Metode Peramalan Permintaan bahan baku
N
E
Click to edit Master M
title
E
Click METODE
to editstyle
Master
title
style
J
PERAMALAN
A
PERMINTAAN
N
Click to editA
Master subtitle style
M
M
P
P
EXECUTIVE DEVELOPMENT PROGRAM
Click to edit Master subtitle style
PPM Manajemen
5/19/2016
5/19/2016
Jl. Menteng Raya 9, Jakarta 10340 Telp. (021) 2300313 Fax : (021) 2302051
www.ppm-manajemen.ac.id
1 1
SASARAN SESI
N
E
M
E
J
Setelah mengikuti sesi ini, peserta diharapkan dapat :
• Mengenal teknik – teknik peramalan permintaan
A
N
A
• Mengenal faktor-faktor eksternal maupun internal yang dapat
mempengaruhi peramalan permintaan
M
• Mengenal keputusan atas peramalan permintaan yang dilakukan
M
P
P
RAMALAN PENJUALAN
?
M
P
P
M
A
N
A
N
E
M
E
J
Mengapa harus diramalkan?
INDEPENDENT VS. DEPENDENT DEMAND
DIRAMALKAN
Uncertain
M
P
P
DIHITUNG
Certain
A
N
A
Bill of
Material
M
N
E
M
E
J
Sumber: http://images.slideplayer.com/13/4167436/slides/slide_6.jpg
INDEPENDENT VS.
DEPENDENT DEMAND
M
http://cdn.overstock.com/img/mx
c/100217_laser-printer.jpg
M
P
P
A
N
A
N
E
M
E
J
http://www.castleink.com/i
mages/ink-cartridge-2.jpg
Mana yang tergolong independent dan
dependent demand bagi manufacturer?
Mbesok …
Bakal datang RATU ADIL !!!
M
A
N
A
N
E
M
E
J
M
P
P Peramalan pasti tidak 100% tepat
BEBERAPA BENTUK/POLA DATA
INDEPENDENT DEMAND
N
E
M
E
J
o
Y
o
o
UNIT
o
o
A
N
A
o
o
o
o
M
P
P
M
TIME
POLA TREND
X
Kecenderungan menaik atau menurun secara progresif
BEBERAPA BENTUK/POLA DATA
INDEPENDENT DEMAND
Y
UNIT
M
P
P
M
A
N
A
N
E
M
E
J
TIME
POLA CYCLICAL
(SIKLIS)
X
Sulit diperkirakan, disebabkan fluktuasi kondisi ekonomi
BEBERAPA BENTUK/POLA DATA
INDEPENDENT DEMAND
N
E
M
E
J
x
x
x
x
x
x
A
N
A
POLA SEASONAL
(MUSIMAN)
x
x
x
M
P
P
IV
I
1977
II
M
III
IV
I
II
III
IV
1978
Berulang secara regular dengan periode yg relatif konstan
TIGA PIRAMIDA AGREGASI DALAM
PERAMALAN
Jk.
Panjang
Sumber: Vincent Gaspersz, 2009
Jk.
Menengah
Wilayah (Unit)
Jk. Pendek
Agregasi berdasarkan
waktu
M
P
P
N
E
M
E
J
Global
(Rp)
Regional
(Rp/Unit)
A
N
A
Vol. Bisnis
Total (Rp)
M
Vol. Famili
Produk
(Rp/Unit)
Vol. Item/Produk
(Unit)
Vol. SKU (Unit)
Agregasi berdasarkan
kelompok produk
Cabang (Unit)
Agregasi berdasarkan
geografis
Persentase dari 160 perusahaan yang
menggunakan model peramalan
(Time series)
(moving average)
(exp. smoothing)
(trend)
(straight line)
(time series)
(kualitatif)
M
P
P
M
A
N
A
N
E
M
E
J
Hanya 11 model peramalan yang populer digunakan
JENIS TEKNIK PERAMALAN
TEKNIK
PERAMALAN
KUALITATIF
DELPHI
SURVEI
PASAR
M
P
P
N
E
M
E
J
KUANTITATIF
A
N
A
JUDGEMENT
M
MOVING
AVERAGE
TIME
SERIES
SEBAB AKIBAT
(KAUSAL)
REGRESI
EKSPONENTIAL
SMOOTHING
BOX-JENKINS
TEKNIK PERAMALAN KUALITATIF
N
E
M
E
J
Tingkat Ketepatan
Metode
Cara Peramalan
Biasanya dipakai untuk
Perkiraan
Biaya
Jangka
Pendek
Jangka
Menengah
Jangka
Panjang
Sedang s/d
sangat baik
Sedang s/d
sangat baik
Sedang s/ d
besar
Delphi
Para ahli berkumpul dalam suatu
kelompok diskusi kemudian
menjawab pertanyaan yang sama
lalu didiskusikan beberapa babak
• Ramalan penjualan jangka
panjang
• Perencanaan pabrik dan
kapasitas produksi
• Meramalkan perubahan teknologi
Sedang s/d
sangat baik
Survei Pasar
Panel diskusi, kuesioner, market
test, survei langsung
• Ramalan penjualan total
• Ramalan produk utama
• Ramalan setiap jenis produk
Sangat baik
Baik
Sedang
Besar
Kurang s/d
sedang
Kurang s/d
sedang
Kurang s/d
sedang
Kecil
Judgement
M
P
P
Peramalan dilakukan oleh 1 orang
atau lebih, berdasarkan pengalaman
