View
715
Download
4
Category
Preview:
Citation preview
TUGAS MANAJEMEN OPERASI
BAB 4
ANGGOTA KELOMPOK :1. Theresia Shirley T. 1104187092. Bani Ramiya L. 1104187153. Giftadara Inovani 1104187694. Natalia 110418774Kelas H
FAKULTAS EKONOMIUNIVERSITAS ATMA JAYA YOGYAKARTATAHUN 2013Pertanyaan untuk Diskusi1. Model peramalan kualitatif adalah peramalan yang menggabungkan faktor seperti instuisi, emosi, pengalaman pribadi dan system nilai penghambilan keputusan untuk meramal. Model tersebut sesuai untuk digunakan pada saat mengambil keputusan untuk meramal .2. Pendekatan umum dalam peramalan : Peramalan kuantitatif : peramalan yang menggunakan model matematis yang beragam dengan data masalalu dan variabel sebab-akibat untuk meramalkan permintaan. Peramalan kualitatif : peramalan yang menggabungkan faktor seperti instuisi, emosi, pengalaman pribadi dan system nilai penghambilan keputusan untuk meramal.3. Horizon waktu pada peramalan Peramalan jangka pendek : peramalan ini meliputi jangka waktu hingga satu tahun, tapi umumnya kurang dari tiga bulan. Peramalan ini digunkan untuk merencanakan pembelian, penjadwalankerja, penugasan kerja dan tingkat produksi. Peramalan jangka menengah : umumnya mencakup hitungan bulan hingga tahun. Peramalan ini biasanya digunakan untuk merencanakan penjualan , perencanaan dan anggaran produksi , anggaran kas, serta menganalisis macam macam rencana operasi. Peramalan jangka panjang : peramalan ini untuk jangka waktu tiga tahun atau lebih. Umumnya digunakan untuk merencanakan produk baru, pembelanjaan modal, lokasi atau pengembangan fasilitas serta penelitian dan pengembangan (litbang).4. Langkah yang digunakan untuk mengembangkan system peramalan : Menetapkan tujuan peramalan Memilih unsure yang akan diramalkan Menentukan horizon waktu peramalan Memilih jenis model peramalan Mengumpulkan data yang diperlukan untuk melakukan peramalan Membuat peramalan Memvalidasi dan menetapkan hasil peramalan5. Tiga kemungkinan penggunaan atau tujuan dari peramalan kepada manajer : Berkaitan dengan permasalahan yang lebih menyeluruh dan mendukung keputusan manajemen yang berkaitan dengan perencanaan produk, pabrik dan proses. Meramalkan akan seperti apakah produk baru yang akan dibuat nantinya. Memperbaharui peramalan penjualan untuk menjaga nilai dan integritasnya. Peramalan harus selalu dikaji dan direvisi pada setiap periode akhir penjualan.6. Karena teknik- teknik ini gagal memberikan respons terhadap tren yang terjadi sedangkan teknik peramalan lain dapat memberikan respon terhadap tren yang terjadi.7. Rata-rata bergerak berbobot dengan menggunakan pembobotan yang sangat efektif dalam meredam fluktuasi pada pola permintaan untuk menghasilkan prediksi yang stabil. Sedangkan penghalusan eksponensial merupakan metode peramalan rata-rata bergerak dengan pembobotan yang canggih tetapi masih mudah digunakan.8. Menggunakan yang pertama deviasi mutlak rerata, kedua kesalahan kuadran rerata, ketiga kesalahan persen mutlak rerata.dengan menggunakan laporan penghasilan kuartalan dari saham Microsoft, pengiriman harian bir coor, dan indeks harga konsumen tahunan.9. Metode Delphi adalah suatu metode dimana proses pengambilan kkeputudan melibatkan beberapa pakar10. Perbedaan antara model deret waktu dengan model asosiatif yaitu model deret waktu