YMA Supply Chain Management Demand Forecasting In A Supply Chain Ya h y a M u l y a A d i t y a 206030201111008 Forecasting? • Peramalan (forecasting) adalah seni dan ilmu untuk memperkirakan kejadian di masa depan. • Dapat dilakukan dengan melibatkan pengambilan data historis dan memproyeksikannya ke masa mendatang dengan suatu bentuk model matematika. • Peramalan berdasarkan horizon waktu masa depan terbagi menjadi beberapa kategori: 1. Peramalan jangka pendek : jangka waktu hingga 1 tahun, tetapi umumnya kurang dari 3 bulan. Peramalan ini digunakan untuk merencanakan pembelian, penjadwalan kerja, jumlah tenaga kerja, penugasan kerja, dan itngkat produksi. 2. Peramalan jangka menengah : umumnya mencakup hitungan bulan hingga 3 tahun. Digunakan untuk meramalkan penjualan, perencanaan dan anggaran produksi, anggaran kas, serta menganalisis bermacam-macam rencana operasi. 3. Peramalan jangka panjang : umumnya untuk perencanaan masa 3 tahun atau lebih. Digunakan untuk merencanakan produk baru, pembelanjaan modal, lokasi atau pengembangan fasilitas, serta penelitian dan pengembangan. FR Jenis-Jenis Peramalan • Berbagai organisasi menggunakan tiga jenis peramalan yg utama dalam perencanaan operasi di masa depan : 1. Peramalan ekonomi : merencanakan indikator-indikator yg berguna dalam membantu organisasi menyiapkan peramalan jangka menengah dan jangka panjang. 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. FR YMA Peran Forecasting dalam Rantai Pasokan Dasar untuk semua keputusan perencanaan dalam rantai pasokan • Dasar untuk semua keputusan strategis dan perencanaan dalam rantai pasokan. • Digunakan untuk push dan pull proses, contoh : 1) Produksi: penjadwalan, persediaan, perencanaan agregat 2) Pemasaran: penjualan alokasi tenaga, promosi, pengenalan produksi baru 3) Keuangan: pabrik / investasi peralatan, perencanaan anggaran 4) Personil: perencanaan tenaga kerja, mempekerjakan, PHK Add a footer 4 YMA Karakteristik Forecasting Dasar untuk semua keputusan perencanaan dalam rantai pasokan • Forecasts selalu tidak akurat dan karenanya harus menyertakan keduanya nilai yang diharapkan dari perkiraan dan ukuran kesalahan perkiraan • Forecasts Long Term biasanya kurang akurat dibandingkan perkiraan jangka pendek • Aggregate Forecast biasanya lebih akurat daripada perkiraan disagregat • Secara umum, semakin jauh rantai pasokan suatu perusahaan, maka lebih besar adalah distorsi informasi yang diterimanya Add a footer 5 YMA Komponen & Metode Forecast Perusahaan harus menyeimbangkan faktor obyektif dan subyektif saat meramalkan permintaan. Sebuah perusahaan harus memiliki pengetahuan tentang berbagai faktor yang terkait dengan peramalan permintaan, seperti: • Permintaan masa lalu • • • • • Waktu tunggu pengisian produk Upaya periklanan atau pemasaran yang direncanakan Diskon harga yang direncanakan Kondisi ekonomi Tindakan yang diambil pesaing Add a footer 6 YMA Komponen & Metode Forecast Metode peramalan diklasifikasikan menurut empat jenis berikut: • Kualitatif • Time Series • Kausal • Simulasi Add a footer 7 YMA Pendekatan Dasar Permintaan Forecasting Lima poin berikut penting bagi organisasi untuk meramalkan secara efektif: • Memahami tujuan perkiraan. • • • • Mengintegrasikan perencanaan dan peramalan permintaan di seluruh rantai pasokan. Mengidentifikasi faktor utama yang mempengaruhi ramalan permintaan. Prakiraan pada tingkat agregasi yang sesuai. Membangun kinerja dan ukuran kesalahan untuk ramalan. Add a footer 8 FR Peramalan Deret Waktu (Time Series) • Deret waktu didasarkan pada urutan dari titik-titik data yang berjarak sama dalam waktu mingguan, bulanan, kuartalan, dan lain-lain. • Meramalkan deret waktu berarti nilai masa depan diperkirakan hanya dari nilai masa lalu dan variabel lain diabaikan walaupun variabel tersebut mungkin sangat bermanfaat. FR Dekomposisi Deret Waktu • Deret waktu mempunyai empat komponen : 1. Tren : pergerakan data sedikit demi sedikit meningkat atau menurun. 