BAB
7
7
Peramalan Permintaan
dalam Rantai Pasokan
TUJUAN PEMBELAJARAN
Setelah membaca bab ini, Anda akan mampu
1. Pahami peran perkiraan untuk keduanya
3. Perkiraan permintaan dalam rantai pasokan diberikan
perusahaan dan rantai pasokan.
data permintaan historis menggunakan metodologi deret
waktu.
2. Identifikasi komponen permintaan
ramalan cuaca.
4. Analisis prakiraan permintaan untuk memperkirakan
kesalahan perkiraan.
SEBUAH
Dalam bab ini, kami menjelaskan bagaimana informasi permintaan historis dapat digunakan untuk meramalkan
permintaan masa depan dan bagaimana
Semua keputusan
prakiraan rantai
ini memengaruhi
pasokan yang
rantai
dibuat
pasokan.
sebelum
Kami
permintaan
menjelaskan
terwujud
beberapa
dibuat untuk diramalkan.
metode untuk meramalkan permintaan dan memperkirakan akurasi ramalan. Kami kemudian membahas bagaimana metode ini dapat diimplementasikan
menggunakan Microsoft Excel.
7.1 PERAN PERAMALAN DALAM RANTAI PASOKAN
Perkiraan permintaan membentuk dasar dari semua perencanaan rantai pasokan. Pertimbangkan tampilan dorong / tarik rantai pasokan yang
dibahas dalam Bab 1. Semua proses dorong dalam rantai pasokan dilakukan untuk mengantisipasi permintaan pelanggan, sedangkan semua
proses tarik dilakukan sebagai respons terhadap permintaan pelanggan. Untuk proses push, seorang manajer harus merencanakan tingkat
aktivitas, baik itu produksi, transportasi, atau aktivitas terencana lainnya. Untuk proses tarik, seorang manajer harus merencanakan tingkat
kapasitas dan inventaris yang tersedia, tetapi bukan jumlah sebenarnya yang akan dieksekusi. Dalam kedua contoh tersebut, langkah pertama
yang harus diambil manajer adalah meramalkan seperti apa permintaan pelanggan nantinya.
Sebuah toko Home Depot yang menjual cat memesan cat dasar dan pewarna untuk mengantisipasi pesanan pelanggan, sedangkan
toko melakukan pencampuran akhir cat sebagai tanggapan atas pesanan pelanggan. Home Depot menggunakan prakiraan permintaan di
masa depan untuk menentukan jumlah cat dan pewarna yang tersedia (proses push). Lebih jauh ke rantai pasok, pabrik cat yang
memproduksi pangkalan juga membutuhkan
177
178
perkiraan untuk menentukan produksi dan tingkat inventarisnya sendiri. Pemasok pabrik cat juga membutuhkan prakiraan karena alasan
yang sama. Jika setiap tahap dalam rantai pasokan membuat prakiraannya sendiri-sendiri, prakiraan ini seringkali sangat berbeda.
Hasilnya adalah ketidaksesuaian antara penawaran dan permintaan. Namun, ketika semua tahapan rantai pasokan bekerja sama untuk
menghasilkan perkiraan kolaboratif, perkiraan tersebut cenderung jauh lebih akurat. Akurasi perkiraan yang dihasilkan memungkinkan
rantai pasokan menjadi lebih responsif dan lebih efisien dalam melayani pelanggan mereka. Pemimpin di banyak rantai pasokan, dari
produsen elektronik hingga pengecer barang dalam kemasan, telah meningkatkan kemampuan mereka untuk menyesuaikan pasokan
dan permintaan dengan beralih ke perkiraan kolaboratif.
Pertimbangkan nilai prakiraan kolaboratif untuk Coca-Cola dan pembotolannya. Coca-Cola memutuskan waktu promosi
berdasarkan perkiraan permintaan selama kuartal mendatang. Keputusan promosi kemudian dimasukkan ke dalam perkiraan
permintaan yang diperbarui. Perkiraan yang diperbarui sangat penting bagi pembotol untuk merencanakan kapasitas dan keputusan
produksi mereka. Pembotolan yang beroperasi tanpa prakiraan yang diperbarui berdasarkan promosi tidak mungkin memiliki pasokan
yang cukup untuk Coca-Cola, sehingga mengganggu keuntungan rantai pasokan.
Produk dewasa dengan permintaan stabil, seperti susu atau handuk kertas, biasanya paling mudah diramalkan.
Peramalan dan keputusan manajerial yang menyertainya sangat sulit ketika pasokan bahan mentah atau permintaan produk
jadi sangat tidak dapat diprediksi. Barang fashion dan banyak produk berteknologi tinggi adalah contoh barang yang sulit
diramalkan. Dalam kedua contoh tersebut, perkiraan kesalahan perkiraan sangat penting saat merancang rantai pasokan
dan merencanakan tanggapannya.
Sebelum kita memulai diskusi mendalam tentang komponen prakiraan dan metode prakiraan dalam rantai pasokan,
kami membuat daftar singkat karakteristik prakiraan yang harus dipahami oleh manajer untuk merancang dan mengelola rantai
pasokannya secara efektif.
7.2 KARAKTERISTIK PERAMALAN
Perusahaan dan manajer rantai pasokan harus menyadari karakteristik prakiraan berikut ini.
1. Prakiraan selalu tidak akurat dan karenanya harus mencakup nilai perkiraan yang diharapkan dan ukuran kesalahan prakiraan. Untuk
memahami pentingnya kesalahan ramalan, pertimbangkan dua dealer mobil. Salah satunya mengharapkan penjualan berkisar antara 100 dan
1.900 unit, sedangkan yang lain mengharapkan penjualan berkisar antara 900 dan 1.100 unit. Meskipun kedua dealer mengantisipasi penjualan
rata-rata 1.000, kebijakan sumber untuk setiap dealer harus sangat berbeda, mengingat perbedaan dalam keakuratan prakiraan. Dengan
demikian, kesalahan ramalan (atau ketidakpastian permintaan) adalah masukan utama ke dalam sebagian besar keputusan rantai pasokan.
Sayangnya, sebagian besar perusahaan tidak mempertahankan perkiraan kesalahan perkiraan.
2. Prakiraan jangka panjang biasanya kurang akurat dibandingkan prakiraan jangka pendek; yaitu, prakiraan jangka panjang memiliki deviasi
standar kesalahan yang lebih besar relatif terhadap rata-rata daripada prakiraan jangka pendek.
perusahaan telah menerapkan proses pengisian ulang yang memungkinkannya menanggapi pesanan dalam beberapa jam. Misalnya, jika
manajer toko memesan pada pukul 10 pagi, pesanan akan dikirim pada pukul 7 malam pada hari yang sama. Oleh karena itu, pengelola harus
memperkirakan apa yang akan terjual malam itu hanya kurang dari 12 jam sebelum penjualan yang sebenarnya. Waktu tunggu yang singkat
memungkinkan manajer untuk memperhitungkan informasi terkini yang dapat memengaruhi penjualan produk, seperti cuaca. Perkiraan ini
kemungkinan akan lebih akurat daripada jika manajer toko harus memperkirakan permintaan seminggu sebelumnya.
3. Perkiraan agregat biasanya lebih akurat daripada perkiraan terpilah, karena cenderung memiliki deviasi standar kesalahan
yang lebih kecil dibandingkan dengan mean. Misalnya, mudah untuk diramalkan
kesalahan. Namun, jauh lebih sulit untuk meramalkan pendapatan tahunan untuk perusahaan dengan kesalahan kurang dari 2
persen, dan bahkan lebih sulit lagi untuk meramalkan pendapatan untuk produk tertentu dengan tingkat akurasi yang sama.
Perbedaan utama di antara ketiga prakiraan ini adalah tingkat agregasi. PDB adalah agregasi di banyak perusahaan, dan
pendapatan perusahaan adalah agregasi di beberapa lini produk. Semakin besar agregatnya, semakin akurat ramalannya.
179
4. Secara umum, semakin jauh rantai pasokan perusahaan (atau semakin jauh dari konsumen), semakin besar
distorsi informasi yang diterimanya. Salah satu contoh klasik dari fenomena ini adalah bullwhip effect (lihat Bab 10), di mana
variasi pesanan diperkuat saat pesanan bergerak semakin jauh dari pelanggan akhir. Perkiraan kolaboratif berdasarkan
penjualan ke pelanggan akhir membantu perusahaan hulu mengurangi kesalahan perkiraan.
Pada bagian selanjutnya, kita membahas komponen dasar ramalan, menjelaskan empat klasifikasi metode
peramalan, dan memperkenalkan pengertian kesalahan ramalan.
7.3 KOMPONEN PERAMALAN DAN METODE PERAMALAN
Yogi Berra, mantan penangkap ikan New York Yankees yang terkenal dengan malapropisme, pernah berkata, "Sulit untuk membuat prediksi, terutama
tentang masa depan." Seseorang mungkin tergoda untuk memperlakukan peramalan permintaan sebagai sihir atau seni dan membiarkan segalanya
menjadi kebetulan. Apa yang diketahui perusahaan tentang perilaku masa lalu pelanggannya, bagaimanapun, menjelaskan perilaku masa depan mereka.