membuat prediksi masa depan dengan menggunakan data-data masa lalu, sedangkan model asosiatif menggunakan variable atau faktor yang mempengaruhi kuantitatif yang akan diramalkan.11. Deret waktu adalah rangkaian data yang berupa nilai pengamatan yang diukur selama kurun waktu tertentu berdasarkan waktu dengan interval yang sama.12. Dampak dari nilai konstanta penghalusan () pada bobot yang diberikan pada nilai terkini adalah dapat memberikan bobot yang lebih pada data sekarang (saat tinggi) atau bobot yang lebih pada data masa lalu (saat rendah).13. Perbedaan pola musiman dengan pola siklus yaitu musiman adalah pola data yang berulang pada kurun waktu tertentu seperti hari, minggu, bulan, atau kuartal, sedangkan pola siklus adalah pola dalam data yang terjadi setiap beberapa tahun dan terkait pada siklus bisnis.14. Teknik peramalan yang dapat memberikan penekanan lebih banyak pada nilai sekarang adalah komposit tenga penjualan.15. Peramalan adaptif adalah mengacu pada pemantauan sinyal penelusuran menggunakan komputer serta penyesuaian diri jika suatu sinyal melampaui batas yang ditentukan. 16. Tujuan sinyal penelusuran adalah mengawasi peramalan dapat berjalan dengan baik. 17. Makna koefisien korelatif adalah alat yang digunakan untuk mengukur hubungan diantara dua variabel yang menggambarkan suatu hubungan yang linear.Arti nilai koefisien korelatif adalah menunjukkan korelasi yang cukup berarti dan membantu menyajikan kekuatan hubungan-hubungan yang terjadi diantara dua variabel. 18. Variabel bebas adalah suatu variabel yang menyebabkan atau menjadi sebab bagi berubahnya variabel lain (Dependent Variables / DV). Apabila Independent Variables / IV mengalami perubahan maka Dependent Variables / DV juga mengalami perubahan. Variabel bebas memberikan stiumulus dalam perubahan variabel lain. Banyak istilah yang digunakan untuk penyebutan istilah variabel bebas, padanan kata atau sinonim dari variabel bebas diantaranya variabel penyebab (independent variables), prediktor, stimulus, eksougen atau antecendent. Variabel bebas biasanya dipilih oleh peneliti untuk menentukan hubungannya dengan suatu gejala yang diobservasi. Variabel Terikat (Dependen Variables / DV) merupakan variabel yang dipengaruhi atau menjadi akibat karena adanya variabel lain (variabel bebas). Juga sering disebut variabel terikat, variabel respons atau endogen. Variabel dependen atau terikat sering juga disebut variabel criteria, respond an output (hasil). Variabel dependen (DV) merupakan variabel yang dipengaruhi atau yang menjadi akibat, karena adanya variabel independent (bebas) . Ada pula yang mengistilahkan Variabel Terikat (Dependent Variables / DV) dengan variabel tergantung. Variabel tergantung memberikan reaksi / respon jika dihubungkan dengan varibel bebas. Variabel tergantung adalah adalah variable yang faktornya diamati dan diukur untuk menentukan pengaruh yang disebabkan oleh varaibel bebas.
19. Contoh industri yang dipengaruhi oleh musim adalah industri pakaian. Di Indonesia, ketika Hari Raya Idul Fitri (lebaran) tiba misalnya, permintaan pakaian akan meningkat. Industri pakaian tentu ingin menghilangkan faktor musim karena industri tersebut menginginkan pendapatan tinggi di setiap harinya lewat permintaan pakaian tanpa melihat apakah itu kondisi lebaran atau tidak.