2. Musim : pola data yang berulang pada kurun waktu tertentu, seperti hari, minggu, bulan, kuartal 3. Siklus : pola dalam data yang terjadi setiap beberapa tahun 4. Variasi acak : satu titik khusus dalam data yang disebabkan oleh peluang dan situasi yang tidak lazim. Variasi pola acak tidak mempunyai pola khusus sehingga tidak dapat diprediksi. Rata-rata Bergerak (Moving Average) • Peramalan rata-rata bergerak menggunakan sejumlah data aktual masa lalu untuk menghasilkan peramalan. Ratarata bergerak berguna jika kita dapat mengasumsikan bahwa permintaan pasar akan stabil sepanjang masa yang kita ramalkan. • Rata-rata bergerak = Σ permintaan dalam periode n sebelumnya n FR Bulan Penjualan Aktual Rata-rata bergerak 3 bulanan Januari 10 Februari 12 Maret 13 April 16 (10+12+13)/3 = 11,67 Mei 19 (12+13+16)/3 = 13,67 Juni 23 (13+16+19)/3 = 16 Juli 26 (16+19+23)/3 = 19,33 Agust 30 (19+23+26)/3 = 22,67 Sept 28 (23+26+30)/3 = 26,33 Okt 18 (26+30+28)/3 = 28 Nov 16 (30+28+18)/3 = 25,33 Des 14 (28+18+16)/3 = 20,67 Pembobotan Rata-rata Bergerak Pembobotan rata - rata bergerak Bulan (bobot periode n)(permint aan dlm periode n) bobot Penjualan Aktual Rata-rata bergerak 3 bulanan Januari 10 Februari 12 Maret 13 April 16 [(3x13)+(2x12)+(10)]/6 = 12, 16 Mei 19 [(3x16)+(2x13)+(12)]/6 = 14, 33 Juni 23 [(3x19)+(2x16)+(13)]/6 = 17,00 Juli 26 [(3x23)+(2x19)+(16)]/6 = 20,50 Agustus 30 [(3x26)+(2x23)+(19)]/6 = 23,80 September 28 [(3x30)+(2x26)+(23)]/6 = 27,50 Oktober 18 [(3x28)+(2x30)+(26)]/6 = 28,33 Nopember 16 [(3x18)+(2x28)+(30)]/6 = 23,33 Desember 14 [(3x16)+(2x18)+(28)]/6 = 18,67 FR Penghalusan Eksponensial • Penghalusan eksponensial merupakan metode peramalan rata-rata bergerak dgn pembobotan dimana titik data dibobotkan oleh fungsi eksponensial. • Rumus penghalusan eksponensial : Peramalan Baru Peramalan Periode terakhir (Permintaa n sebenarnya periode terakhir) - peramalan periode terakhir dimana : α adalah sebuah bobot atau konstanta penghalusan yg dipilih oleh peramal yg mempu-nyai nilai antara 0 dan 1. FR FR Penghalusan Eksponensial Rumus : Ft Ft 1 ( At 1 Ft 1 ) dimana : Ft = Peramalan baru Ft-1 = Peramalan sebelumnya α = Konstanta penghalusan (0≤α≥1) At-1 = Permintaan aktual periode lalu Periode Kedua Sebelum Terakhir Periode Ketiga Sebelum Terakhir Periode Keempat Sebelum Terakhir Konstanta Penghalusan Periode Terakhir Periode Sebelum Terakhir α= 0,1 0,1 0,09 0,081 0,073 0,066 α= 0,5 0,5 0,25 0,125 0,063 0,031 FR Menghitung Kesalahan Peramalan Kesalahan Peramalan = Permintaan Aktual – Nilai Peramalan = At - Ft 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 kesalahan persen mutlak rata-rata (mean absolute percent = MAPE). FR 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). Aktual Peramalan MAD n • Contoh : Selama 8 kuartal terakhir, Perusahaan X membongkar muat sejumlah besar bijibijian 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. Add a footer 16 FR • Penyelesaian Kuartal Tonase Bongkar/Muat Peramalan yg dibulatkan dgn α =0,1 Peramalan yg dibulatkan dgn α =0,5 1 180 175 175 2 168 175+0,1(180-175)=175,50 177,50 3 159 175,50+0,1(168-175,50)=174,75 172,75 4 175 174,75+0,1(159-174,75)=173,18 165,88 5 190 173,18+0,1(175-173,18)=173,36 170,44 6 205 173,36+0,1(190-173,36)=175,02 180,22 7 180 175,02+0,1(205-175,02)=178,02 192,61 8 182 178,02+0,1(180-178,02)=178,22 186,30 9 ? 