firasat tanpa metode yang
sistematis
M
A
N
A
• Ramalan total penjualan
• Ramalan setiap jenis produk
TEKNIK PERAMALAN KUANTITATIF
N
E
M
E
J
Tingkat Ketepatan
Metode
Cara Peramalan
Biasanya dipakai untuk
Perkiraan
Biaya
Jangka
Pendek
Jangka
Menengah
Jangka
Panjang
Kurang
Sangat kurang
Rendah
Moving average
Menggunakan data yang ada
beberapa periode sebelumnya
• Ramalan jangka pendek dan
menengah
• Untuk sediaan
• Penjadwalan
• Baik untuk banyak produk
Kurang s/d
sedang
Eksponential
smoothing
Menggunakan data yang ada
beberapa periode sebelumnya
dengan dihitung berdasarkan
pembobotan
• Ramalan jangka pendek dan
menengah
• Untuk sediaan
• Penjadwalan
• Baik untuk banyak produk
Sedang s/d baik
Kurang s/d
baik
Sangat kurang
Rendah
• Ramalan total penjualan
• Ramalan setiap jenis produk
Sangat baik
Sedang s/d
baik
Sangat kurang
Tinggi
Box Jenkins
M
P
P
Menggunakan komputer dan
perangkat lunak statistik
M
A
N
A
N
E
M
TEKNIK PERAMALAN
E
J
DERET WAKTU (TIME
SERIES)
A
N
A
M
M
P
P
METODE DERET WAKTU (TIME SERIES)
Prinsip metode deret waktu (time series):
masa yang akan datang adalah ekstrapolasi masa lalu
M
P
P
M
A
N
A
N
E
M
E
J
1. Moving Average
N
E
M
E
J
MA (n) = Demand in previous n periods
n
n = banyaknya periode dalam rata-rata bergerak
A
N
A
• n dipilih yang paling memberikan nilai forecast error terkecil melalui trial
and error
M
• Metode Moving Average akan efektif diterapkan apabila dapat diasumsikan
bahwa permintaan akan tetap stabil sepanjang waktu dan tidak menunjukkan
kecenderungan (trend)
M
P
P
1. Moving Average
M
P
P
M
A
N
A
N
E
M
E
J
1. Moving Average
TAHUN
PENJUALAN
(MILYAR)
1983
125
1984
120
1985
128
1986
135
1987
139
1988
1989
M
P
P
M
142
N
E
M
E
J
MOVING
AVERAGE
3 THN
-
A
N
A
-
?
•RAMALAN PENJUALAN TAHUN 1989 = …………………….
2. Weighted Moving Average (Menggunakan
Bobot)
BULAN
TOTAL SALES
Januari
Februari
Maret
April
Mei
Juni
Juli
Agustus
September
Oktober
Nopember
Desember
10
12
13
16
19
23
26
30
28
18
16
N
E
M
E
J
{ ( 3 x 13 ) + ( 2 x 12 ) + 10 } / 6
M
P
P
M
A
N
A
BOBOT YANG DIGUNAKAN
3
2
1
6
FORECAST BULAN INI :
3 X SALES BULAN LALU + 2 X SALES 2 BULAN LALU + 1 X SALES 3 BULAN LALU
PERIOD
Bulan lalu
Dua bulan lalu
Tiga bulan lalu
JUMLAH BOBOT
2. Weighted Moving Average
(Menggunakan Bobot)
M
P
P
M
A
N
A
N
E
M
E
J
3. Exponential Smoothing
A
N
A
N
E
M
E
J
• dipilih yang paling memberikan nilai error terkecil melalui trial and error
• Biasa digunakan ketika pola historis dari data actual permintaan bergejolak
atau tidak stabil dari waktu ke waktu
M
• Fluktuasi/gejolak tinggi pilih mendekati satu
M
P
P
• Fluktuasi/gejolak rendah, relatif stabil pilih mendekati nol
• Angka ramalan awal ditentukan secara judgement, dapat disamakan dengan
permintaan awal atau menggunakan rata-rata beberapa data permintaan awal.
3. Exponential Smoothing
KUARTAL
1
2
3
4
5
6
7
8
9
M
P
P
180
168
159
175
190
205
180
182
?
M
N
E
M
E
J
FORECAST
= 0,1
= 0,6
PERMINTAAN
(dalam Ton)
180
180
178,8
176,82
176,64
179,97
180,67
180,61
180,75
A
N
A
180
180
172,8
164,52
170,82
182,32
195,93
186,37
183,37
4. Exponential Smoothing
with Trend Adjustment
M
P
P
M
A
N
A
N
E
M
E
J
• Digunakan ketika terdapat kecenderungan (tren) pada data
• dipilih yang memberikan hasil ramalan paling baik melalui trial and error
• Nilai trend awal dapat ditentukan berdasarkan perkiraan atau data historis
4. Exponential Smoothing
with Trend Adjustment
Bulan
1
2
3
4
5
6
7
8
9
10
Permintaan
12
17
20
19
24
26
31
32
36
M
P
P
?