Permintaan tidak muncul dalam ruang hampa. Sebaliknya, permintaan pelanggan dipengaruhi oleh berbagai faktor dan dapat diprediksi, setidaknya
dengan beberapa kemungkinan, jika perusahaan dapat menentukan hubungan antara faktor-faktor ini dan permintaan di masa depan. Untuk meramalkan
permintaan, perusahaan pertama-tama harus mengidentifikasi faktor-faktor yang mempengaruhi permintaan di masa depan dan kemudian memastikan
hubungan antara faktor-faktor ini dan permintaan di masa depan.
Perusahaan harus menyeimbangkan faktor obyektif dan subyektif saat meramalkan permintaan. Meskipun kami fokus pada
metode peramalan kuantitatif dalam bab ini, perusahaan harus memasukkannya
sistem yang membuat perkiraan permintaan dan menyediakan pesanan yang direkomendasikan. Manajer toko,
bagaimanapun, bertanggung jawab untuk membuat keputusan akhir dan menempatkan pesanan, karena dia
mungkin memiliki akses ke informasi tentang kondisi pasar yang tidak tersedia dalam data permintaan historis.
Pengetahuan tentang kondisi pasar ini kemungkinan besar akan meningkatkan ramalan. Misalnya, jika manajer
toko mengetahui bahwa cuaca kemungkinan akan hujan dan dingin keesokan harinya, dia dapat mengurangi
ukuran pesanan es krim untuk ditempatkan dengan pemasok hulu, bahkan jika permintaan tinggi selama
sebelumnya. beberapa hari saat cuaca sedang panas. Dalam hal ini, perubahan kondisi pasar (cuaca) tidak dapat
diprediksi menggunakan data permintaan historis.
Perusahaan harus memiliki pengetahuan tentang berbagai faktor yang terkait dengan perkiraan permintaan, termasuk
yang berikut ini:
Perusahaan harus memahami faktor-faktor tersebut sebelum dapat memilih metodologi peramalan yang sesuai. Misalnya, secara
historis suatu perusahaan mungkin pernah mengalami permintaan ayam yang rendah
Metode peramalan diklasifikasikan menurut empat jenis berikut:
1. Kualitatif: Metode peramalan kualitatif terutama subjektif dan bergantung pada penilaian manusia.
Mereka paling sesuai ketika sedikit data historis tersedia atau kapan
sary untuk meramalkan permintaan beberapa tahun ke depan dalam industri baru.
180
2. Deret waktu: Metode peramalan deret waktu menggunakan permintaan historis untuk membuat prakiraan. Mereka didasarkan pada
asumsi bahwa riwayat permintaan masa lalu merupakan indikator yang baik untuk permintaan di masa mendatang. Metode-metode ini paling
tepat jika pola permintaan dasar tidak berubah secara signifikan dari satu tahun ke tahun berikutnya. Ini adalah metode paling sederhana untuk
diterapkan dan dapat berfungsi sebagai titik awal yang baik untuk perkiraan permintaan.
3. Kausal: Metode peramalan kausal mengasumsikan bahwa ramalan permintaan sangat berkorelasi dengan faktor-faktor
tertentu di lingkungan (keadaan ekonomi, suku bunga, dll.). Metode peramalan kausal menemukan korelasi antara permintaan dan
faktor lingkungan dan perkiraan penggunaan dari faktor lingkungan apa yang akan digunakan untuk meramalkan permintaan di masa
depan. Misalnya, harga produk sangat berkorelasi dengan permintaan. Dengan demikian, perusahaan dapat menggunakan metode
kausal untuk menentukan dampak promosi harga terhadap permintaan.
4. Simulasi:
meningkatkan permintaan untuk sampai pada perkiraan. Dengan menggunakan simulasi, perusahaan dapat menggabungkan metode time-series dan
kausal untuk menjawab pertanyaan-pertanyaan seperti: Apa dampak dari promosi harga? Apa dampak dari pesaing yang membuka toko terdekat?
Maskapai penerbangan mensimulasikan perilaku pembelian pelanggan untuk memperkirakan permintaan kursi dengan tarif lebih tinggi ketika tidak ada
kursi yang tersedia dengan tarif lebih rendah.
Suatu perusahaan mungkin akan kesulitan untuk memutuskan metode mana yang paling sesuai untuk peramalan. Faktanya, beberapa
penelitian telah menunjukkan bahwa menggunakan beberapa metode perkiraan untuk membuat perkiraan gabungan lebih efektif daripada
menggunakan satu metode saja.
Dalam bab ini, kami membahas metode deret waktu, yang paling sesuai saat permintaan di masa mendatang terkait
dengan permintaan historis, pola pertumbuhan, dan pola musiman apa pun. Dengan metode peramalan apa pun, selalu ada
elemen acak yang tidak dapat dijelaskan oleh pola permintaan historis. Oleh karena itu, setiap permintaan yang diamati
dapat dipecah menjadi komponen sistematis dan acak:
Permintaan yang diamati 1 HAI 2 = komponen sistematis 1 S 2 + komponen acak 1 R 2
Itu komponen sistematis mengukur nilai permintaan yang diharapkan dan terdiri dari apa yang akan kita sebut tingkat, permintaan
yang tidak disesuaikan saat ini; kecenderungan, tingkat pertumbuhan atau penurunan permintaan untuk periode berikutnya; dan musim,
fluktuasi musiman permintaan yang dapat diprediksi.
Itu komponen acak adalah bagian dari ramalan yang menyimpang dari bagian sistematik. Perusahaan tidak dapat
(dan tidak seharusnya) meramalkan arah komponen acak. Yang dapat diprediksi oleh perusahaan hanyalah ukuran dan
variabilitas komponen acak, yang memberikan ukuran kesalahan ramalan. Tujuan peramalan adalah untuk menyaring
komponen acak (noise) dan memperkirakan komponen sistematis. Itu kesalahan perkiraan mengukur perbedaan antara
ramalan dan permintaan aktual. Rata-rata, metode peramalan yang baik memiliki kesalahan yang ukurannya sebanding
dengan komponen permintaan yang acak. Seorang manajer harus skeptis terhadap metode peramalan yang mengklaim tidak
memiliki kesalahan peramalan pada permintaan historis. Dalam hal ini, metode telah menggabungkan komponen acak
historis dengan komponen sistematis. Akibatnya, metode perkiraan kemungkinan akan berkinerja buruk.
7.4 PENDEKATAN DASAR PERAMALAN PERMINTAAN
Lima poin berikut penting bagi organisasi untuk meramalkan secara efektif:
1. Pahami tujuan perkiraan.
2. Integrasikan perencanaan dan peramalan permintaan di seluruh rantai pasokan.
3. Identifikasi faktor utama yang mempengaruhi ramalan permintaan.
4. Perkiraan di tingkat agregasi yang sesuai.
5. Tetapkan kinerja dan ukuran kesalahan untuk ramalan.
181
Pahami Tujuan Peramalan
Setiap prakiraan mendukung keputusan yang didasarkan padanya, jadi langkah pertama yang penting adalah mengidentifikasi keputusan ini
dengan jelas. Contoh dari keputusan semacam itu mencakup berapa banyak produk tertentu yang harus dibuat, berapa banyak persediaan, dan
berapa banyak yang harus dipesan. Semua pihak yang terpengaruh oleh keputusan rantai pasokan harus menyadari hubungan antara keputusan
dan perkiraan tersebut. Sebagai contoh,
facturer, transporter, dan pihak lain yang terlibat dalam memenuhi permintaan, karena mereka semua harus membuat keputusan yang
dipengaruhi oleh perkiraan permintaan. Semua pihak harus membuat perkiraan umum untuk promosi dan rencana tindakan bersama
berdasarkan perkiraan. Kegagalan untuk membuat keputusan ini bersama-sama dapat mengakibatkan terlalu banyak atau terlalu sedikit
produk dalam berbagai tahap rantai pasokan.
Integrasikan Perencanaan dan Perkiraan Permintaan di Seluruh Rantai Pasokan
Perusahaan harus menghubungkan ramalannya dengan semua aktivitas perencanaan di seluruh rantai pasokan. Ini termasuk antara lain
perencanaan kapasitas, perencanaan produksi, perencanaan promosi, dan pembelian. Dalam satu skenario yang sayangnya umum,
pengecer mengembangkan prakiraan berdasarkan aktivitas promosi, sedangkan pabrikan, yang tidak mengetahui promosi ini,
mengembangkan prakiraan yang berbeda untuk perencanaan produksinya berdasarkan pesanan historis. Hal ini menyebabkan
ketidaksesuaian antara penawaran dan permintaan, yang mengakibatkan layanan pelanggan yang buruk. Untuk mencapai integrasi, adalah
ide yang baik bagi perusahaan untuk memiliki tim lintas fungsi, dengan anggota dari setiap fungsi yang terpengaruh bertanggung jawab
untuk meramalkan permintaan — dan ide yang lebih baik adalah memiliki anggota dari perusahaan yang berbeda dalam rantai pasokan
yang bekerja sama untuk buat ramalan.
Identifikasi Faktor Utama Yang Mempengaruhi Prakiraan Permintaan
Selanjutnya, perusahaan harus mengidentifikasi fenomena terkait permintaan, penawaran, dan produk yang mempengaruhi ramalan
permintaan. Di sisi permintaan, perusahaan harus memastikan apakah permintaan tumbuh atau menurun atau memiliki pola musiman.
