Professional Documents
Culture Documents
9 Modul OSCM (Forecasting) FN
9 Modul OSCM (Forecasting) FN
Operation &
Supply Chain
Management
Forecasting
09
Pascasarjana Magister 201411003 Tim Dosen
Manajemen
Abstract Kompetensi
Materi ini menjelaskan tentang Mahasiswa diharapkan memiliki
definisi dan penerapan peramalan kemampuan memahami konsep
(forecasting). peramalan, memahami penentuan
peramalan, dan memahami metode
peramalan.
Isi
Gambar 3.1. Pola Data Horizontal Gambar 3.2. Pola Data Musiman
Permasalahan
Perusahaan atau
Manajemen
Pengumpulan Data
Formulasi Model
Tidak
Validasi
Hasil?
Y
a
Hasil Akhir
3. Formulasi Model
Setelah keputusan dibuat untuk mengembangkan ramalan, model teoritis harus
dikembangkan untuk menanggapi pertanyaan manajemen. Formulasi model akan
membantu mengurai pertanyaan manajamen menjadi lebih sederhana dan ringkas.
Misalnya, jika manajemen tertarik dengan perkiraan tren jangka panjang, kami dapat
memilih, misalnya, tren atau model regresi untuk tugas ini. Di sisi lain, jika manajemen
tertarik pada perkiraan jangka pendek, yaitu, proyeksi mingguan atau bulanan, kita dapat
memilih, misalnya, rata-rata bergerak, perataan eksponensial, atau model Box-Jenkins
dalam analisis.
4. Perencanaan Model Peramalan
Konstruk teoritis dari model membantu dalam menguraikan hubungan yang ada antara
berbagai variabel model. Pada saat yang sama, itu memungkinkan untuk memisahkan
pengaruh menjadi faktor internal atau eksternal. Faktor-faktor di mana perusahaan
memiliki kendali disebut faktor internal. Ini mungkin termasuk harga, kualitas produk,
karakteristik produk, pengeluaran pemasaran dan iklan, dan logistik (fasilitas distribusi).
Faktor-faktor yang berada di luar perusahaan beroperasi di luar kendali perusahaan.
Faktor-faktor eksogen ini mungkin termasuk tingkat bunga, tingkat inflasi, pendapatan,
pekerjaan, dan nilai tukar dalam perdagangan internasional.
5. Analisis dan Interpretasi
Hasil dari peramalan akan dianalisis dan interpretasikan. Untuk memastikan apakah
permasalahan dari perusahaan terjawab. Apa yang menjadi masalah yang sebenarnya,
kenapa berbeda dengan kondisi yang diharapkan oleh perusahaan.
6. Validasi
Setiap hasil peramalan perlu dilakukan validasi. Validasi bertujuan memastikan tidak
ada yang bias dari hasil peramalan. Apakah hasil peramalan sudah akurat atau belum.
Tentu saja akan ada error, karena hal ini sesuatu yang normal. Kita tidak dapat
memastikan akurasi menjadi 100 persen. Untuk itu harus ditetapkan batas error yang
ditolerasi. Jika hasil validasi menunjukan hasil ramalan memiliki hasil error melebih batas
yang ditoleransi maka perlu kembali dilakukan pengecekan ulang dari pengumpulan
data hingga analisis dan interpretasi.
7. Hasil Akhir
Tahap akhir dalam proses peramalan adalah menyajikan hasilnya kepada manajemen.
Namun, ada beberapa hal yang harus dipahami oleh manajemen dari hasil ramalan
yang dibuat. Pertama, hasil permalan tidak statis tapi dinamais, artinya bias saja hasil
H. Pendekatan Peramalan
Menurut Haizer dan Render (2009), berdasarkan sifat penyusunnya, terdapat dua
pendekatan yang sering digunakan dalam peralamalan (forecasting), yaitu:
1) Metode Kualitatif (Subjektif)
Metode forecasting dapat bersifat subjektif, hal ini disebabkan oleh pengaruh faktor-
faktor seperti emosi, intuisi dan pengalaman seseorang. Berikut ini merupakan
klasisfikasi metode kualitatif:
a. Jury of Executive Opinion
Data yang digunakan bersumber dari pendapat dari top management dan terkadang
dikombinasi dengan model-model statistik guna menghasilkan estimasi permintaan
kelompok.
b. Delphi Method
Data yang digunakan bersumber dari kuesioner yang disebarkan kepada responden,
kemudian hasil dari survei yang dilakukan menjadi bahan pengambilan keputusan
sebelum dilakukan forecasting.
c. Sales Force Composite
Pendekatan ini melibatkan tenaga penjualan guna melakuan estimasi jumlah
penjualan yang dicapai di area mereka. Kemudaian dilakukan pengkajian forecasting
guna memastikan tingkat realistis kemudian dilakukan kombinasi pada tingkat
wilayah dan nasional guna mendapatkan forecasting secara keseluruhan.
d. Consumer Market Survey
Data yang digunakan berdasarkan hasil survei terhadap konsumen melalui
percakapan informal seputar rencana pembelian di masa mendatang.
1. Naive Method
Pendekatan naive merupakan metode forecasting dengan mengasumsikan
bahwa permintaan di periode mendatang sama dengan permintaan di periode
sebelumnya.