M
N
E
M
E
J
Dengan mengambil
= 0,9 dan ramalan
awal diasumsikan 11,
maka dengan
Exponential
smoothing, didapatkan
nilai ramalan (F)
A
N
A
Ramalan
(F)
11.00
11.90
16.49
19.65
19.06
23.51
25.75
30.48
31.85
35.58
4. Exponential Smoothing
with Trend Adjustment
N
E
M
E
J
Data menunjukkan adanya trend. Dengan mengambil
= 0.4, maka factor koreksi trend (T) dan FIT adalah:
Tahun
Permintaan
1
2
3
4
5
6
7
8
9
10
12
17
20
19
24
26
31
32
36
?
M
P
P
M
Ramalan Koreksi
(F)
Trend (T)
11.00
0.00
11.90
0.36
16.49
2.05
19.65
2.49
19.06
1.26
23.51
2.53
25.75
2.42
30.48
3.34
31.85
2.55
35.58
3.03
A
N
A
FIT
11.00
12.26
18.54
22.14
20.33
26.04
28.17
33.82
34.40
38.61
5. Perkiraan Trend dengan Model
Regresi Sederhana
Y = a + bx
M
P
P
M
A
N
A
N
E
M
E
J
y = variable permintaan (data actual permintaan)
5. Perkiraan Trend dengan Model
Regresi Sederhana
M
P
P
M
A
N
A
N
E
M
E
J
Dengan menggunakan rumus, didapat:
b = 10,54 dan a = 56,7
6. Indeks Musiman
N
E
M
E
J
• Variasi musiman ditunjukkan dengan keberulangan dalam jangka waktu kurang dari satu
tahun.
• Jika variasi musiman tampak pada data, perlu diperhitungkan indeks musiman sebagai
faktor koreksi agar ramalan lebih akurat.
A
N
A
Perhitungan penggunaan indeks musiman adalah sebagai berikut:
1. Gunakan data permintaan untuk dua tahun atau lebih
2. Hitung rata-rata permintaan untuk masing-masing bulan (bisa juga kuartal) selama
periode pengamatan (misal Januari, Februari, dan seterusnya)
3. Hitung rata-rata permintaan per bulan selama periode pengamatan
4. Indeks musiman diperoleh dengan cara:
M
P
P
M
6. Indeks Musiman
N
E
M
E
J
Jika perincian penjualan per kuartal untuk 3 tahun terakhir adalah :
Kuartal
1986
1987
1988
I
II
III
IV
30
33
35
37
31
34
35
39
33
35
35
39
135
139
Total
M
A
N
A
142
Ramalan tahun 1989 = Rp. 146,4 milyar
M
P
P
Hitunglah indeks musiman-nya.
Kemudian menjabarkan ramalan penjualan tahunan menjadi kuartal
6. Indeks Musiman
Kuartal
1986
1987
1988
1
2
3
4
Total
30
33
35
37
135
31
34
35
39
139
33
35
35
39
142
Ramalan 1989
M
P
P
N
E
M
E
J
Rata-rata utk masingRata-rata per bulan
masing bulan
(1986-1988)
(1986-1988)
31.3
34.7
34.0
34.7
35.0
34.7
38.3
34.7
138.7
M
A
N
A
IM
Ramalan
1989
0.90
0.98
1.01
1.11
4.00
33.08
35.90
36.95
40.47
146.40
= IM x rata-rata ramalan penjualan per kuartal 1989
= IM x (146,4 milyar / 4)
N
E
M
PERHITUNGAN KESALAHAN
E
(ERROR) DAN PENGUKURAN
J
A
AKURASI PERAMALAN
N
A
M
M
P
P
KESALAHAN PERAMALAN
N
E
M
E
E A F J
A
N
A
M
Peramalan tidak pernah sempurna
Untuk mengukur kesalahan ramalan (forecast error):
t
t
t
Over-forecasts akan menyebabkan negative errors
Under-forecasts akan menyebabkan positive errors
M
P
P
Angka Error semakin kecil semakin baik
AKURASI PERAMALAN
Mean Absolute Deviation
(Rata-rata penyimpangan absolut)
Mean Square Error
A
N
A
(Rata-rata kuadrat kesalahan)
M
P
P
M
N
E
M
E
J
(kesalahan..ramalan) 2
MSE
n
Semakin kecil semakin akurat
AKURASI PERAMALAN
Mean Absolute Percentage Error
(Rata-rata persentase kesalahan absolut)
M
P
P
M
A
N
A
N
E
M
E
J
Semakin kecil semakin akurat
CONTOH PENGGUNAAN
Exp. Smoothing =0,1
M
P
P
M
A
N
A
Exp. Smoothing =0,5
N
E
M
E
J
Indikator Akurasi Peramalan digunakan untuk memilih metode
peramalan yang paling baik
TRACKING SIGNAL
N
E
M
E
J
Tracking signal adalah suatu ukuran bagaimana baiknya suatu
ramalan memperkirakan nilai-nilai aktual.