Estimasi ini harus berdasarkan permintaan, bukan data penjualan.
permintaan untuk sereal ini tinggi, sedangkan permintaan untuk merek sereal lain yang sebanding juga tinggi
ramalan permintaan, supermarket harus memahami seperti apa permintaan jika tidak ada aktivitas promosi dan bagaimana
permintaan dipengaruhi oleh promosi dan tindakan pesaing. Kombinasi dari potongan-potongan informasi ini akan
memungkinkan supermarket untuk meramalkan permintaan
Pada sisi penawaran, perusahaan harus mempertimbangkan sumber pasokan yang tersedia untuk menentukan keakuratan ramalan
yang diinginkan. Jika sumber pasokan alternatif dengan waktu tunggu yang singkat tersedia, perkiraan yang sangat akurat mungkin tidak
terlalu penting. Namun, jika hanya satu pemasok dengan waktu tunggu yang lama yang tersedia, perkiraan yang akurat akan sangat
bermanfaat.
Di sisi produk, perusahaan harus mengetahui jumlah varian produk yang dijual dan apakah varian ini menggantikan atau
melengkapi satu sama lain. Jika permintaan untuk suatu produk mempengaruhi atau dipengaruhi oleh permintaan akan produk lain,
kedua ramalan tersebut paling baik dibuat secara bersama-sama. Misalnya, ketika perusahaan memperkenalkan versi perbaikan
dari produk yang sudah ada, kemungkinan permintaan untuk produk yang sudah ada akan menurun karena pelanggan akan
membeli versi yang lebih baik. Meskipun penurunan permintaan untuk produk asli tidak diindikasikan oleh data historis, permintaan
historis masih berguna karena memungkinkan perusahaan untuk memperkirakan permintaan total gabungan untuk kedua versi
tersebut. Jelas, permintaan untuk kedua produk tersebut harus diramalkan bersama.
182
Perkiraan di Tingkat Agregasi yang Sesuai
Mengingat bahwa perkiraan agregat lebih akurat daripada perkiraan terpilah, penting untuk memperkirakan pada tingkat agregasi yang
sesuai, mengingat keputusan rantai pasokan yang didorong oleh perkiraan tersebut. Pertimbangkan pembeli di rantai ritel yang
memperkirakan akan memilih ukuran pesanan untuk kemeja. Salah satu pendekatannya adalah dengan menanyakan kepada setiap manajer
toko jumlah pasti kaos yang dibutuhkan dan menjumlahkan semua permintaan untuk mendapatkan ukuran pesanan dengan pemasok.
Keuntungan dari pendekatan ini adalah menggunakan kecerdasan pasar lokal yang dimiliki setiap manajer toko. Masalah dengan pendekatan
ini adalah bahwa hal itu membuat manajer toko meramalkan jauh sebelum permintaan muncul pada saat prakiraan mereka tidak mungkin
akurat. Pendekatan yang lebih baik mungkin adalah meramalkan permintaan pada tingkat agregat ketika memesan dengan pemasok dan
meminta setiap manajer toko untuk meramalkan hanya ketika kemeja akan dialokasikan di seluruh toko. Dalam hal ini, perkiraan waktu tunggu
yang lama (pesanan pemasok) bersifat agregat, sehingga menurunkan kesalahan. Perkiraan tingkat toko terpilah dibuat mendekati musim
penjualan, ketika intelijen pasar lokal kemungkinan besar paling efektif.
Tetapkan Pengukuran Kinerja dan Kesalahan untuk Prakiraan
Perusahaan harus menetapkan ukuran kinerja yang jelas untuk mengevaluasi keakuratan dan ketepatan waktu ramalan. Langkah-langkah ini
harus dikaitkan dengan tujuan keputusan bisnis berdasarkan prakiraan ini. Pertimbangkan perusahaan pesanan melalui pos yang
menggunakan perkiraan untuk memesan dengan pemasoknya, yang membutuhkan waktu dua bulan untuk mengirimkan pesanan. Perusahaan
pesanan melalui pos harus memastikan bahwa perkiraan dibuat setidaknya dua bulan sebelum dimulainya musim penjualan karena waktu
tunggu dua bulan untuk pengisian ulang. Pada akhir musim penjualan, perusahaan harus membandingkan permintaan aktual dengan
permintaan yang diperkirakan untuk memperkirakan keakuratan ramalan. Kemudian rencana untuk mengurangi kesalahan ramalan di masa
depan atau menanggapi kesalahan ramalan yang diamati dapat dilakukan.
Pada bagian selanjutnya, kita membahas teknik untuk peramalan deret waktu statis dan adaptif.
7.5 METODE PERAMALAN SERI WAKTU
Tujuan dari setiap metode peramalan adalah untuk memprediksi komponen sistematis dari permintaan dan memperkirakan
komponen acak. Dalam bentuk yang paling umum, komponen sistematis dari data permintaan berisi tingkat, tren, dan faktor
musiman. Persamaan untuk menghitung komponen sistematik dapat berbentuk bermacam-macam:
Perkalian:
Aditif:
Campuran:
komponen sistematik = level * trend * faktor musiman
komponen sistematik = level + trend + faktor musiman
komponen sistematik = 1 level + tren 2 * faktor musiman
Bentuk spesifik dari komponen sistematis yang dapat diterapkan pada ramalan tertentu bergantung pada sifat permintaan.
Perusahaan dapat mengembangkan metode peramalan statis dan adaptif untuk setiap formulir. Kami sekarang menjelaskan metode
perkiraan statis dan adaptif ini.
Metode Statis
Metode statis mengasumsikan bahwa perkiraan tingkat, tren, dan musim di dalam komponen sistematis tidak bervariasi saat permintaan
baru diamati. Dalam kasus ini, kami memperkirakan setiap parameter ini berdasarkan data historis dan kemudian menggunakan nilai
yang sama untuk semua perkiraan di masa mendatang. Pada bagian ini, kita membahas metode peramalan statis untuk digunakan saat
permintaan memiliki tren serta komponen musiman. Kami berasumsi bahwa komponen sistematis dari permintaan bercampur; itu adalah,
komponen sistematik = 1 level + tren 2 * faktor musiman
Pendekatan serupa dapat diterapkan untuk bentuk lain juga. Kami mulai dengan beberapa definisi dasar:
L = perkiraan level pada t = 0 (perkiraan permintaan yang tidak disesuaikan selama Periode t = 0)
T = perkiraan tren (kenaikan atau penurunan permintaan per periode)
183
TABEL 7-1
Permintaan Triwulanan untuk Tahoe Salt
Tahun
Perempat
Titik, t
Permintaan, D t
1
2
1
8.000
1
3
2
13.000
1
4
3
23.000
2
1
4
34.000
2
2
5
10.000
2
3
6
18.000
2
4
7
23.000
3
1
8
38.000
3
2
9
12.000
3
3
10
13.000
3
4
11
32.000
4
1
12
41.000
S t = perkiraan faktor musiman untuk Periode t D t = permintaan
aktual yang diamati di Periode t F t = ramalan permintaan untuk
Periode t
Dalam metode peramalan statis, perkiraan dalam Periode t untuk permintaan di Periode t + l adalah produk dari level dalam
Periode t + l dan faktor musiman untuk Periode t + l. Tingkat dalam Periode t + l adalah jumlah level dalam Periode 0 ( L) dan ( t + l) kali tren
T. Perkiraan di Periode t untuk permintaan di Periode t + l dengan demikian diberikan sebagai
Ft+l=3 L + 1 t + l 2 T 4 St+l
(7.1)
Kami sekarang menjelaskan satu metode untuk memperkirakan tiga parameter L, T, dan S. Sebagai contoh, pertimbangkan permintaan garam
batu yang terutama digunakan untuk mencairkan salju. Garam ini diproduksi oleh sebuah perusahaan bernama
sampel pengecernya, tetapi perusahaan telah memperhatikan bahwa pengecer ini selalu melebih-lebihkan pembelian mereka, meninggalkan Tahoe (dan
bahkan beberapa pengecer) terjebak dengan persediaan berlebih. Setelah bertemu dengan
pengecer untuk membuat perkiraan yang lebih akurat berdasarkan penjualan eceran garam mereka yang sebenarnya. Data permintaan ritel triwulanan
selama tiga tahun terakhir ditunjukkan pada Tabel 7-1 dan dipetakan pada Gambar 7-1.
50.000
Permintaan
40.000
30.000
20.000
10.000
0
1, 2 1, 3 1, 4 2, 1 2, 2 2, 3 2, 4 3, 1 3, 2 3, 3 3, 4 4, 1
Titik
GAMBAR 7-1 Permintaan Kuartalan di Tahoe Salt
184
Pada Gambar 7-1, amati bahwa permintaan garam bersifat musiman, meningkat dari kuartal kedua tahun tertentu hingga kuartal
pertama tahun berikutnya. Kuartal kedua setiap tahun memiliki permintaan terendah. Setiap siklus berlangsung empat kuartal, dan pola
permintaan berulang setiap tahun. Ada juga tren pertumbuhan dalam permintaan, dengan pertumbuhan penjualan selama tiga tahun
terakhir. Perusahaan memperkirakan pertumbuhan akan berlanjut di tahun mendatang dengan laju historis. Kami sekarang menjelaskan
dua langkah berikut yang diperlukan untuk memperkirakan masing-masing dari tiga parameter — level, tren, dan faktor musiman.