20. Contoh industri di mana peramalan permintaan bergantung pada permintaan produk lain adalah industri gula. Apabila permintaan akan produk teh meningkat maka peramalan permintaan akan produk gula akan meningkat, begitu juga sebaliknya. Hal ini disebabkan karena teh dan gula adalah produk-produk yang komplementer (saling melengkapi) sehingga ketika satu produk ada yang lain akan melengkapinya.21. Yang terjadi dengan kemampuan kita untuk meramalkan suatu periode yang sangat jauh di masa depan tentu akan sangat berkurang probabilitas tercapainya ramalan tersebut. Sepandai-pandainya kita meramal tetapi kalau harus meramal sesuatu yang sangat jauh di depan kita maka kemampuan peramalan kita banyak meleset. Hal ini disebabkan karena adanya keterbatasan kapasitas peramalan waktu.Soal-soal4.1 a. pekan kelabu yang digunakanrata2 bergerak 3mingguan
31 agustus360
7-Sep389
14-Sep410386.3333333
21-Sep381393.3333333
28-Sep368386.3333333
5 oktober374374.3333333
12 oktober374.3333333
b.pekan kelabu yang digunakanrata2 bergerak dengan pembobotan 3mingguan
31 agustus360
7-Sep389
14-Sep410
21-Sep38166.45
28-Sep36865.08333333
5 oktober37462.68333333
12 oktober62.15
c.pekan kelabu yang digunakaneksponensial
31 agustus360
7-Sep389
14-Sep410
21-Sep381
28-Sep368
5 oktober374
12 oktober72
4.2 a. b.tahun1234567891011
permintaan795913812139117
rata2 bergerak2123273033333433
c.tahun1234567891011
permintaan795913812139117
rata2 bergerak0.80.981.381.21.361.5251.311.3
d. yang terlihat memberikan hasil lebih baik adalah peramalan rata rata bergerak 3mingguan4.3 Ya, peramalan lebih baik karena peramalan rata-rata bergerak lebih cepat dengan permintaan yang tidak menurun.4.4 a.jumlah cek4048
bulanjuniJuli
c.jumlah cek404554
bulanjunijuliags
4.5 a.tahunjarakrata2 bergerak 2tahun
13000
24000
334003500
438003700
537003600
c.tahunjarakrata 2 bergerak 2 tahunan
13000
24000
334003000
438002840
537002960
4.6bulanpenjualanrata2 bergerak 3bulanan
januari20
februari21
maret15
april144.666666667
mei134.166666667
juni163.5
juli173.583333333
agustus183.833333333
september204.25
oktober204.583333333
november214.833333333
desember235.083333333
4.9bulanharga per chiprata2 bergerak 2bulanan
januari$1.80
februari1.67
maret1.70.289166667
april1.850.280833333
mei10.90.295833333
juni1.871.0625
juli1.81.064166667
agustus1.830.305833333
september1.70.3025
oktober1.650.294166667
november1.70.279166667
desember1.750.279166667
4.7 Berdasarkan data yang ada, peramalan tidak terjadi cukup baik karena jumlah pasien yang semakin menurun di minggu-minggu terakhir.4.8
4.9 Peramalan yang paling baik adalah pada saat menggunakan alpha () 0.3 karena hasil paling mendekati angka yang semakin kecil untuk penurunan harga.4.10. a)Tahun1234567891011
Pendaftaran (000)464510879121415
Rata-rata Bergerak 3 tahunan4,6756,337,678,3389,3311,67
b) Tahun1234567891011
Pendaftaran (000)464510879121415
Rata-rata Bergerak dg pembobotan4,674,678,338,677,338,331113
c)
Dari grafik diatas dapat dilihat bahwa metode peramalan yang lebih baik yaitu rata-rata bergerak dengan pembobotan.4.11. a) Peramalan baru Tahun 2 = 5000 + 0,3(4000-5000) = 4700b) Pada kasus ini tidak ada MAD karena (konstanta penghalusan) hanya terdapat 1 saja4.12. Peramalan baru pada hari Jumat = 80 + 0,25(48-80) = 724.13. a)Tahun123456
Transplantasi Jantung455052565835