2. Moving Average
Rata-rata bergerak merupakan metode forecasting yang dilakukan berdasarkan
data rata-rata historis aktual pada beberapa periode terakhir guna melakukan
forecasting di periode mendatang.
3. Weighted Moving Averages
Metode ini melakukan pembobotan pada rata-rata bergerak yang diberikan pada
nilai baru, sehingga nantinya diperoleh sebuah urutan terbaru yang lebih besar
dibandingkan dengan nilai sebelumnya. Hal ini dilakukan apabila terdeteksi pola
trend pada forecasting variabel.
4. Exponential Smoothing
Penghalusan eksponensial merupakan metode forecasting weighted moving
average yang memberikan bobot secara eksponensial terhadap data yang paling
akhir, sehingga diperoleh bobot bertingkat yang lebih besar.
I. Teknik Peramalan
Pada modul perkuliahan peramalan ini, yang menjadi fokus bahasan utamanya
adalah peramalan jangka pendek. Keuntungan utama dari teknik peramalan jangka pendek
adalah kesederhanaannya. Kita dapat menggunakan model-model sederhana ini sebagai
tolok ukur untuk mengukur penerapan, keandalan, dan kebutuhan model-model yang lebih
canggih. Teknik-teknik ini disebut sebagai "teknik smoothing." Teknik ini sederhana dan
intuitif, membuatnya sangat berguna bagi manajer. Model-model ini memungkinkan analis
peramalan untuk membedakan antara fluktuasi acak dan pola dasar yang mendasari dalam
data.
Ada tiga jenis peramalan jangka pendek yanga akan dibahas dalam modul
perkuliahan ini yaitu: Naïve, Average, dan Smoothing. Masing-masing model ini memiliki
1) Metode Naïve
Teknik naïve adalah model peramalan yang paling hemat biaya dan efesien, para
pebisnis sering kali menghadapi suatu pilihan yang rumit ketika mencoba meramalkan
dengan data yang berukuran sangat kecil. Situasi ini menciptakan sebuah masalah karena
kebanyakan teknik peramalan memerlukan data yang besar. Peramalan dengan metode
Naïve merupakan penyelesaian yang mungkin jika semata-mata didasarkan pada informasi
yang tersedia sekarang. Teknik peramalan yang mengasumsikan permintaan periode
berikutnya sama dengan permintaan pada periode terakhir. Contoh: Jika diasumsikan
permintaan pada periode berikutnya sama dengan permintaan pada periode paling baru,
misalnya jika permintaan pada bulan November 90, maka permintaan pada bulan Desember
adalah 90 juga.
F = α D + (1 - α) F
t +1 t t
Dimana:
Ft +1 = Perkiraan periode berikutnya
Dt = Permintaan aktual periode sekarang
Ft = Perkiraan sebelumnya untuk periode sekarang
α = Faktor pembobotan, penghalusan konstan
Konstanta Eksponential
0.0 a 1.0
If a = 0.20, then F = 0.20 D + 0.80 F
t +1 t t
If a = 0, then F =0D +1F =F
t +1 t t t
Forecast does not reflect recent data
If a = 1, then F = 1 D + 0 F = D
t +1 t t t
Forecast based only on most recent data
AFt +1 = Ft +1 + Tt +1
Keterangan:
At = nilai investasi aktual pada periode t
Ft = forecasting nilai investasi periode t
n = jumlah periode forecasting yang terlibat
Keterangan:
At = nilai investasi aktual pada periode t
Ft = forecasting nilai investasi periode t
n = jumlah periode forecasting yang terlibat
Keterangan:
At = nilai investasi aktual pada periode t
Ft = forecasting nilai investasi periode t
n = jumlah periode forecasting yang terlibat
Metode yang memiliki nilai MAPE terkecil merupakan metode peramalan yang
terbaik.
Contoh:
Berikut contoh perhitungan forecasting menggunakan metode WMA: Diketahui data
penjualan suatu mini market dalam periode 4 bulan. Manajer mini market tersebut ingin
mengetahui penjualan bulan ke-5 menggunakan metode moving average menggunakan
bobot 0.5 bulan ke-3, 0.3 bulan ke-2, dan 0.2 bulan pertama. Dengan data penjualan
sebagai berikut:
[(At-Ft)/At]
Periode Actual Forecast At-Ft |At-Ft| At-Ft2
x100%
1 100
2 90
3 105
4 95 100 -5 5 25 0
5 98 97 1 1 1 0
TOTAL 390 197 4 6 6 0
MAD 3
MSE 13
MAPE 0
Latihan Soal:
Ditanyakan :
1. Hitunglah forecasting pada bulan januari 2019, dengan menggunakan metode berikut ini:
a. Metode Naïve
b. Moving Average Method
c. Weighted Moving Average
d. Exponential Smoothing
e. Adjusted Exponential Smoothing
2. Hitung Forecast Error Equations (Kesalahan Perkiraan) dengan menggunakan metode
berikut ini:
a. Mean Absolute Deviation (MAD)
b. Mean Square Error (MSE)
c. Mean Absolute Percentage Error (MAPE)
Daftar Pustaka