Digunakan untuk memantau akurasi model ramalan sekaligus
memvalidasi model peramalan.
M
P
P
M
A
N
A
RSFE = Running Sum of Forecast Error
MAD = Mean Absolute Deviation
TRACKING SIGNAL
N
E
M
E
J
Tracking signal (+) nilai aktual permintaan > nilai ramalan
Tracking signal (-) nilai aktual permintaan < nilai ramalan
Tra king signal dise ut
aik apa ila:
Memiliki nilai RSFE yang rendah
Memiliki positive error yang sama banyak/seimbang dengan negative error
Sehingga pusat dari tracking signal mendekati nol.
M
A
N
A
Setelah tracking signal dihitung, dapat dibangun peta control.
M
P
P
Rule of thumbs: batas pengendalian tracking signal maksimum +/4. Jika melebihi, maka model ramalan perlu ditinjau kembali karena
akurasinya tidak dapat diterima.
CONTOH PETA KONTROL
M
P
P
M
A
N
A
N
E
M
E
J
Ketika nilai ramalan sudah melewati batas kendali, model ramalan
perlu ditinjau kembali karena sudah tidak akurat.
CONTOH PENGGUNAAN
TRACKING SIGNAL
Absolute
M
A
N
A
N
E
M
E
J
Tracking signal bergerak antara -2 sampai +2,5, berarti masih dalam
batas yang bisa diterima. Model ramalan masih valid untuk
digunakan.
M
P
P
JENIS KEPUTUSAN
VS. TEKNIK PERAMALAN
JENIS KEPUTUSAN
DESAIN PROSES
PERENCANAAN
KAPASITAS
FASILITAS
PERENCANAAN
PRODUKSI TOTAL
LINGKUP
WAKTU
PANJANG
PANJANG
KEBUTUHAN
KETEPATAN
SEDANG
PUNCAK
A
N
A
SEDANG
N
E
M
E
J
TINGKAT
MANAJEMEN
METODE
PERAMALAN
KUALITATIF
DAN
SEBAB AKIBAT
PUNCAK
KUALITATIF
DAN
SEBAB AKIBAT
MENENGAH
TINGGI
MENENGAH
SEBAB AKIBAT
DAN
TIME SERIES
PENJADWALAN
PRODUKSI
PENDEK
PALING
TINGGI
BAWAH
TIME SERIES
MANAJEMEN
SEDIAAN
PENDEK
PALING
TINGGI
BAWAH
TIME SERIES
M
P
P
M
KRITERIA PEMILIHAN METODE PERAMALAN
N
E
M
E
J
1.
TINGKAT KECANGGIHAN SISTEM DAN PEMAKAI
2.
KETERSEDIAAN SUMBER DAYA DAN WAKTU
3.
KARAKTERISTIK PEMAKAIAN DAN KEPUTUSAN
4.
KETERSEDIAAN DATA
5.
MODEL DATA
M
P
P
M
A
N
A
PERAMALAN YANG JITU (1)
N
E
M
E
J
SIASATNYA :
- Gunakanlah berbagai metode peramalan sekaligus sebagai faktor koreksi
- Pilihlah metode peramalan sesuai dengan data yang tersedia
A
N
A
PERENCANAANNYA :
- Usahakan “data base” yang mencukupi agar tidak menyesat- kan kita
- Pilihlah variabel/faktor pasar yang pernah
secara nyata ada hubungannya dengan
variabel terikat yang kita cari
M
P
P
M
PERAMALAN YANG JITU (2)
N
E
M
E
J
SELALU INGAT AKAN :
- Kemungkinan aksi reaksi pesaing; sebaiknya buat beberapa
alternatif peramalan
- Kejadian-kejadian tak terduga yang dapat diperkirakan
mengguncangkan peramalan kita
A
N
A
SETELAH PERAMALAN SELESAI :
- Perbaikan dan perbaharui terus menerus
- Amati ketepatan ramalan
- Usahakan terincinya faktor-faktor tak terduga
sebelum hasil peramalan dijadikan
dasar pengambilan keputusan
M
P
P
M
IMBANGAN ANTARA BIAYA DAN KETEPATAN
RAMALAN
OPTIMUM
|
KENAIKAN
BIAYA
LEBIH
CANGGIH
M
P
P
T
M
N
E
M
E
J
• BIAYA TOTAL
|
• BIAYA AKIBAT KETIDAK
TEPATAN PERAMALAN
A
N
A
PERHITUNGAN
SEDERHANA
• BIAYA IMPLEMENTASI DAN
TEKNIK PERAMALAN
R
PENURUNAN KETEPATAN
FAKTOR YANG MEMPENGARUHI
N
E
M
E
J
Apa yang akan terjadi tidak selalu merupakan ekstrapolasi dari data masa lalu.
