16 19 23 26 30 28 18 16 14
Rata-Rata Bergerak Tiga Bulanan
Rata-Rata Bergerak Tertimbang (weighted moving averages =WMA) Timbangan dapat digunakan untuk menempatkan lebih banyak tekanan pada nilai baru. Hal ini membuat teknik ini lebih responsif terhadap perubahan karena periode yang lebih baru mungkin lebih besar timbangannya. Σ (timbangan utk periode n)(Permintaan dalam periode n) WMA =
----------------------------------------------------------------------------n
Contoh : Shiva’s Hardware Store memutuskan untuk meramlakan penjualan mesin jahit dengan pemberian timbangan pada tiga bulan sebelumnya sebagai berikut : PERIODE Bulan lalu Dua bulan lalu Tiga bulan lalu
PENETAPAN TIMBANGAN 3 2 1
Hasil ramalan dengan metode rata-rata bergerak tertimbang adalah sebagai berikut : Bulan
Penjualan
JAN FEB
Aktual 10 12
Rata-Rata Bergerak Tiga Bulanan
Pusat Pengembangan Bahan Ajar - UMB
Hesti Maheswari SE., M.Si MANAJEMEN OPERASIONAL
7
MRT APR MEI JUN JUL AGS SEP OKT NOV DES
13 16 19 23 26 30 28 18 16 14
Rata-rata bergerak sederhana dan tertimbang efektif dalam menghaluskan fluktuasi tiba-tiba dalam pola permintaan untuk menghasilkan estimasi yang stabil. Namun rata-rata bergerak mempunyai tiga masalah yaitu : Meningkatkan ukuran n (jumlah periode yang dirata-ratakan) memang menghaluskan fluktuasi dengan lebih baik tetapi metode ini kutrang sensitif untuk perubahan nyata dalam data. Rata-rata bergerak tidak dapat memanfaatkan trend dengan baik Karena merupakan rata-rata, rata-rata bergerak akan selalu berada dalam tingkat masa lalu dan tidak akan memprediksi perubahan ke tingkat yang lebih tinggi maupun yang lebih rendah. 2. Exponential Smoothing Adalah metode peramalan yang mudah digunakan dan efisien bila dilakukan dengan komputer. Rumus metode Exponential Smoothing dasar adalah : Ramalan baru = Ramalan periode lalu + α (permintaan aktual periode lalu – ramalan periode lalu) Dimana α adalah timbangannya atau konstanta smoothing yang nilainya antara 0 hingga 1. Rumus diatas dapat juga ditulis sebagai berikut : Ft = Ft-1 + α (At-1 – Ft-1) Di mana : Ft
= Peramalan baru
Ft-1
= Peramalan sebelumnya
α
= Konstanta smoothing
At-1 = Peramalan aktual periode sebelumnya
Pusat Pengembangan Bahan Ajar - UMB
Hesti Maheswari SE., M.Si MANAJEMEN OPERASIONAL
8
α, konstanta smoothing umunya antara 0,05 sampai 0,50 untuk aplikasi bisnis. konstanta smoothing dapat diubah untuk memberikan timbangan yang lebih besar pada data baru (bila α tinggi) atau pada data masa lalu (bila α rendah).
Yang pasti periode masa lalu menurun dengan cepat ketika α
meningkat. Contoh : Pada bulan januari, agen perjalanan yang berspesialisasi dalam kapal pesiar memprediksi permintaan bulan februari untuk kapal pesiar yang berlayar satu minggu adalah sebesar 142. Permintaan bulan Februari aktual adalah 153. Menggunakan konstanta smoothing α = 0,20.
Kita dapat meramalkan
permintaan bulan Maret dengan menggunakan model exponential smoothing dengan rumus diatas : Ft = 142 + 0,20 (153-142) Ft = 144,2 Memilih konstanta smoothing Pendekatan dengan exponential smoothing mudah digunakan dan tealh sukses diterapkan di banyak organisasi.
