Pertemuan-4 PERAMALAN ( FORECASTING)

1. Pertemuan-4PERAMALAN (FORECASTING) OLEH IR. INDRAWANI SINOEM, MS

2. PENGERTIAN • Peramalan (Forecasting) adalah seni dan ilmu untuk memperkirakan kejadian di masa depan. • Berdasarkan horizon waktu, peramalan dibagi 3, yaitu : 1. Peramalan jangka pendek 2. Peramalan jangka menengah 3. Peramalan jangka panjang

3. 1. Peramalan Jangka Pendek : peramalan yang meliputi waktu hingga satu tahun, tetapi umumnya kurang dari tiga bulan. Peramalan ini digunakan untuk merencana-kan pembelian, penjadwalan kerja, jumlah tenaga kerja, penugasan kerja, dan tingkat produksi. 2. Peramalan jangka menengah : peramalan mencakup hitungan bulan hingga tiga tahun. Peramalan ini ber-manfaat untuk merencanakan penjualan, perencanaan dan anggaran produksi, anggaran kas, serta mengana-lisis bermacam-macam rencana operasi. 3. Peramalan jangka panjang : perencanaan untuk masa tiga tahunan atau lebih. Peramalan jangka panjang digunakan untuk merencanakan produk baru, pembelanjaan modal, lokasi atau pengembangan fasili-tas serta penelitian dan pengembangan (litbang).

4. Peramalan jangka menengah dan jangka panjang dapat dibedakan dari peramalan jangka pendek dengan melihat dari tiga hal, yaitu : 1. Peramalan jangka menengah dan panjang berkaitan dengan permasalah- an yg lebih menyeluruh dan mendukung keputusan manajemen yg berkaitan dgn perencanaan produk, pabrik, dan pro- ses.

5. 2. Permalan jangka pendek biasanya menetap- kan metodologi yg berbeda dibandingkan peramalan jangka panjang. 3. Peramalan jangka pendek cendrung lebih tepat dibandingkan peramalan jangka panjang. Faktor-faktor yg mempengaruhi perubahan permintaan berubah setiap hari. Dengan demikian semakin panjang horizon waktu, ketepatan peramalan seseorang se- makin berkurang.

6. Faktor lain yg harus dipertimbangkan saat membuat peramalan penjualan, terutama peramalan penjualan jangka panjang, adalah siklus hidup produk. Penjualan produk bahkan jasa tidak terjadi pada tingkat yg konstan sepanjang hidupnya. Hampir semua produk yg berhasil melalui empat tahapan, yaitu : perkenalan, per-tumbuhan, kematangan dan penurunan.

7. JENIS-JENIS PERAMALAN • Berbagai organisasi menggunakan tiga jenis peramalan yg utama dalam perenca-naan operasi di masa depan : 1. Peramalan ekonomi : merencanakan indikator-indikator yg berguna dalam membantu organisasi menyiapkan pera- malan jangka menengah dan jangka panjang.

8. 2. Peramalan teknologi : peramalan jangka panjang sangat memperhatikan laju perkembangan teknologi. 3. Peramalan permintaan : proyeksi suatu penjualan perusahaan yg berlaku pada setiap periode dalam perencanaan horizon. Peramalan ekonomi dan teknologi bukan merupakan fungsi manajer operasi, shg dalam pembahasan kita menekankan pada perencana-an permintaan.

9. KEPENTINGAN STRATEGIS PERAMALAN • Peramalan merupakan satu-satunya prediksi mengenai permintaan hingga per-mintaan yang sebenarnya diketahui. • Peramalan permintaan mengendalikan keputusan di banyak bidang. Dampak peramalan permintaan produk antara lain pada aktivitas sumberdaya manusia, kapasitas, dan manajemen rantai pasokan.