Beberapa hal yang tidak tercakup dalam perumusan perhitungan dapat dibagi menjadi faktor eksternal
dan faktor internal yaitu:
Faktor Eksternal
M
P
P
M
Faktor Internal
A
N
A
Metode peramalan dengan deret waktu ini sebenarnya hanya merupakan alat bantu. Angka
ramalan yang sebenarnya sangat ditentukan oleh judgment pengambil keputusan
M
P
P
M
A
N
A
N
E
M
E
J
E
Click to edit Master M
title
E
Click METODE
to editstyle
Master
title
style
J
PERAMALAN
A
PERMINTAAN
N
Click to editA
Master subtitle style
M
M
P
P
EXECUTIVE DEVELOPMENT PROGRAM
Click to edit Master subtitle style
PPM Manajemen
5/19/2016
5/19/2016
Jl. Menteng Raya 9, Jakarta 10340 Telp. (021) 2300313 Fax : (021) 2302051
www.ppm-manajemen.ac.id
1 1
SASARAN SESI
N
E
M
E
J
Setelah mengikuti sesi ini, peserta diharapkan dapat :
• Mengenal teknik – teknik peramalan permintaan
A
N
A
• Mengenal faktor-faktor eksternal maupun internal yang dapat
mempengaruhi peramalan permintaan
M
• Mengenal keputusan atas peramalan permintaan yang dilakukan
M
P
P
RAMALAN PENJUALAN
?
M
P
P
M
A
N
A
N
E
M
E
J
Mengapa harus diramalkan?
INDEPENDENT VS. DEPENDENT DEMAND
DIRAMALKAN
Uncertain
M
P
P
DIHITUNG
Certain
A
N
A
Bill of
Material
M
N
E
M
E
J
Sumber: http://images.slideplayer.com/13/4167436/slides/slide_6.jpg
INDEPENDENT VS.
DEPENDENT DEMAND
M
http://cdn.overstock.com/img/mx
c/100217_laser-printer.jpg
M
P
P
A
N
A
N
E
M
E
J
http://www.castleink.com/i
mages/ink-cartridge-2.jpg
Mana yang tergolong independent dan
dependent demand bagi manufacturer?
Mbesok …
Bakal datang RATU ADIL !!!
M
A
N
A
N
E
M
E
J
M
P
P Peramalan pasti tidak 100% tepat
BEBERAPA BENTUK/POLA DATA
INDEPENDENT DEMAND
N
E
M
E
J
o
Y
o
o
UNIT
o
o
A
N
A
o
o
o
o
M
P
P
M
TIME
POLA TREND
X
Kecenderungan menaik atau menurun secara progresif
BEBERAPA BENTUK/POLA DATA
INDEPENDENT DEMAND
Y
UNIT
M
P
P
M
A
N
A
N
E
M
E
J
TIME
POLA CYCLICAL
(SIKLIS)
X
Sulit diperkirakan, disebabkan fluktuasi kondisi ekonomi
BEBERAPA BENTUK/POLA DATA
INDEPENDENT DEMAND
N
E
M
E
J
x
x
x
x
x
x
A
N
A
POLA SEASONAL
(MUSIMAN)
x
x
x
M
P
P
IV
I
1977
II
M
III
IV
I
II
III
IV
1978
Berulang secara regular dengan periode yg relatif konstan
TIGA PIRAMIDA AGREGASI DALAM
PERAMALAN
Jk.
Panjang
Sumber: Vincent Gaspersz, 2009
Jk.
Menengah
Wilayah (Unit)
Jk. Pendek
Agregasi berdasarkan
waktu
M
P
P
N
E
M
E
J
Global
(Rp)
Regional
(Rp/Unit)
A
N
A
Vol. Bisnis
Total (Rp)
M
Vol. Famili
Produk
(Rp/Unit)
Vol. Item/Produk
(Unit)
Vol. SKU (Unit)
Agregasi berdasarkan
kelompok produk
Cabang (Unit)
Agregasi berdasarkan
geografis
Persentase dari 160 perusahaan yang
menggunakan model peramalan
(Time series)
(moving average)
(exp. smoothing)
(trend)
(straight line)
(time series)
(kualitatif)
M
P
P
M
A
N
A
N
E
M
E
J
Hanya 11 model peramalan yang populer digunakan
JENIS TEKNIK PERAMALAN
TEKNIK
PERAMALAN
KUALITATIF
DELPHI
SURVEI
PASAR
M
P
P
N
E
M
E
J
KUANTITATIF
A
N
A
JUDGEMENT
M
MOVING
AVERAGE
TIME
SERIES
SEBAB AKIBAT
(KAUSAL)
REGRESI
EKSPONENTIAL
SMOOTHING
BOX-JENKINS
TEKNIK PERAMALAN KUALITATIF
N
E
M
E
J
Tingkat Ketepatan
Metode
Cara Peramalan
Biasanya dipakai untuk
Perkiraan
Biaya
Jangka
Pendek
Jangka
Menengah
Jangka
Panjang
Sedang s/d
sangat baik
Sedang s/d
sangat baik
Sedang s/ d
besar
Delphi
Para ahli berkumpul dalam suatu
kelompok diskusi kemudian
menjawab pertanyaan yang sama
lalu didiskusikan beberapa babak
• Ramalan penjualan jangka
panjang
• Perencanaan pabrik dan
kapasitas produksi
• Meramalkan perubahan teknologi
Sedang s/d
sangat baik
Survei Pasar
Panel diskusi, kuesioner, market
test, survei langsung
• Ramalan penjualan total
• Ramalan produk utama
• Ramalan setiap jenis produk
Sangat baik