1. Deseasonalize permintaan dan jalankan regresi linier untuk memperkirakan level dan tren.
2. Perkirakan faktor musiman.
PERKIRAAN TINGKAT DAN TREN Tujuan dari langkah ini adalah untuk memperkirakan level pada Periode 0 dan trennya.
Kami mulai deseasonalizing data permintaan. Permintaan yang tidak disesuaikan mewakili permintaan yang akan diamati
jika tidak ada fluktuasi musiman. Itu berkalaity (hal
pola ini berulang setiap tahun. Mengingat bahwa kami mengukur permintaan setiap tiga bulan, periodisitas untuk permintaan
pada Tabel 7-1 adalah p =
Untuk memastikan bahwa setiap musim diberi bobot yang sama saat mengurangi permintaan, kami mengambil rata-rata
dari p periode permintaan yang berurutan. Rata-rata permintaan dari Periode
l + 1 sampai Periode l + p e menyediakan permintaan yang tidak disesuaikan untuk Periode l + (p + 1) / 2. Jika p aneh,
metode ini memberikan permintaan yang tidak disesuaikan untuk periode yang ada. Jika p Bahkan, metode ini memberikan permintaan yang
tidak disesuaikan pada titik antara Periode l + (p / 2) dan Periode l + 1 + ( p / 2). Dengan mengambil rata-rata permintaan yang tidak disesuaikan
yang diberikan oleh Periode l + 1 sampai l + p dan l + 2
untuk l + p + 1, kami dapatkan c permintaan yang tidak disesuaikan untuk Perio l
permintaan yang tidak disesuaikan, D t, untuk Periode t, bisa jadi o
diperoleh sebagai berikut:
t - 1 + ( p 2)>
D t - (p> 2) + D t + (p> 2) +>
Dt =
(2 p) untuk p bahkan
a> 2 D saya d d n + 1 + ( p / 2) jika p adalah genap. Jadi,
i = t + 1 - ( p 2)
(7.2)
t + (hal
3-
D i> p untuk p aneh
i=t-3
Di mantan kami c cukup, p =
Sebuah
( p - 1)>
1) 2 44
t = 3, kami memperoleh permintaan yang tidak disesuaikan menggunakan Equa-
tion 7.2 sebagai berikut:
t- 1 + ( p> 2)
D 3 = D t - (p> 2) + D t + (p> 2) +
a> 2 D saya dn ( 2 p) = D 1 + D + Sebuah 2 D saya n 8
i = t + 1- ( p 2)
i=2
Dengan prosedur ini, kita dapat memperoleh permintaan yang tidak disesuaikan antara Periode 3 dan 10 seperti yang ditunjukkan
pada Gambar 7-2 dan 7-3 (semua detail tersedia dalam spreadsheet yang menyertai
Bab 7 - Garam Tahoe).
Hubungan linier berikut ini ada antara permintaan yang tidak disesuaikan, D t, dan waktu t,
berdasarkan perubahan permintaan dari waktu ke waktu:
D t = L + Tt
Dalam Persamaan 7.3, D t mewakili permintaan yang tidak disesuaikan dan bukan permintaan aktual dalam Periode
t, L mewakili tingkat atau permintaan yang tidak disesuaikan pada Periode 0, dan T mewakili tingkat pertumbuhan
dari permintaan yang tidak disesuaikan atau kecenderungan. Kami dapat memperkirakan nilai L dan T untuk permintaan yang tidak disesuaikan
menggunakan regresi linier dengan permintaan yang tidak disesuaikan (lihat Gambar 7-2) sebagai dependen
Excel (Data! Analisis Data! Regresi). Urutan perintah ini membuka Regresi
(7.3)
185
Sel
Formula Sel
C4
Disalin ke
Persamaan
7.2
= (B2 + B6 + 2 * SUM (B3: B5)) / 8
C5: C11
GAMBAR 7-2 Buku Kerja Excel dengan Permintaan yang Tidak Disesuaikan untuk Garam Tahoe
50.000
Deseasonalized
Permintaan Aktual
40.000
Permintaan
Permintaan
30.000
20.000
10.000
0
1
2
3
4
5
6
7
8
9
10
11
12
Titik
GAMBAR 7-3 Permintaan Garam Tahoe yang Tidak Disesuaikan
memasukkan
Memasukkan Y Rentang: C: C11
Input X Rentang: A: A11
dan klik tombol OK. Lembar baru yang berisi hasil regresi akan terbuka (lihat lembar kerja Regresi-1). Sheet baru ini
berisi perkiraan untuk kedua level awal L dan trennya T.
Level awal, L, diperoleh sebagai koefisien intersep, dan trennya, T, diperoleh sebagai Koefisien variabel X ( atau
kemiringan) dari lembar yang berisi hasil regresi. Untuk Tahoe
L=
T=
Regresi-1 dan angka dibulatkan menjadi nilai integer). Untuk contoh ini, permintaan yang tidak disesuaikan D t untuk Periode apa pun t dengan
demikian diberikan oleh
D t = 18, 39 + 2 t
(7.4)
Tidaklah tepat menjalankan regresi linier antara data permintaan asli dan waktu untuk memperkirakan tingkat dan
tren karena data permintaan asli tidak linier dan regresi linier yang dihasilkan tidak akan akurat. Permintaan harus
dideseasonalized sebelum kita menjalankan regresi linier.
186
Sel
C2
D2
Formula Sel
Persamaan
= 18439 + A2 * 524
= B2 / C2
Disalin ke
7.4
C3: C13
7.5
D3: D13
GAMBAR 7-4 Permintaan yang Tidak Disesuaikan dan Faktor Musiman untuk Garam Tahoe
PERKIRAAN FAKTOR MUSIM Kami sekarang dapat memperoleh permintaan yang tidak disesuaikan untuk masing-masing
S t untuk Periode t adalah rasio
permintaan aktual D t untuk permintaan yang tidak disesuaikan D t dan diberikan sebagai
Dt
St=
(7.5)
Dt
Gambar 7-4).
Mengingat periodisitas p, kami memperoleh faktor musiman untuk periode tertentu dengan menghitung rata-rata faktor musiman
yang sesuai dengan periode yang sama. Misalnya, jika kita memiliki periode p =
sebagai rata-rata dari tiga faktor musiman. Diberikan r siklus musiman dalam data, untuk semua periode formulir pt + i, 1 … saya … p, kami
memperoleh faktor musiman sebagai
r
Si=
Sebuah
- 1
S jp + i
(7.6 )
j=0
r
p=
adalah r = 3 siklus musiman dalam data. Kami mendapatkan faktor musiman menggunakan Persamaan 7.6 sebagai
S 1 = 1 S 1 + S + S 9 2> 3 = 1 0. 2 + 0. 7 + 0. 2 2> 3 = 0. 7
S 2 = 1 S 2 + S 6 + S 10 2> 3 = 1 0,67 + 0,83 + 0. 2> 3 = 0,68
S 3 = 1 S 3 + S 7 + S 11 2> 3 = 1 1.1 + 1.0 + 1.32 2> 3 = 1,17
S = 1 S + S 8 + S 12 2> 3 = 1 1,66 + 1,68 + 1,66 2> 3 = 1,67
Pada tahap ini, kami telah memperkirakan level, tren, dan semua faktor musiman. Kami sekarang bisa mendapatkan perkiraan untuk
empat kuartal berikutnya menggunakan Persamaan 7.1. Dalam contoh, perkiraan untuk empat periode berikutnya menggunakan metode
perkiraan statis diberikan oleh
F 13 = 1 L + 13 T 2 S 13 = 1 18, 39 + 13 * 2 2 0. 7 = 11.868
F 1 = 1 L + 1 T 2 S 1 = 1 18, 39 + 1 * 2 2 0,68 = 17, 27
187
F 1 = 1 L + 1 T 2 S 1 = 1 18, 39 + 1 * 2 2 1,17 = 30.770
F 16 = 1 L + 16 T 2 S 16 = 1 18, 39 + 16 * 2 2 1,67 =
, 79
Informasi jual-tayang antara pengecer dan pabrikan, rantai pasokan ini akan memiliki perkiraan yang kurang akurat,
dan berbagai inefisiensi produksi dan inventaris akan terjadi.
Peramalan Adaptif
Dalam peramalan adaptif, perkiraan level, tren, dan musim diperbarui setelah setiap pengamatan permintaan. Keuntungan utama
dari perkiraan adaptif adalah bahwa perkiraan menggabungkan semua data baru yang diamati. Kami sekarang membahas
kerangka dasar dan beberapa metode yang dapat digunakan untuk jenis perkiraan ini. Kerangka kerja disediakan dalam
pengaturan yang paling umum, ketika komponen sistematis dari data permintaan memiliki bentuk campuran dan berisi tingkat,
tren, dan faktor musiman. Namun, ini dapat dengan mudah dimodifikasi untuk dua kasus lainnya. Kerangka kerja juga dapat
dikhususkan untuk kasus di mana komponen sistematis tidak mengandung musim atau tren. Kami berasumsi bahwa kami
memiliki sekumpulan data historis untuk n periode dan permintaan itu musiman, dengan periodisitas p. Berdasarkan data
kuartalan, di mana polanya berulang setiap tahun, kami memiliki periode p =
Kami mulai dengan mendefinisikan beberapa istilah:
L t = perkiraan level pada akhir Periode t T t = perkiraan tren pada akhir periode t S t = perkiraan
faktor musiman untuk Periode t F t = ramalan permintaan untuk Periode t ( dibuat di Periode t
- 1 atau lebih awal)
D t = permintaan aktual yang diamati di Periode t E t = F t - D t = perkiraan
kesalahan dalam Periode t
Dalam metode adaptif, perkiraan untuk Periode t + l dalam Periode t menggunakan perkiraan level dan tren dalam Periode t (L t dan T t masing-masing)
dan diberikan sebagai
F t + l = 1 L t + lT t 2 S t + l
(7.7)
Empat langkah dalam kerangka perkiraan adaptif adalah sebagai berikut:
1. Inisialisasi: Hitung perkiraan awal level ( L 0), tren ( T 0), dan faktor musiman
( S 1,. . . , S p) dari data yang diberikan. Ini dilakukan persis seperti dalam metode perkiraan statis
dibahas sebelumnya di bab ini dengan L 0 = L dan T 0 = T.