10. Sumberdaya manusia : Memperkerjakan, melatih, dan memberhentikan pekerja bergantung pada permintaan. Jika departemen SDM harus memperkerjakan pekerja tambahan tanpa adanya persiapan, akibatnya kualitas pelatihan menurun dan kualitas pekerja juga menurun. Sebuah perusahaan kimia besar di Lousiana hampir kehilangan konsumen terbesarnya saat melakukan ekspansi cepat yang memberlakukan giliran kerja tanpa henti 24 jam yang mengakibatkan rendahnya pengendalian kualitas pada giliran kerja kedua dan ketiga.

11. Kapasitas : Saat kapasitas tidak mencukupi, kekurangan yang diakibatkannya bisa berarti tidak terjaminnya pengiriman, kehilangan konsumen, dan kehilangan pangsa pasar. Inilah yang terjadi pada Nabisco saat ia melakukan kesalahan dengan menghitung terlalu rendah permintaan untuk biskuit baru bernama Snackwell Devil’s Food yang rendah kalori yang ternyata permintaannya sangat besar. Dengan bekerja lembur, Nabisco bahkan tidak bisa memenuhi permintaan dan bahkan kehilangan konsumennya. Namun jika kapasitas dibangun berlebihan, biaya-nya dapat melonjak tajam.

12. ManajemenRantaiPasokan : Hubungan yang baikdenganpemasok, sertahargabarangdankomponen yang bersaingbergantungpadaperamalan yang akurat. Contoh : Manufakturpembuatmobil yang mengingin-kan TRW Corp. menjaminketersediaankantongudara (airbag) yang cukup, harusmenyediakanramalan yang akuratuntukmembenarkanekspansipabrik TRW. Dalampasar global, dimanakomponenmahaluntuk Jet Boing 777 yang dibuatdibeberapanegara, koordinasi yang dikendalikanolehperamalan yang akuratsangatpenting.

13. LANGKAH-LANGKAH SISTEM PERMALAN • Ada 7 langkah dasar sistem peramalan : 1. Menetapkan tujuan peramalan 2. Memilih unsur yg akan diramalkan 3. Menentukan horizon waktu peramalan 4. Memilih jenis model pemodelan 5. Mengumpulkan data yg diperlukan untuk melakukan peramalan 6. Membuat peramalan 7. Memvalidasikan dan menerapkan hasil pera- malan.

14. PENDEKATAN DALAM PERAMALAN • Terdapat dua pendekatan umum untuk peramalan, yaitu : 1. Peramalan kuantitatif : peramalan yang menggunakan model matematis yang beragam dengan data masa lalu dan variabel sebab-akibat untuk peramalan permintaan.

15. 2. Peramalan kualitatif (subjektif) : peramalan yg menggabungkan faktor seperti : intuisi, emosi, pengalaman pribadi, dan sistem nilai pengambilan keputusan untuk meramal. Ada 4 teknik peramalan kualitatif : 1. Juri dari opini eksekutif 2. Metode Delphi 3. Komposit tenaga penjualan 4. Surveri pasar konsumen

16. Ada 5 metode peramalan kuantitatif : 1. Model deret waktu (time series) : a. Pendekatan naif b. Rata-rata bergerak c. Penghalusan eksponensial 2. Model Asosiasif : a. Proyeksi tren b. Regresi linear

17. Model Deret Waktu : teknik peramalan yg menggunakan sejumlah data masa lalu untuk membuat peramalan. • Model asosiatif (hubungan sebab akibat) seperti regresi linear, menggabungkan banyak variabel atau faktor yg mungkin mempengaruhi kuantitas yg sedang di-ramalkan. Sebagai contoh, model asosia-tif dari penjualan mesin pemotong rumput mungkin memasukkan faktor spt adanya perumahan baru, anggaran iklan, dan harga pesaing.

18. PERAMALAN DERET WAKTU • Deret waktu didasarkan pada urutan dari titik-titik data yg berjarak sama dalam waktu (mingguan, bulanan, kuartalan, dll). • Menganalisis deret waktu berarti membagi data masa lalu menjadi komponen-komponen, kemudian memproyeksikan-nya ke masa depan. Deret waktu mem-punyai empat komponen :

19. 1. Tren : merupakan pergerakkan data se- dikit demi sedikit meningkat atau me- nurun. Perubahan pendapatan, popu- lasi, penyebaran umur, atau pandangan budaya dapat mempengaruhi pergerak- kan tren. 2. Musiman : adalah pola data yg berulang pada kurun waktu tertentu, seperti : harian, mingguan, bulanan, atau kuartal.