178,22+0,1(182-178,22)=178,59 184,15 Add a footer 17 FR • Perhitungan MAD: Kuartal Tonase B/M Aktual Peramalan α= 0,1 Deviasi Absolut α=0,1 Peramalan α= 0,5 Deviasi Absolut α=0,5 1 180 175 5,00 175 5,00 2 168 175,50 7,50 177,50 9,50 3 159 174,75 15,75 172,75 13,75 4 175 173,18 1,82 165,88 9,12 5 190 173,36 16,64 170,44 19,56 6 205 175,02 29,98 180,22 24,78 7 180 178,02 1,98 192,61 12,61 8 182 178,22 3,78 186,30 4,30 Add a footer 18 FR Kesalahan Kuadrat Rata2 (MSE) Kuartal Tonase B/M Aktual Peramalan α=01 (Kesalahan)2 1 180 175 52 = 25 2 168 175,50 (-7,5)2=56,25 3 159 174,75 248,06 4 175 173,18 3,33 5 190 173,36 276,89 6 205 175,02 898,70 7 180 178,02 3,92 8 182 178,22 14,31 Add a footer Jumlah Kesalahan dikuadratkan = 1.526,46 MSE=(Jumlah Kesalahan dikuadratkan)/n = 190,80 19 FR Kesalahan Persen Mutlak Rata2 (MAPE) Kuartal Tonase B/M Aktual Peramalan α=01 MAPE 100 (Kesalahan/Aktual) 1 180 175 (5/180)(100)=0,0278 2 168 175,50 0,0446 3 159 174,75 0,0990 4 175 173,18 0,0105 5 190 173,36 0,0876 6 205 175,02 0,1462 7 180 178,02 0,0110 8 182 178,22 0,0208 Add a footer Jumlah kesalahan = 0,4475 MAPE=(Jumlah Kesalahan)/n = 0,0559 20 Penghalusan Eksponensial dengan Penyesuaian Tren FR 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. Bulan Permintaan Aktual 1 100 F1 = 100 (diberikan) 2 200 F2 = F1+α(A1-F1) = 100 + 0,4(100-100) = 100 3 300 F3 = F2+α(A2-F2) = 100 + 0,4(200-100) = 140 4 400 F4 = F3+α(A3-F3) = 140 + 0,4(300-140) = 204 5 500 F5 = F4+α(A4-F4) = 204 + 0,4(400-204) = 282 Add a footer Permintaan untuk Bulan T(FT) 21 FR 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 : Add a footer 22 FR 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. Add a footer 23 FR 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 Add a footer untuk periode t, menggunakan persamaan (1). 24 FR 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) 1. 2. 3. 3 Langkah menghitung peramalan yg disesuaikan dgn tren, yaitu : Menghitung Ft, peramalan eksponensial yg dihaluskan untuk periode t, menggunakan persamaan (1). Menghitung tren yg dihaluskan (Tt) menggunakan persamaan (2). Menghitung persamaan dengan tren (FITt) dengan rumus : Add a footer 25 FR Contoh : Bulan (t) Permintaan Aktual (At) Bulan (t) Permintaan Aktual (At) 1 12 6 21 2 17 7 31 3 20 8 28 4 19 9 36 5 24 10 ? 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. Add a footer 26 FR 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 Add a footer 27 FR Perhitungan Selengkapnya: Add a footer Bulan Permintaan Aktual Ft Tt FITt 1 12 11 2 13,00 2 17 12,80 1,92 14,72 3 20 15,18 2,10 17,28 4 19 17,82 2,32 20,14 5 24 19,91 2,23 22,14 6 21 22,51 2,38 24,89 7 31 24,11 2,07 26,18 8 28 27,14 2,45 29,59 9 36 29,28 2,32 31,60 10 ? 32,48 2,68 35,16 28 FR Peran IT Dalam Forecasting Sebuah paket peramalan yang baik memberikan perkiraan di berbagai macam produk yang diperbarui secara real time dengan memasukkan informasi permintaan baru. Hal ini membantu perusahaan merespon dengan cepat terhadap perubahan pasar dan menghindari biaya reaksi tertunda. Sebagai perencanaan permintaan nama menyarankan, modul-modul ini memfasilitasi pembentukan permintaan. modul perencanaan permintaan yang baik berisi alat untuk melakukan apa jika analisis mengenai dampak potensi perubahan harga pada permintaan. Alat-alat ini membantu menganalisis dampak dari promosi pada permintaan dan dapat digunakan untuk menentukan tingkat dan waktu promosi. Add a footer 29 FR Forecasting Dalam Praktek • Berkolaborasi Dalam perkiraan pembangunan • Hanya Data yang real yang memberikan nilai • Pastikan Untuk Membedakan Antara Permintaan & Penjualan Add a footer 30 FR Kesimpulan • 1. Pahami peran peramalan untuk perusahaan dan rantai pasokan 2. Identifikasi komponen perkiraan permintaan 3. Perkiraan permintaan dalam rantai pasokan berdasarkan data permintaan historis menggunakan metodologi deret 4. Analisis perkiraan permintaan untuk memperkirakan kesalahan perkiraan. Kesalahan ramalan mengukur komponen permintaan secara acak, Ukuran ini penting karena mengungkapkan betapa tidak akuratnya a prakiraan secara konsisten melebihi atau di bawah prakiraan atau jika permintaan telah menyimpang secara signifikan dari norma historis. Add a footer 31 Terimakasih