2. Ramalan cuaca: Diberikan perkiraan dalam Periode t, perkiraan permintaan untuk Periode t + 1 menggunakan Equa-
bagian 7.7. Perkiraan pertama kami adalah untuk Periode 1 dan dibuat dengan perkiraan level, tren, dan faktor musiman pada
Periode 0.
3. Perkiraan kesalahan: Catat permintaan sebenarnya D t + 1 untuk Periode t + 1 dan hitung kesalahannya
E t + 1 dalam ramalan untuk Periode t + 1 sebagai perbedaan antara ramalan dan permintaan aktual. Kesalahan untuk Periode t
+ 1 dinyatakan sebagai
Et+1=Ft+1-Dt+1
4.
(7.8)
Ubah perkiraan: Ubah perkiraan level ( L t + 1), tren ( T t + 1), dan faktor musiman
( S t + p + 1), mengingat kesalahannya E t + 1 dalam ramalan. Dimaksudkan bahwa modifikasi sedemikian rupa sehingga jika permintaan lebih rendah
dari perkiraan, perkiraan direvisi ke bawah, sedangkan jika permintaan lebih rendah dari perkiraan,
permintaan lebih tinggi dari perkiraan, perkiraan direvisi naik.
Estimasi yang direvisi dalam Periode t + 1 kemudian digunakan untuk membuat ramalan untuk Periode t + 2, dan
n telah ditutupi. Estipasangan di Periode n kemudian digunakan untuk meramalkan permintaan di masa depan.
188
Kami sekarang membahas berbagai metode perkiraan adaptif. Metode yang paling tepat bergantung pada karakteristik
permintaan dan komposisi komponen sistematik dari permintaan. Dalam setiap kasus, kami menganggap periode yang sedang
dipertimbangkan adalah t.
BERGERAK RATA-RATA Metode rata-rata bergerak digunakan ketika permintaan tidak memiliki tren atau musim yang dapat diamati. Pada
kasus ini,
komponen sistematik dari permintaan = tingkat
Dalam metode ini, level dalam Periode t diperkirakan sebagai permintaan rata-rata selama yang paling baru N periode. Ini
mewakili sebuah N- periode moving average dan dievaluasi sebagai berikut:
L t = 1 D t + D t - 1 + g + D t - N + 1 2> N
(7,9)
Perkiraan saat ini untuk semua periode mendatang adalah sama dan didasarkan pada perkiraan tingkat saat ini. Perkiraan tersebut dinyatakan
sebagai
Ft+1=Lt
dan
Ft+n=Lt
(7.10)
Setelah mengamati permintaan Periode t + 1, kami merevisi perkiraan sebagai berikut:
L t + 1 = 1 D t + 1 + D t + # # # + D t - N + 2 2> N, F t + 2 = L t + 1
Untuk menghitung rata-rata pergerakan baru, kita cukup menambahkan observasi terbaru dan menghapus observasi terlama. Rata-rata
bergerak yang direvisi berfungsi sebagai perkiraan berikutnya. Rata-rata bergerak sesuai dengan memberikan yang terakhir N periode data memiliki
bobot yang sama saat memperkirakan dan mengabaikan semua data yang lebih lama dari rata-rata bergerak baru ini. Saat kita meningkat N, rata-rata
bergerak menjadi kurang responsif terhadap permintaan yang paling baru diamati. Kami mengilustrasikan penggunaan rata-rata bergerak di Contoh
7-1.
CONTOH 7-1 Moving Average
Sebuah supermarket telah mengalami permintaan susu mingguan D 1 = 120, D 2 = 127, D 3 =
D=
Analisis:
t=
N=
memperoleh
L = 1 D + D 3 + D 2 + D 1 2> = 1 122 + 11 + 127 + 120 2> = 120.7
F = L = 120,7 galon
D
E = F - D = 12 - 120,7 = 0,2
L = 1 D + D + D 3 + D 2 2> = 1 12 + 122 + 11 + 127 2> = 122
HALUS EKSPONENSIAL SEDERHANA Metode pemulusan eksponensial sederhana cocok jika permintaan tidak memiliki tren
atau musim yang dapat diamati. Pada kasus ini,
komponen sistematik dari permintaan = tingkat
189
Estimasi awal level, L 0, diambil sebagai rata-rata dari semua data historis karena permintaan diasumsikan tidak
memiliki tren atau musim yang dapat diamati. Diberikan data permintaan untuk
Periode 1 sampai n, kami memiliki yang berikut ini:
L0=1 n
n Sebuah
D saya
i=1
(7.11)
Perkiraan saat ini untuk semua periode mendatang sama dengan perkiraan tingkat saat ini dan diberikan sebagai
F t + 1 = L t dan F t + n = L t
(7.12)
Setelah mengamati permintaan, D t + 1, untuk Periode t + 1, kami merevisi perkiraan level sebagai
berikut:
L t + 1 = Sebuah D t + 1 + 1 1 - Sebuah 2 L t
(7.13)
dimana Sebuah ( 0 6 Sebuah 6 1) adalah konstanta pemulusan untuk level. Nilai revisi dari level tersebut adalah a
rata-rata tertimbang dari nilai yang diamati dari tingkat ( D t + 1) dalam Periode t + 1 dan perkiraan lama
level ( L t) dalam Periode t. Menggunakan Persamaan 7.13, kita dapat menyatakan level dalam periode tertentu sebagai fungsi dari permintaan saat ini dan
level pada periode sebelumnya. Jadi kita dapat menulis ulang Persamaan 7.13 sebagai
t-
L t + 1 = Sebuah 1
Sebuah 1 1 - Sebuah 2 n D t + 1 - n + 1 1 - Sebuah 2 t D 1
n=0
Estimasi level saat ini adalah rata-rata tertimbang dari semua observasi permintaan di masa lalu, dengan observasi terbaru
berbobot lebih tinggi dari observasi sebelumnya. Nilai yang lebih tinggi dari Sebuah
sesuai dengan perkiraan yang lebih responsif terhadap pengamatan terbaru, sedangkan nilai yang lebih rendah dari
Sebuah mewakili perkiraan yang lebih stabil yang kurang responsif terhadap pengamatan terbaru. Kami mengilustrasikan penggunaan pemulusan
eksponensial dalam Contoh 7-2.
CONTOH 7-2 Pemulusan Eksponensial Sederhana
Pertimbangkan supermarket di Contoh 7-1, di mana permintaan susu mingguan telah banyak D 1 = 120,
D 2 = 127, D 3 =
D = 122 galon selama empat minggu terakhir. Perkiraan permintaan untuk Periode
a = 0.1.
Analisis
Dalam hal ini, kami memiliki data permintaan untuk n =
level (dibulatkan menjadi 2 desimal) dinyatakan dengan
L 0 = Sebuah D i> = 120.7
i=1
Perkiraan untuk Periode 1 (menggunakan Persamaan 7.12) diberikan oleh
F 1 = L 0 = 120.7
Permintaan yang diamati untuk Periode 1 adalah D 1 = 120. Kesalahan ramalan untuk Periode 1 diberikan oleh
E 1 = F 1 - D 1 = 120,7 - 120 = 0,7
Dengan a = 0.1, estimasi level yang direvisi untuk Periode 1 menggunakan Persamaan 7.13 diberikan oleh
L 1 = Sebuah D 1 + 1 1 - Sebuah 2 L 0 = ( 0,1 * 120) + (0,9 * 120,7) = 120,68
Amati bahwa estimasi level untuk Periode 1 lebih rendah dari Periode 0 karena permintaan
di Periode 1 lebih rendah dari perkiraan untuk Periode 1. Dengan demikian, kami memperolehnya F 2 = L 1 = 120.68. Mengingat bahwa
D 2 = 127, kami dapatkan L 2 = ( 0,1 × 127) + (0,9 × 120,68) = 121,31. Ini memberi F 3 = L 2 = 121.31.
190
L3=
Mengingat bahwa D 3 =
F = L3=
+ (0,9 × 121,31) =
D = 122, kami dapatkan L = ( 0,1 × 122) +
= 120.72. Ini memberi
F = L = 120.72.