Baik
Sedang
Besar
Kurang s/d
sedang
Kurang s/d
sedang
Kurang s/d
sedang
Kecil
Judgement
M
P
P
Peramalan dilakukan oleh 1 orang
atau lebih, berdasarkan pengalaman
firasat tanpa metode yang
sistematis
M
A
N
A
• Ramalan total penjualan
• Ramalan setiap jenis produk
TEKNIK PERAMALAN KUANTITATIF
N
E
M
E
J
Tingkat Ketepatan
Metode
Cara Peramalan
Biasanya dipakai untuk
Perkiraan
Biaya
Jangka
Pendek
Jangka
Menengah
Jangka
Panjang
Kurang
Sangat kurang
Rendah
Moving average
Menggunakan data yang ada
beberapa periode sebelumnya
• Ramalan jangka pendek dan
menengah
• Untuk sediaan
• Penjadwalan
• Baik untuk banyak produk
Kurang s/d
sedang
Eksponential
smoothing
Menggunakan data yang ada
beberapa periode sebelumnya
dengan dihitung berdasarkan
pembobotan
• Ramalan jangka pendek dan
menengah
• Untuk sediaan
• Penjadwalan
• Baik untuk banyak produk
Sedang s/d baik
Kurang s/d
baik
Sangat kurang
Rendah
• Ramalan total penjualan
• Ramalan setiap jenis produk
Sangat baik
Sedang s/d
baik
Sangat kurang
Tinggi
Box Jenkins
M
P
P
Menggunakan komputer dan
perangkat lunak statistik
M
A
N
A
N
E
M
TEKNIK PERAMALAN
E
J
DERET WAKTU (TIME
SERIES)
A
N
A
M
M
P
P
METODE DERET WAKTU (TIME SERIES)
Prinsip metode deret waktu (time series):
masa yang akan datang adalah ekstrapolasi masa lalu
M
P
P
M
A
N
A
N
E
M
E
J
1. Moving Average
N
E
M
E
J
MA (n) = Demand in previous n periods
n
n = banyaknya periode dalam rata-rata bergerak
A
N
A
• n dipilih yang paling memberikan nilai forecast error terkecil melalui trial
and error
M
• Metode Moving Average akan efektif diterapkan apabila dapat diasumsikan
bahwa permintaan akan tetap stabil sepanjang waktu dan tidak menunjukkan
kecenderungan (trend)
M
P
P
1. Moving Average
M
P
P
M
A
N
A
N
E
M
E
J
1. Moving Average
TAHUN
PENJUALAN
(MILYAR)
1983
125
1984
120
1985
128
1986
135
1987
139
1988
1989
M
P
P
M
142
N
E
M
E
J
MOVING
AVERAGE
3 THN
-
A
N
A
-
?
•RAMALAN PENJUALAN TAHUN 1989 = …………………….
2. Weighted Moving Average (Menggunakan
Bobot)
BULAN
TOTAL SALES
Januari
Februari
Maret
April
Mei
Juni
Juli
Agustus
September
Oktober
Nopember
Desember
10
12
13
16
19
23
26
30
28
18
16
N
E
M
E
J
{ ( 3 x 13 ) + ( 2 x 12 ) + 10 } / 6
M
P
P
M
A
N
A
BOBOT YANG DIGUNAKAN
3
2
1
6
FORECAST BULAN INI :
3 X SALES BULAN LALU + 2 X SALES 2 BULAN LALU + 1 X SALES 3 BULAN LALU
PERIOD
Bulan lalu
Dua bulan lalu
Tiga bulan lalu
JUMLAH BOBOT
2. Weighted Moving Average
(Menggunakan Bobot)
M
P
P
M
A
N
A
N
E
M
E
J
3. Exponential Smoothing
A
N
A
N
E
M
E
J
• dipilih yang paling memberikan nilai error terkecil melalui trial and error
• Biasa digunakan ketika pola historis dari data actual permintaan bergejolak
atau tidak stabil dari waktu ke waktu
M
• Fluktuasi/gejolak tinggi pilih mendekati satu
M
P
P
• Fluktuasi/gejolak rendah, relatif stabil pilih mendekati nol
• Angka ramalan awal ditentukan secara judgement, dapat disamakan dengan
permintaan awal atau menggunakan rata-rata beberapa data permintaan awal.
3. Exponential Smoothing
KUARTAL
1
2
3
4
5
6
7
8
9
M
P
P
180
168
159
175
190
205
180
182
?
M
N
E
M
E
J
FORECAST
= 0,1
= 0,6
PERMINTAAN
(dalam Ton)
180
180
178,8
176,82
176,64
179,97
180,67
180,61
180,75
A
N
A
180
180
172,8
164,52
170,82
182,32
195,93
186,37
183,37
4. Exponential Smoothing
with Trend Adjustment
M
P
P
M
A
N
A
N
E
M
E
J
• Digunakan ketika terdapat kecenderungan (tren) pada data
• dipilih yang memberikan hasil ramalan paling baik melalui trial and error
• Nilai trend awal dapat ditentukan berdasarkan perkiraan atau data historis
4. Exponential Smoothing
with Trend Adjustment
Bulan
1
2
3
4
5
6
7
8
9
10
Permintaan
12
17
20
19
24
26
31
32
36
M
P
P
?