20. 3. Siklus : pola dalam data yg terjadi se- tiap beberapa tahun. Siklus ini biasa- nya terkait pada siklus bisnis dan me- rupakan satu hal penting dlm analisis dan perencanaan bisnis jangka pendek. Memprediksi siklus bisnis sulit dilakukan karena adanya pengaruh kejadian politik ataupun kerusuhan internasional.

21. 4. Variasi acak : merupakan satu titik khusus dalam data yg disebabkan oleh peluang dan situasi yg tidak lazim. Variasi acak tdk mempunyai pola khu- sus shg tdk dapat diprediksi.

22. PENDEKATAN NAIF • Pendekatan naif adalah teknik peramalan yg mengasumsikan permintaan periode berikutnya sama dengan permintaan pada periode terakhir. Dengan kata lain, jika penjualan sebuah produk (mis: telpon gemgam Motorolla) adalah 68 unit pada bulan Januari, kita dapat meramalkan pen-jualan pada bulan Februari akan sama, yaitu sebanyak 68 unit juga.

23. Pendekatan naif ini merupakan model peramalan objektif yg paling efektif dan efisien dari segi biaya. Paling tidak pen-dekatan naif memberikan titik awal untuk perbandingan dengan model lain yang lebih canggih.

24. RATA-RATA BERGERAK • Rata-rata bergerak adalah suatu metode peramalan yg menggunakan rata-rata periode terakhir data untuk meramalkan periode berikutnya. n = jumlah periode dalam rata-rata bergerak

25. Contoh :

26. Pembobotan rata-rata bergerak :

27. PENGHALUSAN EKSPONENSIAL • Penghalusan eksponensial merupakan metode peramalan rata-rata bergerak dgn pembobotan dimana titik data dibobotkan oleh fungsi eksponensial. • Rumus penghalusan eksponensial : dimana : α adalah sebuah bobot atau konstanta penghalusan yg dipilih oleh peramal yg mempu-nyai nilai antara 0 dan 1.

28. Rumus : dimana : Ft = Peramalan baru Ft-1 = Peramalan sebelumnya α = Konstanta penghalusan (0≤α≥1) At-1 = Permintaan aktual periode lalu

29. Kesalahan Peramalan = Permintaan Aktual – Nilai Peramalan = At - Ft • Menghitung Kesalahan Peramalan Ada beberapa perhitungan yg biasa digunakan untuk menghitung kesalahan dlm peramalan. Tiga dari perhitungan yang paling terkenal adalah deviasi mutlak rata-rata (mean absolute deviation = MAD). Kesalahan kuadrat rata-rata (mean absolute deviation =MSE) dan kesalahanpersen mutlak rata-rata (mean absolute percent = MAPE).

30. Deviasi Mutlak Rata-rata (MAD) • MAD adalah nilai yg dihitung dengan me-ngambil jumlah nilai absolut dari setiap kesalahan peramalan dibagi dengan jumlah periode data (n).

31. Contoh : Selama 8 kuartal terakhir, Perusahaan X membongkar muat sejumlah besar biji-bijian dari kapal. Manajer operasi pelabu-han ingin menguji penggunaan penghalus-an eksponensial utk melihat seberapa baik teknik ini bekerja dlm memprediksi tonase biji-bijian yg dibongkar/muat. Ia menebak peramalan bongkar/muat biji-bijian pada kuartal pertama adalah 175 ton. Dua nilai yg diuji α=0,1 dan α=0,5.

32. Penyelesaian :

33. Perhitungan MAD :

34. Kesalahan Kuadrat Rata-rata (MSE)

35. Kesalahan Persen Mutlak Rata-rata (MAPE)

36. Penghalusan Eksponensial dengan Penyesuaian Tren • Asumsikan permintaan untuk barang atau jasa kita telah meningkat 100 unit per bulan, dan kita telah meramalkan dengan α=0,4 dalam model penghalusan eksponensial.