PERHALUSAN EKSPONENSIAL YANG TERPERBAIKI TREN (MODEL HOLT) Trennya dikoreksi
Metode pemulusan eksponensial (model Holt) sesuai jika permintaan diasumsikan memiliki level dan tren dalam
komponen sistematis, tetapi tidak ada musim. Dalam hal ini, kami punya
Komponen sistematik dari permintaan = level + trend
Kami memperoleh perkiraan awal level dan tren dengan menjalankan regresi linier antara permintaan, D t, dan waktu,
Periode t, dari bentuk
D t = di + b
Dalam hal ini, menjalankan regresi linier antara permintaan dan periode waktu adalah tepat karena kami mengasumsikan
bahwa permintaan memiliki tren tetapi tidak ada musim. Jadi, hubungan yang mendasari antara permintaan dan waktu bersifat
linier. Konstan b mengukur perkiraan permintaan pada
Titik t = 0 dan merupakan perkiraan kami dari level awal L 0. Lereng Sebuah mengukur tingkat perubahan permintaan per periode dan
merupakan perkiraan awal tren kami T 0.
Dalam Periode t, memberikan perkiraan level L t dan tren T t, ramalan untuk periode mendatang dinyatakan sebagai
F t + 1 = L t + T t dan F t + n = L t + nT t
(7.14)
Setelah mengamati permintaan untuk Periode t, kami merevisi estimasi untuk level dan tren sebagai berikut:
L t + 1 = Sebuah D t + 1 + 1 1 - Sebuah 21 L t + T t 2
(7.15)
Tt+1=b 1 Lt+1-Lt 2 + 1 1 - b 2 Tt
(7.16)
dimana Sebuah( 0 6 Sebuah 6 1) adalah konstanta pemulusan untuk level dan b ( 0 6 b 6 1) adalah konstanta pemulusan untuk tren.
Amati bahwa di masing-masing dari dua pembaruan, perkiraan yang direvisi (tingkat atau tren) adalah rata-rata tertimbang dari nilai
yang diamati dan perkiraan lama. Kami mengilustrasikan penggunaan model Holt dalam Contoh 7-3 (lihat spreadsheet terkait Contoh
1–4 Bab 7).
CONTOH 7-3 Model Holt
Produsen elektronik telah melihat permintaan untuk pemutar MP3 terbaru meningkat selama enam tahun terakhir
bulan. Permintaan yang diamati (dalam ribuan) telah D 1 =
9.808, D =
D 2 = 8.732, D 3 =
D=
D 6 = 11.961. Perkiraan permintaan untuk Periode 7 menggunakan eksposur yang dikoreksi tren
pemulusan alami dengan a = 0,1, b = 0.2.
Analisis
Langkah pertama adalah mendapatkan estimasi awal level dan trend menggunakan regresi linier. Kami pertama kali menjalankan
regresi linier (menggunakan alat Excel Data! Analisis Data! Regresi) antara permintaan
dan periode waktu. Estimasi level awal L 0 diperoleh sebagai koefisien intersep, dan
kecenderungan T 0 diperoleh sebagai Koefisien variabel X ( atau kemiringan) di spreadsheet Contoh 1-4 Bab 7 ( ada
beberapa variasi antara spreadsheet dan hasil yang ditampilkan di sini karena
pembulatan). Untuk data MP3 player, kami dapatkan
L 0 = 7,367 dan T 0 = 673
F 1 = L 0 + T 0 = 7.367 + 673 = 8,0 0
191
Permintaan yang diamati untuk Periode 1 adalah D 1 =
E 1 = F 1 - D 1 = 8,0 0 - 8, 1 = -37
Dengan a = 0,1, b = 0.2, estimasi level dan tren yang direvisi untuk Periode 1 menggunakan Persamaan
L 1 = Sebuah D 1 + 1 1 - Sebuah 21 L 0 + T 0 2 = 1 0,1 * 8, 1 2 + 1 0,9 * 8,0 0 2 = 8.078
T 1 = b 1 L 1 - L 0 2 + 1 1 - b 2 T 0 = 3 0,2 * 1 8.078 - 7.367 24 + 1 0.8 * 673 2 = 681
Amati bahwa perkiraan awal untuk permintaan di Periode 1 terlalu rendah. Hasilnya, pembaruan kami telah
-
meningkatkan perkiraan level L 1
Periode 2:
F 2 = L 1 + T 1 = 8.078 + 681 = 8,7 9
Melanjutkan dengan cara ini, kami memperoleh L 2 = 8,7, T 2 = 680, L 3 = 9.393, T 3 = 672,
L = 10.039, T = 666, L = 10.676, T = 661, L 6 = 11.399, T 6 = 673. Ini memberi kita prakiraan untuk Periode 7 dari
F 7 = L 6 + T 6 = 11.399 + 673 = 12.072
TREND- ANDSEASONALITY-CORRECTEDEXPONENTIALSMOOTHING (WINTER'SMODEL) Ini
Metode ini sesuai jika komponen sistematis dari permintaan memiliki tingkat, tren, dan faktor musiman. Dalam hal ini
kami punya
Komponen sistematik dari permintaan = 1 level + tren 2 * faktor musiman
Asumsikan periodisitas permintaan menjadi p. Untuk memulai, kita membutuhkan perkiraan awal level ( L 0),
tren ( T 0), dan faktor musiman ( S 1,. . . , S p). Kami mendapatkan perkiraan ini dengan menggunakan prosedur perkiraan statis yang
dijelaskan sebelumnya di bab ini.
Dalam Periode t, memberikan perkiraan level, L t, kecenderungan, T t, dan faktor musiman, S t,. . . , S t + p- 1, ramalan untuk periode mendatang
diberikan oleh
F t + 1 = 1 L t + T t 2 S t + 1 dan F t + l = 1 L t + lT t 2 S t + l
(7.17)
Tentang mengamati permintaan untuk Periode t + 1, kami merevisi perkiraan untuk level, tren, dan lautfaktor-faktor pribadi sebagai berikut:
L t + 1 = Sebuah 1 D t + 1> S t + 1 2 + 1 1 - Sebuah 21 L t + T t 2
(7.18)
Tt+1=b 1 Lt+1-Lt 2 + 1 1 - b 2 Tt
(7.19)
S t + p + 1 = g 1 D t + 1> L t + 1 2 + 1 1 - g 2 S t + 1
(7.20)
dimana Sebuah ( 0 6 Sebuah 6 1) adalah konstanta pemulusan untuk level; b ( 0 6 b 6 1) adalah konstanta pemulusan untuk tren; dan g
( 0 6 g 6 1) adalah konstanta pemulusan untuk faktor musiman. Amati bahwa di setiap pembaruan (level, tren, atau faktor musiman),
estimasi yang direvisi adalah rata-rata tertimbang dari nilai yang diamati dan estimasi lama. Kami mengilustrasikan penggunaan
model Winter di
Contoh 7-4).
CONTOH 7-4 Model Musim Dingin
pemulusan eksponensial dikoreksi musiman dengan a = 0,1, b = 0,2, g = 0.1.
192
Analisis
Kami mendapatkan perkiraan awal tingkat, tren, dan faktor musiman persis seperti pada kasus statis. Mereka diungkapkan sebagai
berikut:
L 0 = 18, 39 T 0 = 2
S 1 = 0. 7 S 2 = 0.68 S 3 = 1.17 S = 1.67
Perkiraan untuk Periode 1 (menggunakan Persamaan 7.17) diberikan oleh
F 1 = 1 L 0 + T 0 2 S 1 = 1 18, 39 + 2 2 0. 7 = 8.913
Permintaan yang diamati untuk Periode 1 adalah D 1 = 8.000. Dengan demikian, kesalahan ramalan untuk Periode 1
diberikan oleh
E 1 = F 1 - D 1 = 8.913 - 8.000 = 913
Dengan a = 0,1, b = 0,2, g = 0.1, estimasi level dan tren yang direvisi untuk Periode 1 dan
L 1 = Sebuah 1 D 1> S 1 2 + 1 1 - Sebuah 21 L 0 + T 0 2
= 3 0,1 * 1 8.000> 0. 7 24 + 3 0,9 * 1 18, 39 + 2 24 = 18.769
T 1 = b 1 L 1 - L 0 2 + 1 1 - b 2 T 0 = 3 0,2 * 1 18.769 - 18, 39 24 + 1 0.8 * 2 2 = 8
S = g 1 D 1> L 1 2 + 1 1 - g 2 S 1 = 3 0,1 * 1 8.000> 18.769 24 + 1 0,9 * 0,7 2 = 0. 7 Perkiraan permintaan untuk Periode 2
(menggunakan Persamaan 7.17) dengan demikian diberikan oleh
F 2 = 1 L 1 + T 1 2 S 2 = 1 18.769 + 8 2 * 0,68 = 13.093
Metode peramalan yang telah kita diskusikan dan situasi di mana mereka secara umum dapat diterapkan adalah sebagai
berikut:
Metode Peramalan
Penerapan
Rata-rata bergerak
Tidak ada tren atau kemusiman Tidak
Pemulusan eksponensial sederhana
ada tren atau kemusiman Tren tetapi
Model Holt
tidak ada kemusiman Tren dan musim
Model musim dingin
pengecernya, model Winter adalah pilihan terbaik, karena permintaannya mengalami tren dan musim.
di luar? Kesalahan perkiraan membantu mengidentifikasi kejadian di mana metode perkiraan yang digunakan tidak tepat. Di bagian selanjutnya, kami
menjelaskan bagaimana seorang manajer dapat memperkirakan dan menggunakan kesalahan perkiraan.