Akan tetapi nilai konstanta
smoothing yang tepat bisa menciptakan perbedaan antara ramalan yang akurat dan ramalan yang tidak akurat. Dalam mengambil sebuah nilai untuk konstanta smoothing, tujuannya adalah untuk mencapai ramalan yang paling akurat. Keakuratan yang menyeluruh dari model peramalan bisa ditentukan dengan membandingkan nilai-nilai yang diramalkan dengan nilai aktual. Kesalahan permalan didefinisikan dengan : Kesalahan Peramalan = Permintaan – Ramalan. Mean absolute deviation (MAD) adalah sebuah ukuran untuk kesalahan peramalan menyeluruh untuk suatu model. Σ (Kesalahan Peramalan) MAD =-------------------------------------n Contoh :
Pusat Pengembangan Bahan Ajar - UMB
Hesti Maheswari SE., M.Si MANAJEMEN OPERASIONAL
9
Pelabuhan New Orleans telah membongkar muatan daging sapi dari kapal South American selama delapan kuartal terakhir. Manajer operasi pelabuhan ingin menguji penggunaan exponential smoothing untuk melihat seberapa baik teknik itu bekerja dalam memprediksi pembongkaran tonasi. Ia mengasumsikan bahwa pembongkaran daging sapi dalam kuartal pertama adalah 175 ton. Dua nilai diuji, α = 0,10 dan α = 0,50. Untuk mengevaluasi keakuratan setiap konstanta smoothing dihitung MAD. MAD yang kecil yang lebih disukai . Kuartal
Pembongkaran
Peramalan dengan
Peramalan dengan
α = 0,10
α = 0,50
1 2 3 4 5 6 7 8 9
Tonasi Aktual 180 168 159 175 190 205 180 182 ?
Kuartal
Pembongkar
Peramalan
Deviasi
Peramalan
Deviasi
an Tonasi
dengan
absolut u/
dengan
absolut u/
Aktual 180 168 159 175 190 205 180 182
α = 0,10
α = 0,10
α = 0,50
α = 0,50
1 2 3 4 5 6 7 8 Jumlah MAD α = 0,10 = MAD α = 0,50 =
Kesalahan kuadrat rata-rata (mean squared error=MSE)
Pusat Pengembangan Bahan Ajar - UMB
Hesti Maheswari SE., M.Si MANAJEMEN OPERASIONAL
10
Adalah cara lain untuk mengukur kesalahan ramalan secara menyeluruh. MSE adalah rata-rata perbedaan kuadrat antara nilai yang diramalkan dan nilai yang diamati. MSE yang kecil adalah baik. Σ Kesalahan peramalan2 MSE = ---------------------------------------n
Kuartal
Pembongkar
Peramalan
(Deviasi
Peramalan
(Deviasi
an Tonasi
dengan
absolut)2 u/
dengan
absolut)2 u/
Aktual 180 168 159 175 190 205 180 182
α = 0,10
α = 0,10
α = 0,50
α = 0,50
1 2 3 4 5 6 7 8 Jumlah
MSE α = 0,10= MSE α = 0,50= Exponential smoothing dengan penyesuaian trend Seperti halnya dengan rata-rata bergerak, exponential smoothing gagal merespon trend. Exponential smoothing sederhana sering disebut sebagai penghalusan tingkat pertama dan exponential smoothing with trend adalah penghalusan tingkat kedua. Rumus : Ft = α (At-1 ) + (1-α) (Ft-1 +Tt-1)
Pusat Pengembangan Bahan Ajar - UMB
Hesti Maheswari SE., M.Si MANAJEMEN OPERASIONAL
11
Tt = β( Ft - Ft-1) + (1-β) Tt-1 Dimana : α = smoothing constant for the average β = smoothing constant for the trend Contoh : Shiva’s manufacture menggunakan exponential smoothing untuk meramalkan permintaan produknya. α = 0,20 dan β = 0,40. Diasumsikan peramalan untuk bulan pertama = 11 unit dan trend pada periode tersebut (T1) = 2. Data permintaan aktual adalah sebagai berikut : Bulan
Actual Demand
1 2 3 4 5 6 7 8 9 10
12 17 20 19 24 21 31 28 36 -
Smoothed
Smoothed
Forecast Including
Forecast, Ft
Trend, Tt
Trend, FITt
3. Trend Projection Teknik ini mencocokan garis trend ke rangkaian titik data historis dan kemudian memproyeksikan garis itu ke dalam ramalan jangka-menengah hingga jangka-panjang.
Dalam bahasan ini akan dibicarakan trend linear
yang memakai metode kuadrat terkecil (least square mathod). Persamaan = Y = a + bx Y = nilai variabel yang dihitung untuk diprediksi a
= perpotongan sumbu-y
b
= kelandaian garis regresi
x
= variabel bebas
Kelandaian garis regresi (b) diperoleh dengan persamaan = ΣXY – n X Y b = --------------------------
a=Y–bX
ΣX2 – n X2
Pusat Pengembangan Bahan Ajar - UMB
Hesti Maheswari SE., M.Si MANAJEMEN OPERASIONAL
12
Contoh: Permintaan terhadap daya listrik di N.Y Edison selama periode 1990 – 1996 ditunjukkan di bawah ini, dalam satuan megawatt. Buatlah trend garis lurus untuk data ini dan ramalkan permintaan tahun 1997. TAHUN DAYA LISTRIK
1996 74
1997 79
1998 80
1999 90
2000 105
2001 142
YG DIMINTA
Dengan seri data sepanjang waktu, kita bisa meminimalkan perhitungan dengan mengubah nilai x (waktu) ke angka-angka yang lebih sederhana. TAHUN
PERIODE
PERMINTAAN
WAKTU
DAYA LISTRIK 74 79 80 90 105 142 122 692
1996 1997 1998 1999 2000 2001 2002 Jumlah
X2
XY
b= a= Permintaan tahun 2003 = Variasi musim dalam data Peramalan seri waktu seperti dalam contoh-contoh diatas mencakup trend data atas rangkaian observasi waktu.