M
N
E
M
E
J
Dengan mengambil
= 0,9 dan ramalan
awal diasumsikan 11,
maka dengan
Exponential
smoothing, didapatkan
nilai ramalan (F)
A
N
A
Ramalan
(F)
11.00
11.90
16.49
19.65
19.06
23.51
25.75
30.48
31.85
35.58
4. Exponential Smoothing
with Trend Adjustment
N
E
M
E
J
Data menunjukkan adanya trend. Dengan mengambil
= 0.4, maka factor koreksi trend (T) dan FIT adalah:
Tahun
Permintaan
1
2
3
4
5
6
7
8
9
10
12
17
20
19
24
26
31
32
36
?
M
P
P
M
Ramalan Koreksi
(F)
Trend (T)
11.00
0.00
11.90
0.36
16.49
2.05
19.65
2.49
19.06
1.26
23.51
2.53
25.75
2.42
30.48
3.34
31.85
2.55
35.58
3.03
A
N
A
FIT
11.00
12.26
18.54
22.14
20.33
26.04
28.17
33.82
34.40
38.61
5. Perkiraan Trend dengan Model
Regresi Sederhana
Y = a + bx
M
P
P
M
A
N
A
N
E
M
E
J
y = variable permintaan (data actual permintaan)
5. Perkiraan Trend dengan Model
Regresi Sederhana
M
P
P
M
A
N
A
N
E
M
E
J
Dengan menggunakan rumus, didapat:
b = 10,54 dan a = 56,7
6. Indeks Musiman
N
E
M
E
J
• Variasi musiman ditunjukkan dengan keberulangan dalam jangka waktu kurang dari satu
tahun.
• Jika variasi musiman tampak pada data, perlu diperhitungkan indeks musiman sebagai
faktor koreksi agar ramalan lebih akurat.
A
N
A
Perhitungan penggunaan indeks musiman adalah sebagai berikut:
1. Gunakan data permintaan untuk dua tahun atau lebih
2. Hitung rata-rata permintaan untuk masing-masing bulan (bisa juga kuartal) selama
periode pengamatan (misal Januari, Februari, dan seterusnya)
3. Hitung rata-rata permintaan per bulan selama periode pengamatan
4. Indeks musiman diperoleh dengan cara:
M
P
P
M
6. Indeks Musiman
N
E
M
E
J
Jika perincian penjualan per kuartal untuk 3 tahun terakhir adalah :
Kuartal
1986
1987
1988
I
II
III
IV
30
33
35
37
31
34
35
39
33
35
35
39
135
139
Total
M
A
N
A
142
Ramalan tahun 1989 = Rp. 146,4 milyar
M
P
P
Hitunglah indeks musiman-nya.
Kemudian menjabarkan ramalan penjualan tahunan menjadi kuartal
6. Indeks Musiman
Kuartal
1986
1987
1988
1
2
3
4
Total
30
33
35
37
135
31
34
35
39
139
33
35
35
39
142
Ramalan 1989
M
P
P
N
E
M
E
J
Rata-rata utk masingRata-rata per bulan
masing bulan
(1986-1988)
(1986-1988)
31.3
34.7
34.0
34.7
35.0
34.7
38.3
34.7
138.7
M
A
N
A
IM
Ramalan
1989
0.90
0.98
1.01
1.11
4.00
33.08
35.90
36.95
40.47
146.40
= IM x rata-rata ramalan penjualan per kuartal 1989
= IM x (146,4 milyar / 4)
N
E
M
PERHITUNGAN KESALAHAN
E
(ERROR) DAN PENGUKURAN
J
A
AKURASI PERAMALAN
N
A
M
M
P
P
KESALAHAN PERAMALAN
N
E
M
E
E A F J
A
N
A
M
Peramalan tidak pernah sempurna
Untuk mengukur kesalahan ramalan (forecast error):
t
t
t
Over-forecasts akan menyebabkan negative errors
Under-forecasts akan menyebabkan positive errors
M
P
P
Angka Error semakin kecil semakin baik
AKURASI PERAMALAN
Mean Absolute Deviation
(Rata-rata penyimpangan absolut)
Mean Square Error
A
N
A
(Rata-rata kuadrat kesalahan)
M
P
P
M
N
E
M
E
J
(kesalahan..ramalan) 2
MSE
n
Semakin kecil semakin akurat
AKURASI PERAMALAN
Mean Absolute Percentage Error
(Rata-rata persentase kesalahan absolut)
M
P
P
M
A
N
A
N
E
M
E
J
Semakin kecil semakin akurat
CONTOH PENGGUNAAN
Exp. Smoothing =0,1
M
P
P
M
A
N
A
Exp. Smoothing =0,5
N
E
M
E
J
Indikator Akurasi Peramalan digunakan untuk memilih metode
peramalan yang paling baik
TRACKING SIGNAL
N
E
M
E
J
Tracking signal adalah suatu ukuran bagaimana baiknya suatu
ramalan memperkirakan nilai-nilai aktual.
Digunakan untuk memantau akurasi model ramalan sekaligus
memvalidasi model peramalan.
