PERAMALANE. Susy Suhendra3-*

3-*Ramalan:Sebuah pernyataan tentang nilai di masa mendatang dari sebuah variabel yang ingin diketahui, seperti permintaan (demand).Peramalan digunakan untuk membuat keputusan bernilai.Jangka panjangJangka pendek

3-*Ramalan Ramalan mempengaruhi keputusan-keputusan dan aktivitas dalam sebuah organisasiAkuntasi, KeuanganSumberdaya ManusiaPemasaranSistem Informasi Manajemen (SIM)OperasionalDisain produk/jasa

3-*Penggunaan Ramalan

AkuntansiPerkiraan biaya/keuntunganKeuanganArus kas dan pendanaanSumberdaya manusiaPenerimaan pegawai/trainingPemasaranPenetapan harga, promosi, strategiSIMTI/SI systems, layanan-layananOperasionalJadwal, MRP, beban kerjaDisain produk/jasaProduk baru dan jasa

3-*

3-*Beranggapan sistem kasual masa lalu ==> masa depanRamalan jarang sempurna, oleh karena tingkat keacakanRamalan lebih akurat untuk group daripada individuTingkat akurasi ramalan menurun sejalan dengan meningkatnya cakrawala waktuCiri-ciri ramalan

3-*Unsur-unsur ramalan yang baik

3-*Langkah-langkah proses peramalan

3-*Jenis-jenis RamalanPendapat menggunakan masukan secara subjektifSerial waktu menggunakan data historis dan mengasumsikan masa depan akan sama dengan masa laluModel Asosiatif (Associative Model) menggunakan variabel-variabel untuk meramalkan masa depan

3-*Ramalan berdasarkan penilaian (Judgmental Forecast)Pendapat atasanPendapat tenaga penjualSurvei konsumenPendapat dari luarMetode DelphiPendapat dari manajer dan stafMencapai ramalan secara kosensus

3-*Ramalan serial waktu (times series)Tren pergerakan jangka panjang dalam dataMusiman- variasi tetap jangka pendek dalam dataSiklus variasi-variasi bergelombang dari lebih dari satu tahunVariasi tak beraturan disebabkan kejadian-kejadian yang tidak biasanyaVariasi acak disebabkan karena kesempatan

3-*Variasi-variasi RamalanTren (kecenderungan)Variasi tak beraturanVariasi musiman908988Gambar 3.1Siklus

Peramalan berdasarkan data runut waktu (serial data)Metode Naif (Nave Method)Teknik Perata-rataanMetode rata-rata bergerakMetode rata-rata bergerak tertimbangMetode pemulusan pangkat (exponential smoothing)Teknik untuk trenTren linear

3-*

Metode NaifPeriode ke-1 = 200Periode ke-2 = 230Periode ke-3 = ?3-*

3-*Teknik-teknik Perata-rataanRata-rata bergerak (Moving average)Rata-rata bergerak tertimbang(Weighted moving average)Exponential smoothing

3-*Rata-rata BergerakRata-rata Bergerak Sebuah teknik yang merata-ratakan sebuah angka dari nilai aktual terbaru, diperbaharui sebagai nilai-nilai baru yang tersedia.

Rata-rata bergerak tertimbang Nilai-nilai baru dalam sebuah rangkaian diberikan berat lebih dalam peramalan.

3-*Rata-rata Bergerak SederhanaActualMA3MA5

Chart3

42

40

43

4041.6666666667

4141

3941.333333333341.2

464040.6

444241.8

454342

384543

4042.333333333342.4

4142.6

Actual

MA3

MA5

Sheet1

PeriodActualAlpha = 0.1ErrorAlpha = 0.4Error

142

24042-2.0042-2

34341.81.2041.21.8

44041.92-1.9241.92-1.92

54141.73-0.7341.15-0.15

63941.66-2.6641.09-2.09

74641.394.6140.255.75

84441.852.1542.551.45

94542.072.9343.131.87

103842.36-4.3643.88-5.88

114041.92-1.9241.53-1.53

1241.7340.92

Sheet1

000

000

000

000

000

000

000

000

000

000

000

000

Actual

Alpha = 0.1

Alpha = 0.4

Period

Demand

Sheet2

PeriodActualMA3MA5

142

240

343

44041.7

54141.0

63941.341.2

74640.040.6

84442.041.8

94543.042

103845.043

114042.342.4

1241.042.6

Sheet2

000

000

000

000

000

000

000

000

000

000

000

000

Actual

MA3

MA5

Sheet3

3-*Contoh Metode Moving Average

3-*Exponential SmoothingDasar pikiran (Premise) Observasi-observasi terbaru mungkin memiliki nilai ramalan tertinggi (akurasi).Oleh karenanya, kita sebaiknya memberikan beban lebih ke periode-periode waktu terbaru pada saat peramalan.Metode rata-rata tertimbang didasarkan pada ramalan sebelumnya ditambah persentase kesalahan ramalanA-F adalah periode kesalahan, adalah % umpanbalik (feedback)

Ft = Ft-1 + (At-1 - Ft-1)

3-*Contoh 3 - Exponential Smoothing

Sheet1

PeriodActualAlpha = 0.1ErrorAlpha = 0.4Error

142

24042-2.0042-2

34341.81.2041.21.8

44041.92-1.9241.92-1.92

54141.73-0.7341.15-0.15

63941.66-2.6641.09-2.09

74641.394.6140.255.75

84441.852.1542.551.45

94542.072.9343.131.87

103842.36-4.3643.88-5.88

114041.92-1.9241.53-1.53

1241.7340.92

Sheet1

Actual

Alpha = 0.1

Alpha = 0.4

Period

Demand

Sheet2

Sheet3

Nilai Alpha Nilai 0 < < 1

Semakin dekat nilai dengan 0, semakin jauh nilai ramalan dengan nilai aktual. Sebaliknya, semakin besar dekat nilai dengan 1, semakin dekat nilai ramalan aktual.