7.6 TINDAKAN KESALAHAN PRAKIRAAN
Seperti disebutkan sebelumnya, setiap permintaan memiliki komponen acak. Metode peramalan yang baik harus menangkap
komponen sistematis dari permintaan tetapi bukan komponen acak. Komponen acak memanifestasikan dirinya dalam bentuk
kesalahan perkiraan. Kesalahan ramalan mengandung informasi berharga dan harus dianalisis dengan cermat karena dua
alasan:
1. Manajer menggunakan analisis kesalahan untuk menentukan apakah metode peramalan saat ini adalah
memotong komponen permintaan yang sistematis secara akurat. Misalnya, jika metode peramalan secara konsisten
menghasilkan kesalahan positif, metode peramalan tersebut melebih-lebihkan komponen sistematis dan harus
diperbaiki.
2. Semua rencana darurat harus memperhitungkan kesalahan perkiraan. Pertimbangkan perusahaan pesanan lewat pos dengan
dua pemasok. Yang pertama di Timur Jauh dan memiliki waktu tunggu dua bulan. Yang kedua adalah
193
lokal dan dapat memenuhi pesanan dengan pemberitahuan satu minggu sebelumnya. Pemasok lokal lebih mahal daripada
pemasok Timur Jauh. Perusahaan pesanan lewat pos ingin mengontrak sejumlah kapasitas darurat dengan pemasok lokal
untuk digunakan jika permintaan melebihi jumlah yang disediakan pemasok Timur Jauh. Keputusan mengenai kuantitas
kapasitas lokal untuk dikontrak terkait erat dengan ukuran kesalahan perkiraan dengan waktu tunggu dua bulan.
Selama kesalahan yang diamati berada dalam perkiraan kesalahan historis, perusahaan dapat terus menggunakan metode peramalan
mereka saat ini. Menemukan kesalahan yang berada di luar perkiraan historis dapat menunjukkan bahwa metode perkiraan yang digunakan tidak
lagi sesuai atau permintaan telah berubah secara mendasar. Jika semua prakiraan perusahaan cenderung secara konsisten melebih-lebihkan atau
meremehkan permintaan, ini mungkin merupakan sinyal lain bahwa perusahaan harus mengubah metode peramalannya.
Seperti yang didefinisikan sebelumnya, kesalahan perkiraan untuk Periode t diberikan oleh E t, di mana berlaku sebagai berikut:
Et=Ft-Dt
Artinya, kesalahan dalam Periode t adalah perbedaan antara ramalan untuk Periode t dan permintaan aktual di Periode t. Penting bagi manajer
untuk memperkirakan kesalahan perkiraan yang dibuat setidaknya sejauh waktu tunggu yang diperlukan bagi manajer untuk mengambil
tindakan apa pun yang akan digunakan oleh perkiraan tersebut. Misalnya, jika perkiraan akan digunakan untuk menentukan ukuran pesanan
dan waktu tunggu pemasok adalah enam bulan, seorang manajer harus memperkirakan kesalahan untuk perkiraan yang dibuat enam bulan
sebelum permintaan muncul. Dalam situasi dengan waktu tunggu enam bulan, tidak ada gunanya memperkirakan kesalahan untuk perkiraan
yang dibuat satu bulan sebelumnya.
Salah satu ukuran kesalahan ramalan adalah berarti kesalahan kuadrat
(penyebut dalam Persamaan 7.21 juga dapat memiliki n - 1 sebagai ganti n):
MSE n = 1 n
t
n Sebuah
E2
t=1
(7.21)
kesalahan jauh lebih signifikan daripada kesalahan kecil karena semua kesalahan dikuadratkan. Jadi, jika kita memilih 9 akan lebih
disukai metode dengan urutan kesalahan 1, 3, 2, dan 20. Jadi, itu adalah ide yang bagus
kesalahan ramalan memiliki distribusi yang simetris sekitar nol.
Tentukan deviasi absolut dalam Periode t, A t, menjadi nilai absolut dari kesalahan dalam Periode t;
itu adalah,
SEBUAH t =! E t!
Tentukan deviasi absolut rata-rata ( MAD) menjadi rata-rata deviasi absolut selama semua periode, seperti yang
dinyatakan oleh
GILA n = 1 n
n Sebuah
SEBUAH t
t=1
(7.22)
MAD dapat digunakan untuk memperkirakan deviasi standar dari komponen acak dengan asumsi bahwa
komponen acak terdistribusi normal. Dalam hal ini deviasi standar dari komponen acak adalah
s = 1.2 GILA
(7.23)
Kami kemudian memperkirakan bahwa rata-rata komponen acak adalah 0, dan deviasi standar dari komponen
permintaan acak adalah s
kesalahan ramalan tidak memiliki distribusi simetris. Bahkan ketika distribusi kesalahan simetris, MAD merupakan
pilihan yang tepat ketika memilih metode peramalan jika biaya kesalahan ramalan sebanding dengan ukuran
kesalahan.
194
Itu rata-rata persentase kesalahan ( MAPE) adalah kesalahan absolut rata-rata sebagai persentase permintaan dan diberikan
oleh
n ` E t ` 100
Sebuah
MAPE n =
(7.24)
t=1Dt
n
MAPE adalah ukuran yang baik untuk kesalahan ramalan ketika ramalan yang mendasarinya memiliki musim yang signifikan dan
permintaan sangat bervariasi dari satu periode ke periode berikutnya. Pertimbangkan skenario di mana dua metode digunakan untuk
membuat prakiraan triwulanan untuk produk dengan musim
periode, Metode 2 menghasilkan MAPE 9,9 persen, sedangkan Metode 1 menghasilkan hasil yang jauh lebih tinggi
Metode 1.
Ketika metode perkiraan berhenti mencerminkan pola permintaan yang mendasarinya (misalnya, jika permintaan turun drastis seperti
yang terjadi pada industri otomotif pada tahun 2008-2009), kesalahan perkiraan tidak mungkin didistribusikan secara acak sekitar 0. Secara
umum, seseorang memerlukan metode untuk melacak dan mengontrol metode perkiraan. Salah satu pendekatannya adalah menggunakan
jumlah kesalahan perkiraan untuk mengevaluasi bias, di mana berlaku sebagai berikut:
n
(7.25)
bias n = Sebuah E t
t=1
Bias akan berfluktuasi sekitar 0 jika kesalahan benar-benar acak dan tidak bias. Idealnya, jika kita memplot
semua kesalahan, kemiringan garis lurus terbaik yang melewati harus 0.
Itu sinyal pelacakan
TS t =
bias t
(7.26)
GILA t
{ 6, ini adalah sinyal bahwa ramalannya bias
dan termasuk underforecasting ( TS 6 - 6) atau perkiraan berlebih ( TS 7 + 6). Hal ini mungkin terjadi karena metode peramalan
yang salah atau pola permintaan yang mendasarinya telah bergeser. Satu
manajer menggunakan metode peramalan seperti rata-rata bergerak. Karena trend tidak termasuk,
bahwa metode perkiraan secara konsisten meremehkan permintaan dan memperingatkan manajer.
Sinyal pelacakan juga bisa menjadi besar ketika permintaan tiba-tiba turun (seperti yang terjadi pada banyak industri pada tahun
2009) atau meningkat dalam jumlah yang signifikan, membuat data historis menjadi kurang relevan. Jika permintaan tiba-tiba turun, masuk
akal untuk meningkatkan bobot pada data saat ini relatif terhadap data lama saat membuat perkiraan. McClain (1981) merekomendasikan
metode "alfa menurun" saat menggunakan pemulusan eksponensial ketika konstanta pemulusan mulai besar (untuk memberikan bobot
yang lebih besar pada data terbaru) tetapi kemudian menurun seiring waktu. Jika kami bertujuan untuk jangka panjang
penghalusan konstan a = 1 - r, pendekatan alfa yang menurun akan dimulai Sebuah 0 = 1 dan setel ulang konstanta pemulusan
sebagai berikut:
Sebuah t - 1
Sebuah t =
r + at-1
=
1-r
1 - rt
Dalam jangka panjang, konstanta pemulusan akan bertemu a = 1 - r dengan prakiraan menjadi lebih stabil dari waktu ke waktu.
195
7.7 MEMILIH KONSTAN HALUS TERBAIK
Saat menggunakan pemulusan eksponensial, nilai konstanta pemulusan yang dipilih memiliki dampak langsung pada sensitivitas prakiraan terhadap data
terbaru. Jika seorang manajer memiliki pemahaman yang baik tentang pola permintaan yang mendasarinya, yang terbaik adalah menggunakan konstanta
pemulusan yang tidak lebih besar dari 0,2. Secara umum, yang terbaik adalah memilih konstanta pemulusan yang meminimalkan istilah kesalahan yang
paling sering dilakukan manajer
Kami mengilustrasikan dampak pemilihan konstanta pemulusan yang meminimalkan ukuran kesalahan yang berbeda.
spreadsheet Bab 7 - Garam Tahoe dan lembar kerja Gambar 7-5, 6). Tingkat awal diperkirakan menggunakan Persamaan 7.11 dan
ditunjukkan di sel C2. Konstanta penghalusan Sebuah
GAMBAR 7-5 Memilih Konstan Pemulusan dengan Meminimalkan MSE
196
GAMBAR 7-6 Memilih Konstan Pemulusan dengan Meminimalkan MAD
a=
=
=
MAPE = 2,1 persen.