Pusat Pengembangan Bahan Ajar - UMB
Namun demikian, kejadian
Hesti Maheswari SE., M.Si MANAJEMEN OPERASIONAL
2002 122
13
berulangnya variasi pada musim tertentu membuat penyesuaian musiman dalam rangkaian garis trend harus diadakan. Contoh : Penjualan bulanan Komputer notebook IBM di Hardwareland selama periode 2001/2002 ditunjukkan pada tabel dibawah ini :
Bulan JAN FEB MRT APR MEI JUN JUL AGS SEP OKT NOV DES JUMLAH
Permintaan Penjualan 2001 2002 80 75 80 90 115 110 100 90 85 75 75 80
Permintaan
Rata-rata
Rata-rata
rata-rata
Permintaan
indeks
bulanan
musiman
100 85 90 110 131 120 110 110 95 85 85 80
Rata-rata permintaan bulanan = jumlah permintaan rata-rata : 12 bulan Rata-rata permitaan bulanan = Indeks musiman = Permintaan rata-rata : rata-rata permintaan bulanan Indeks musiman =
MODEL KAUSAL Metode peramalan kausal biasanya mempertimbangkan beberapa variabel yang dikaitkan pada variabel yang sedang diprediksi. Sekali variabelvariabel ini diperoleh, model statistik dibangun dan digunakan untuk meramal variabel. Pendekatan ini lebih kuat ketimbang metode seri waktu yang hanya mengunakan nilai historis untuk variabel yang diramalkan. Banyak faktor bisa dipertimbangkan dalam analisis kausal.
Sebagai
contoh, penjualan produk mungkin dikaitkan dengan anggaran iklan perusahaan,
Pusat Pengembangan Bahan Ajar - UMB
Hesti Maheswari SE., M.Si MANAJEMEN OPERASIONAL
14
pembebanan harga, harga pesaing, dan strategi promosi atau bahkan tingkat ekonomi dan pengangguran.
Dalam hal ini, penjualan akan disebut variabel
tidak bebas (dependent variable) dan variabel-variabel lain disebut variabel bebas (independent varable). Menggunakan Analisis Regresi Linear Untuk Meramal Model matematika yang sama yang kita gunakan dalam metode kuadrat terkecil dari proyeksi trend bisa digunakan untuk melakukan analisis regresi linear. Variabel-variabel tidak bebas yang akan diramal tetap Y. Persamaan regresi = Y = a + bx Y
= Nilai variabel tidak bebas, yaitu penjualan
a
= Perpotongan sumbu y
b
= Kelandaian garis regresi
x
= Variabel bebas
Contoh : Richard Nodel memiliki perusahaan konstruksi yang membangun kantor di Detroit. Baru-baru ini perusahaan telah menemukan bahwa volume dolar dari kerja renovasinya bergantung pada
upah wilayah Detroit.
Tabel berikut ini
mencatumkan penghasilan Nodel dan jumlah uang yang diterima para penerima upah di Detroit selama tahun 1997 – 2002 PENJUALAN NODEL (Y) 2,0 3,0 2,5 2,0 2,0 3,5
GAJI LOKAL(X) 1 3 4 2 1 7
Persamaan matematis dengan menggunakan pendekatan regresi kuadrat terkecil = PENJUALAN NODEL (Y) 2,0 3,0 2,5 2,0 2,0 3,5
Pusat Pengembangan Bahan Ajar - UMB
GAJI LOKAL(X) 1 3 4 2 1 7
X2
XY
Hesti Maheswari SE., M.Si MANAJEMEN OPERASIONAL
15
ΣY =
ΣX =
ΣX2=
ΣXY=
ΣXY – n X Y b = --------------------------
a=Y–bX
ΣX2 – n X2
b= a=Y–bX a= Kesalahan Standar Estimasi (deviasi standar) Σ Y2 – a Σ Y – b ΣXY S yx =
-------------------------------n–2
PENJUALAN NODEL (Y) 2,0 3,0 2,5 2,0 2,0 3,5 ΣY =
GAJI LOKAL(X) 1 3 4 2 1 7 ΣX =
Pusat Pengembangan Bahan Ajar - UMB
X2
ΣX2=
Y2
XY
ΣXY=
ΣY2=
Hesti Maheswari SE., M.Si MANAJEMEN OPERASIONAL