37. Untuk memperbaiki peramalan kita, beri-kut akan diilustrasikan model penghalus-an eksponensial yg lebih rumit dan dapat menyesuaikan diri pada tren yg ada. Ide-nya adalah menghitung rata-rata data penghalusan eksponensial, kemudian me-nyesuaikan untuk kelambatan (lag) positif atau negatif pada tren. Rumusnya : Peramalan dengan Tren (FITt) = Peramalan penghalusan eksponensial (Ft) - Tren penghalusan eksponensial (Tt)

38. Dengan penghalusan eksponensial dgn tren, estimasi rata-rata dan tren dihalus-kan. Prosedur ini membutuhkan dua konstanta penghalusan, α untuk rata-rata dan β untuk tren. Ft = α (permintaan aktual terakhir) + (1-α)(Peramalan periode terakhir – Estimasi tren periode terakhir) Ft = α(At-1) + (1-α)(Ft-1 + Tt-1) ……………………… (1) Tt = β(peramalan periode ini – peramalan periode terakhir) + (1-β)(Estimasi tren periode terakhir) Tt = β(Ft – Ft-1) + (1-β)Tt-1 ......................................... (2)

39. Dimana : Ft = peramalan dengan eksponensial yg dihaluskan dari data berseri pada periode t. Tt = tren eksponensial yg dihaluskan pada periode t. At = permintaan aktual pada periode t. α = konstanta penghalusan untuk rata-rata (0≤α≥1) β = konstanta penghalusan untuk tren (0≤β≥1) 3 Langkah menghitung peramalan yg disesuaikan dgn tren, yaitu : 1. Menghitung Ft, peramalan eksponensial yg dihaluskan untuk periode t, menggunakan persamaan (1).

40. 2. Menghitung tren yg dihaluskan (Tt) menggunakan persamaan (2). 3. Menghitung persamaan dengan tren (FITt) dengan rumus : FITt = Ft + Tt

41. Contoh : Nilai α=0,2 dan β=0,4. Diasumsikan peramalan awal untuk bulan pertama (F1) adalah 11 unit dan tren pada periode tsb (T1) = 2 unit.

42. Penyelesaian : Langkah-1 : Ramalkan bulan kedua : Ft = αAt +(1-α)(Ft +Tt) F2 = (0,2)(12)+(1-0,2)(11+2) = 12,8 unit. Langkah-2 : Hitung tren pada periode 2 : T2 = β(F2-F1)+(1-β)T1 = (0,4)(1,8)+(0,6)(0,2) = 1,92 Langkah-3 : Hitung FITt : FIT2 = F2 + T2 = 12,8 + 1,92 = 14,72 unit

43. Perhitungan selengkapnya :

44. Proyeksi Tren • Adalah suatu metode peramalan serangkaian waktu yg sesuai dengan garis tren terhadap serangkaian titik-titik data masa lalu, kemudian diproyeksikan ke dalam peramalan masa depan untuk peramalan jangka menengah dan jangka panjang. • Persamaan garis :

45. Dimana : y = variabel yg akan diprediksi a = konstanta b = kemiringan garis regresi x = variabel bebas (waktu) • Dengan metode kuadrat terkecil (MKT) didapat :

46. Contoh :

47. Penyelesaian : Persamaan tren : Permintaan tahun 2008 = 56,70+10,54(8) = 141,02 megawat

48. Garis tren : y = 56,70+10,54x Permintaan tenaga listrik (megawatts) Tahun

49. VARIASI MUSIMAN PADA DATA • Variasi musiman (seasonal variation) ada-lah pergerakan rutin yang reguler baik meningkat maupun menurun dalam kurun waktu tertentu yang terkait dengan kejadi-an berulang seperti cuaca atau liburan. Contoh : permintaan untuk batu bara dan bahan bakar mencapai puncaknya pada musim dingin.

50. Menentukan faktor musiman :