3-*

3-*Memilih Nilai Alpha

3-*Kencenderungan umum nonlinearGambar 3.5

3-*Rumus Tren LinearFt = Forecast for period tt = Specified number of time periodsa = Value of Ft at t = 0b = Slope of the line

3-*Menghitung a dan b

3-*Contoh Rumus Tren Linear

t

y

Week

t2

Sales

ty

1

1

150

150

2

4

157

314

3

9

162

486

4

16

166

664

5

25

177

885

S t = 15

S t2 = 55

S y = 812

S ty = 2499

(S t)2 = 225

3-*Penghtiungan Tren Linear

3-*Teknik-teknik untuk MusimanVariasi-variasi MusimanPergerakan tetap yang berulang dalam rangakaian-rangkaian nilai yang bisa dihubungkan dengan kejadian-kejadian berulang.Musiman relatifPersentase dari rata-rata atau tren (kecenderungan)Rata-rataSebuah rata-rata bergerak yang ditempatkan pada pusat data yang telah digunakan untuk menghitungnya.

3-*Peramalan Asosiatif (Associative Forecasting)Variable-variabel peramal digunakan untuk meramal nilai-nilai dari variabel sejenisRegresi sebuah teknik untuk mencocokkan sebuah garis ke dalam serangkaian nilai-nilaiGaris pangkat terkecil (Least squares line) memperkecil jumlah pangkat penyimpangan-penyimpangan di sekitar sebuah garis

3-*Model linear nampak beralasanSebuah garis lurus dicocokan ke suatu rangakaian nilai

3-*Asumsi-asumsi Regresi Linear Variasi-variasi di sekitar garis adalah acakPenyimpangan-penyimpangan di sekitar garis didistribusikan secara normalPrediksi-prediksi dibuat hanya dalam jangkauan nilai yang ditelitiUntuk hasil terbaik:Selalu tandai data untuk membuktikan linearitasnyaMemeriksa data bergantung waktuHubungan kecil bisa menyatakan bahwa variabel-variabel lain juga penting

3-*Akurasi RamalanKesalahan (Error) perbedaan antara nilai aktual dan nilai ramalanMean Absolute Deviation (MAD)Rata-rata kesalahan mutlak (Average absolute error)Mean Squared Error (MSE)Rata-rata kesalahan berpangkat (Average of squared error)Mean Absolute Percent Error (MAPE)Rata-rata persentase kesalahan mutlak (Average absolute percent error)

3-*MAD, MSE, and MAPEMAD = Actualforecastn

3-*MAD, MSE dan MAPEMADMudah dihitungMenimbang (menghitung) kesalahan secara linearMSEKesalahan dipangkatkan duaBeban lebih untuk kesalahan (erorr) yang lebih besarMAPEMenempatkan kesalahan-kesalahan (errors) berdasarkan penyebabnya

3-*Contoh

Sheet1

PeriodActualForecast(A-F)|A-F|(A-F)^2(|A-F|/Actual)*100

12172152240.92

2213216-3391.41

32162151110.46

4210214-44161.90

52132112240.94

621921455252.28

7216217-1110.46

8212216-44161.89

-2227610.26

MAD=2.75

MSE=10.86

MAPE=1.28

Sheet2

Sheet3

3-*Pengawasan RamalanGrafik Pengawasan (Control Chart)Alat untuk mengawasi kesalahan-kesalahan ramalan secara visualDigunakan untuk menemukan ketidak-serempangan dalam kesalahan-kesalahanKesalahan-kesalahan peramalan berada dalam kendali jikaSemua kesalahan berada dalam batas kendaliMuncul dengan tidak berbentuk, seperti tren atau siklus

3-*Sumber-sumber kesalahan ramalanModel peramalan mungkin tidak cukupVariasi-variasi yang tak beraturanKesalahan penggunaan teknik peramalan

3-*Memilih teknik peramalanTidak ada teknik yang berfungsi di setiap situasiDua faktor yang paling pentingBiayaAkurasiFaktor lain termasuk ketersediaan dari:Data historis (masa lalu)KomputerWaktu yang dibutuhkan untuk mengumpulkan dan menganalisa dataCakrawala ramalan (forecast horizon)

3-*Strategi OperasiRamalan-ramalan adalah berbasis pada banyak keputusan-keputusanBerusaha untuk memperbaiki ramalan jangka pendekAkurasi ramalan-ramalan jangka pendek memperbaiki:Keuntungan Menurunkan tingkat persediaanMengurangi keterbatasan persediaanMemperbaiki tingkat layanan konsumenMempertinggi tingkat kepercayaan terhadap ramalan

3-*Ramalan rantai suplaiMembagi ramalan dengan suplai dapatMemperbaiki kualitas dalam rantai suplaiMenurunkan biaya-biayaMemperpendek waktu tunggu

3-*Exponential Smoothing

3-*Rumus Tren Linear

3-*Regresi Linear Sederhana

Pertanyaan?3-*

*******************************************