Perkiraan permintaan (=0,6)414347505543
Perkiraan permintaan (=0,9)414550555837
b)Tahun123456
Transplantasi Jantung455052565835
Rata-rata Bergerak 3 tahunan504643495355
c)Tahunx (waktu)y (permintaan)x2xy
1145145
22504100
33529156
445616224
555825290
663536210
Jumlah ()21296911025
b = a = -b = 49,33 (-0,62)(3,5) = 49,33 + 2,17 = 51,5 = =
Persamaan tren = y = 51,5 0,62xTahun123456
Perkiraan Permintaan515050494848
d) - Metode konstanta penghalusan = 0,6MAD = Metode konstanta penghalusan = 0,9MAD = Metode rata-rata bergerak = Metode proyeksi tren =
MSE metode 1 = MSE metode 2 = Dari keempat metode yang digunakan yang terbaik dan tidak ada kesalahan yaitu metode rata-rata bergerak dan metode proyeksi tren4.14. MAD metode 1 = MAD metode 2 = 4.15. TahunPenjualanRata-rata bergerak 3 tahunan
2003450432
2004495394
2005518365
2006563488
2007584525
2008149555
MAD = 4.16. TahunPerubahan tahun(x)Penjualan (y)x2xy
200314501450
200424954990
2005351891554
20064563162252
20075584252920
2008614936894
=212759919060
b = a = 459,83-(0,08)(3,5) = 459,83-0,28 = 459,55 = = Persamaan = y = 459,55 + 0,08 xTahun123456
Peramalan460460460460460460
4.17. TahunPenjualanProyeksi tren = 0,6Proyeksi tren = 0,9
2003450410410
2004495434446
2005518471490
2006563499515
2007584537558
2008149565581
MAD =0,3 =MAD = 0,6 = MAD = 0,9 = Dampak yang diberian oleh konstanta penghalusan akan membuat perkiraan penjualan menjadi lebih tinggi dari sebelumnya. Dan dari ketiga konstanta penghalusan yang digunakan yang paling akurat yaitu pada konstanta () 0,3.4.18. Waktu (t)Permintaan (At)Peramalan (Ft)
15050
24250
35646
44650
5
F5= F4 + (A4-F4) = 50 + 0,5(46-50) = 52 F3 = F2 + (A2-F2)46 = 50 + (42-50)4 = 8 = 0,54.19. BulanPendapatanPeramalan dihaluskan FtTren Dihaluskan TtPeramalan Memperhitungkan Tren FITt
Februari70,065000065000
Maret68,558507-1298,657208,4
April64,857215,25-1297,2355918,02
Mei71,750332,698-2414,2947918,4
Juni71,343133,73-3371,2239762,5
Juli72,835793,38-4165,0531628,33
4.20Aktual = 0,1(Kesalahan)2 = 0,5(Kesalahan)2
7000065000250000006500025000000
68500655009000000675001000000
648006580010000006800010240000
7170065700360000006640028090000
713006630025000000690505062500
728006680036000000701756890625
?6740071487,5
Jumlah13200000076283125
MSE2200000012713854,2
MSE = Yang menghasilkan peramalan lebih baik adalah konstanta =0,5 karena menghasilkan MSE yang minimum.4.21Bulan kelimaF5=A4+(1-)(F4+T4)= (0,2)(19)+(1-0,2)(17,82+2,32)=19,91T5=(F5-F4)+(1-)T4=(0,4)(19,91-17,82)+(1-0,4)(2,32)=2,23FIT5=F5+T5=19,91+2,23=22,14
Bulan keenamF6=A5+(1-)(F5+T5)= (0,2)(24)+(1-0,2)(19,91+2,23)=22,51T6=(F6-F5)+(1-)T5=(0,4)(22,51-19,91)+(1-0,4)(2,23)=2,38FIT5=F5+T5=22,51+2,38=24,89
4.21 Perhitungan 182=150+(100-141)182=150+4132=41=0,784.22 Perhitungan 200=180+(155-185)200=180+3020=30=0,64.23Perhitungan 114=120+(101-120)114=120+1919=6=0,31BulanPenjualanPeramalanDeviasi absolut =0,31Kesalahan % absolut
Februari83
Maret1011201918,81
April961141818,75
Mei891102123,59
Juni10810800
Jumlah5861,15
MAD14,5
MAPE15,28
MAD= = = 14,5MAPE = = = 15,28%4.25BulanJumlah KecelakaanKenaikan
Januari30
Februari4010
Maret6020
April9030
Mei13040
Dengan persamaan tren y=a+bxKecelakaan yang terjadi saat bulan Mei diperkirakan berjumlah 130.4.26Musimmasa lalux-2x-1tahun initahun depan
gugur200250300450
dingin350300250200