M
P
P
M
A
N
A
RSFE = Running Sum of Forecast Error
MAD = Mean Absolute Deviation
TRACKING SIGNAL
N
E
M
E
J
Tracking signal (+) nilai aktual permintaan > nilai ramalan
Tracking signal (-) nilai aktual permintaan < nilai ramalan
Tra king signal dise ut
aik apa ila:
Memiliki nilai RSFE yang rendah
Memiliki positive error yang sama banyak/seimbang dengan negative error
Sehingga pusat dari tracking signal mendekati nol.
M
A
N
A
Setelah tracking signal dihitung, dapat dibangun peta control.
M
P
P
Rule of thumbs: batas pengendalian tracking signal maksimum +/4. Jika melebihi, maka model ramalan perlu ditinjau kembali karena
akurasinya tidak dapat diterima.
CONTOH PETA KONTROL
M
P
P
M
A
N
A
N
E
M
E
J
Ketika nilai ramalan sudah melewati batas kendali, model ramalan
perlu ditinjau kembali karena sudah tidak akurat.
CONTOH PENGGUNAAN
TRACKING SIGNAL
Absolute
M
A
N
A
N
E
M
E
J
Tracking signal bergerak antara -2 sampai +2,5, berarti masih dalam
batas yang bisa diterima. Model ramalan masih valid untuk
digunakan.
M
P
P
JENIS KEPUTUSAN
VS. TEKNIK PERAMALAN
JENIS KEPUTUSAN
DESAIN PROSES
PERENCANAAN
KAPASITAS
FASILITAS
PERENCANAAN
PRODUKSI TOTAL
LINGKUP
WAKTU
PANJANG
PANJANG
KEBUTUHAN
KETEPATAN
SEDANG
PUNCAK
A
N
A
SEDANG
N
E
M
E
J
TINGKAT
MANAJEMEN
METODE
PERAMALAN
KUALITATIF
DAN
SEBAB AKIBAT
PUNCAK
KUALITATIF
DAN
SEBAB AKIBAT
MENENGAH
TINGGI
MENENGAH
SEBAB AKIBAT
DAN
TIME SERIES
PENJADWALAN
PRODUKSI
PENDEK
PALING
TINGGI
BAWAH
TIME SERIES
MANAJEMEN
SEDIAAN
PENDEK
PALING
TINGGI
BAWAH
TIME SERIES
M
P
P
M
KRITERIA PEMILIHAN METODE PERAMALAN
N
E
M
E
J
1.
TINGKAT KECANGGIHAN SISTEM DAN PEMAKAI
2.
KETERSEDIAAN SUMBER DAYA DAN WAKTU
3.
KARAKTERISTIK PEMAKAIAN DAN KEPUTUSAN
4.
KETERSEDIAAN DATA
5.
MODEL DATA
M
P
P
M
A
N
A
PERAMALAN YANG JITU (1)
N
E
M
E
J
SIASATNYA :
- Gunakanlah berbagai metode peramalan sekaligus sebagai faktor koreksi
- Pilihlah metode peramalan sesuai dengan data yang tersedia
A
N
A
PERENCANAANNYA :
- Usahakan “data base” yang mencukupi agar tidak menyesat- kan kita
- Pilihlah variabel/faktor pasar yang pernah
secara nyata ada hubungannya dengan
variabel terikat yang kita cari
M
P
P
M
PERAMALAN YANG JITU (2)
N
E
M
E
J
SELALU INGAT AKAN :
- Kemungkinan aksi reaksi pesaing; sebaiknya buat beberapa
alternatif peramalan
- Kejadian-kejadian tak terduga yang dapat diperkirakan
mengguncangkan peramalan kita
A
N
A
SETELAH PERAMALAN SELESAI :
- Perbaikan dan perbaharui terus menerus
- Amati ketepatan ramalan
- Usahakan terincinya faktor-faktor tak terduga
sebelum hasil peramalan dijadikan
dasar pengambilan keputusan
M
P
P
M
IMBANGAN ANTARA BIAYA DAN KETEPATAN
RAMALAN
OPTIMUM
|
KENAIKAN
BIAYA
LEBIH
CANGGIH
M
P
P
T
M
N
E
M
E
J
• BIAYA TOTAL
|
• BIAYA AKIBAT KETIDAK
TEPATAN PERAMALAN
A
N
A
PERHITUNGAN
SEDERHANA
• BIAYA IMPLEMENTASI DAN
TEKNIK PERAMALAN
R
PENURUNAN KETEPATAN
FAKTOR YANG MEMPENGARUHI
N
E
M
E
J
Apa yang akan terjadi tidak selalu merupakan ekstrapolasi dari data masa lalu.
Beberapa hal yang tidak tercakup dalam perumusan perhitungan dapat dibagi menjadi faktor eksternal
dan faktor internal yaitu:
Faktor Eksternal
M
P
P
M
Faktor Internal
A
N
A
Metode peramalan dengan deret waktu ini sebenarnya hanya merupakan alat bantu. Angka
ramalan yang sebenarnya sangat ditentukan oleh judgment pengambil keputusan
M
P
P
M
A
N
A
N
E
M
E
J