semi150165180330
panas300285270220
Penjualan10001000100010001200
4.27 Tingkat permintaan untuk kapal layar Mark sedikit menurun terutama pada musim gugur apabila dibandingkan dengan musim lainnya.4.28 Indeks musiman pengunjung yaitu 0,57.4.29KuartalFaktor (indeks)19841985...2009
Dingin0,877,4379,15116,99
Semi1,177,8679,58117,42
Panas1,478,2980,01117,85
Gugur0,778,7280,44118,28
D=77+0,43QDi mana mulai Q=1 untuk musim dingin tahun 1984Maka untuk tahun 2009, sebagai berikut :Musim dingin= 77+0,43(93) = 116,99Musim semi= 77+0,43(94) = 117,42Musim panas= 77+0,43(95) = 117,85Musim gugur= 77+0,43(96) = 118,284.30 a) Ramalan permintaan untuk Aztec saat temperatur 70oF adalah 337b) Permintaan saat temperatur 80oF adalah 380c) Permintaan saat temperatur 90oF adalah 4234.31 Berapa kopi mocha latte yang diramalkan akan terjual berdasarkan regresi linear sederhana jika harga secangkir kopi $1,80 adalah 345 4.32 a) Regresi linear yang menghubungkan penjualan di bar dengan jumlah tamu (bukan dengan waktu) adalah y = 50 + 18xb) Jika peramalan menunjukkan bahwa akan datang 20 tamu pekan depan, penjualan yang diharapkan adalah $4104.33 a) Ramalan jumlah transistor yang akan dibuat tahun depan dengan menggunakan regresi linear adalah = 506,4 + 2,83xb) Jumlah MSE saat menggunakan regresi linear adalah 11c) Jumlah MAPE adalah 5,6%4.34 Jumlah kecelakaan mobil yang diperkirakan pada kondisi a = 28, b = 43, dan c = 58. 4.35 Jumlah MSE yaitu 16.4.36 a) Jika Wanda Fennel kembali dari perjalanan sejauh 300 mil selama 5 hari, jumlah yang seharusnya ia tagihkan sebagai pengeluaran adalah $425,50. b) Fennel mengajukan permintaan penggantian biaya perjalanan sebesar $685. Hal yang seharusnya dilakukan oleh pihak akuntan adalah permintaannya lebih besar dari perkiraan , jadi perlu mencari dokumen tambahan. c) Haruskah variabel lain dimasukkan? Iya perlu memasukkan variabel lainnya, Variabel yang mana? Variabel index biaya tujuan, Mengapa? Untuk meningkatkan r dan r2.4.37 a) Jumlah MADnya adalah 13,55 b) Sinyal penelusurannya adalah 104.38 a) Persamaan regresi kuadrat terkecil adalah y = -0,158 + 0,308x. b) Dengan hasil bagian a), prediksi pengumpulan pajak penjualan jika pendaftaran mobil baru total 22,000 adalah $2,719. c) koefisien korelasi dan koefisien determinasinya adalah r = 0,966; r2 =0,934.4.39 Dengan menggunakan analisis tren, prediksilah jumlah pasien Dr. Sweeney pada tahun ke 11 dan 12 adalah Jumlah pasien Dr. Sweeney pada tahun ke-11 adalah 11,008 Jumlah pasien Dr. Sweeney pada tahun ke-12 adalah 11,965. 4.40. 131,2 72,7 pasien ; 90,6 50,6 pasien 4.41. c. 250.000 orang / pengunjung4.42. a. Mereka butuh banyak data dan harus mampu mengenali faktor musiman dan trenb. Coba meningkatkan model naf anda sendiri karena musiman kuatc. Hitung dan gambar grafik perkiraan anda4.43. Peramalan minggu ke 25 = 40 + 0,2 (50-40) = 424.44. Pengeluaran tren tidak memberikan peningkatan yang penting4.45. Peramalan baru = 109 + 0,2 (120-109) = 111,24.46. a. Y=1,03 + 0,0034x, r= 0,479b. Untuk x = 350 , y = 2,22c. Untuk x = 800, y = 3,754.47. a. Ada tren linier yang kuat dalam penjualan.4.48. a. Penjualan (y)= -9,349 + 0,1121 (kontrak)b. r = 0,8963; Sxy = 1,34084.49. a. Karena konstanta ini bisa diubah untuk memberi bobot lebih pada data sekarang atau data masa lalu
Recommended