MAPE di akhir 10 periode. Pada Gambar 7-6, kami menunjukkan hasil dari meminimalkan MAD (sel G13). Perkiraan dan
kesalahan yang dihasilkan a = 0,32 ditunjukkan pada Gambar 7-6. Pada kasus ini,
yang mengurangi kesalahan besar, sedangkan meminimalkan MAD mengambil konstanta penghalusan yang memberikan bobot yang sama untuk
mengurangi semua kesalahan bahkan jika kesalahan besar menjadi lebih besar.
197
7.8 PERAMALAN PERMINTAAN DI TAHOE SALT
Bab 7 - Garam Tahoe
Sel
Formula Sel
C5
= Rata-rata (B2: B5)
Persamaan
Disalin ke
7.9
C6: C13
D6
= C5
7.10
D7: D13
E6
= D6-B6
7.8
E7: E13
F6
= Abs (E6)
F7: F13
G6
= Jumlahq ($ E $ 6: E6) / (A6-4)
7.21
G7: G13
H6
= Jumlah ($ F $ 6: F6) / (A6-4)
7.22
H7: H13
I6
I7: I13
= 100 * (F6 / B6)
J6
= Rata-rata ($ I $ 6: I6)
7.24
J7: J13
K6
= Jumlah ($ E $ 6: E6) / H6
7.26
K7: K13
GAMBAR 7-7 Prakiraan Garam Tahoe Menggunakan Rata-rata Pergerakan Empat Periode
198
Permintaan dalam hal ini jelas memiliki tren dan musim dalam komponen sistematisnya. Oleh karena itu, tim awalnya
mengharapkan model Winter menghasilkan ramalan terbaik.
Moving Average
Tim peramalan awalnya memutuskan untuk menguji rata-rata pergerakan empat periode untuk peramalan. Semua perhitungan
ditunjukkan pada Peraga 7-7 (lihat lembar kerja Gambar 7-7 dalam spreadsheet Bab 7 - Garam Tahoe) dan seperti yang dibahas di
bagian metode rata-rata bergerak di awal bab ini. Tim menggunakan Persamaan 7.9 untuk memperkirakan level dan Persamaan
7.10 untuk meramalkan permintaan.
{ 6 rentang, yang menunjukkan
menyatakan bahwa prakiraan menggunakan rata-rata bergerak empat periode tidak mengandung signifikan
bias. Namun, ia memiliki MAD yang cukup besar 12 dari 9.719, dengan MAPE 12
Gambar 7-7, perhatikan itu
L 12 = 2, 00
Jadi, dengan menggunakan rata-rata bergerak empat periode, ramalan untuk Periode 13 hingga 16 (menggunakan Persamaan 7.10) diberikan
oleh
F 13 = F 1 = F 1 = F 16 = L 12 = 2, 00
Mengingat MAD itu 12 adalah 9,719, perkiraan deviasi standar kesalahan ramalan, menggunakan rata-rata bergerak
empat periode, adalah 1,2 * 9,719 = 12,1 9. Dalam hal ini, standar deviasi
kesalahan perkiraan relatif besar dibandingkan dengan ukuran perkiraan.
Pemulusan Eksponensial Sederhana
Tim peramalan selanjutnya menggunakan pendekatan pemulusan eksponensial sederhana, dengan a = 0.1, untuk meramalkan
permintaan. Metode ini juga diuji pada 12 kuarter data historis. Menggunakan Persamaan 7.11, tim memperkirakan tingkat awal
untuk Periode 0 menjadi permintaan rata-rata untuk Periode 1 hingga 12 (lihat lembar kerja Gambar 7-8). Tingkat awal adalah
rata-rata entri permintaan di sel B3 ke
L 0 = 22.083
Tim kemudian menggunakan Persamaan 7.12 untuk meramalkan permintaan untuk periode berikutnya. Estimasi level diperbarui
setiap periode menggunakan Persamaan 7.13. Hasilnya ditunjukkan pada Gambar 7-8.
pemulusan alami dengan a = 0,1 tidak menunjukkan bias yang signifikan. Namun, itu cukup
MAD besar 12 dari 10.208, dengan MAPE 12
L 12 = 23, 90
Jadi, perkiraan untuk empat kuartal berikutnya (menggunakan Persamaan 7.12) diberikan oleh
F 13 = F 1 = F 1 = F 16 = L 12 = 23, 90
Dalam hal ini, MAD 12 adalah 10,208 dan MAPE 12
deviasi kesalahan ramalan menggunakan simple exponential smoothing adalah 1,2 * 10,208 = 12,760.
Dalam hal ini, deviasi standar kesalahan perkiraan relatif besar dibandingkan dengan ukuran perkiraan.
Pemulusan Eksponensial yang Dikoreksi Tren (Model Holt)
Tim selanjutnya menyelidiki penggunaan model Holt. Dalam hal ini, komponen permintaan yang sistematis diberikan oleh
Komponen sistematik dari permintaan = level + trend
-
199
Formula Sel
Sel
= 0,1 * B3 + (1-0,1) * C2
C3
Disalin ke
Persamaan
7.13
C4: C14
D3
= C2
7.12
D4: D14
E3
= D3-B3
7.8
E4: E14
F3
= Abs (E3)
G3
= Jumlahq ($ E $ 3: E3) / A3
7.21
G4: G14
H3
= Jumlah ($ F $ 3: F3) / A3
7.22
H4: H14
I3
F4: F14
I4: I14
= 100 * (F3 / B3)
J3
= Rata-rata ($ I $ 3: I3)
7.24
J4: J14
K3
= Jumlah ($ E $ 3: E3) / H3
7.26
K4: K14
GAMBAR 7-8 Prakiraan Garam Tahoe Menggunakan Simple Exponential Smoothing
Dt
t.
regresi-holt
L = 12 15 a
T = 1.549
a=1
b=2
Gambar 7-9
a=1
b=2
12
L 12 =
12
44
Sebuah
T 12 = 1.541
200
Sel
Formula Sel
C3
= 0,1 * B3 + (1-0,1) * (C2 + D2)
D3
Disalin ke
Persamaan
= 0,2 * (C3-C2) + (1-0,2) * D2
7.15
C4: C14
7.16
D4: D14
E3
= C2 + D2
7.14
E4: E14
F3
= E3-B3
7.8
F4: F14
G3
= Abs (F3)
H3
G4: G14
= Jumlahq ($ F $ 3: F3) / A3
I3
= Jumlah ($ G $ 3: G3) / A3
J3
= 100 * (G3 / B3)
7.21
H4: H14
7.22
I4: I14
J4: J14
K3
= Rata-rata ($ J $ 3: J3)
7.24
K4: K14
L3
= Jumlah ($ F $ 3: F3) / I3
7.26
L4: L14
GAMBAR 7-9 Pemulusan Eksponensial yang Dikoreksi Tren
:
F 3 = L 2 + T 2 = 30 3 + 5
= 3 98
F = L 2 + 2 T 2 = 30 3 + 2 * 5
= 33 525
F 5 = L 2 + 3 T 2 = 30 3 + 3 * 5
= 35 066
F 6 = L 2 + T 2 = 30 3 +
*
5
= 36 607
25 * 8 836 =
05
=
a=0
b=02
-
201
Sel
C3
Formula Sel
Disalin ke
Persamaan
= 0,05 * (B3 / E3) + (1-0,05) * (C2 + D2)
7.18
C4: C14
D3
= 0,1 * (C3-C2) + (1-0,1) * D2
7.19
D4: D14
E7
= 0,1 * (B3 / C3) + (1-0,1) * E3
7.20
E8: E18
7.17
F4: F18
7.8
G4: G14
F3
= (C2 + D2) * E3
G3
= F3-B3
H3
= Abs (G3)
H4: H14
I3
= Jumlahq ($ G $ 3: G3) / A3
7.21
I4: I14
J3
= Jumlah ($ H $ 3: H3) / A3
7.22
J4: J14
K3
= 100 * (H3 / B3)
L3
M3
K4: K14
= Rata-rata ($ K $ 3: K3)
= Jumlah ($ G $ 3: G3) / J3
7.24
L4: L14
7.26
M4: M14
GAMBAR 7-10 Pemulusan Eksponensial yang Dikoreksi Tren dan Musiman
Pemulusan Eksponensial yang Dikoreksi Tren dan Musiman (Model Musim Dingin)
-
p=
tidak disesuaikan
regresi musim dingin
tidak disesuaikan
L = 8 439 T = 5 4 S = 47 S = 68 S 3 =
7 S 4 = 67
a=
5b=
g=
Gambar 7-10
-
202
TABEL 7-2
Perkiraan Kesalahan untuk Peramalan Garam Tahoe
Metode Peramalan
GILA
MAPE (%)
Rentang TS
9.719
49
- 1,52 hingga 2,21
10.208
59
- 1,38 hingga 2,15
Model Holt
8.836
52
- 2.15 hingga 2.00
Model musim dingin
1.469
8
- 2,74 sampai 4,00
Rata-rata pergerakan empat periode
Pemulusan eksponensial sederhana
diperoleh dengan salah satu metode lain. Dari Gambar 7-10, amati itu
L 12 = 2, 791 T 12 = 32 S 13 = 0. 7 S 1 = 0.68 S 1 = 1.17 S 16 = 1.67
Dengan menggunakan model Winter (Persamaan 7.17), prakiraan untuk empat periode berikutnya adalah
F 13 = 1 L 12 + T 12 2 S 13 = 1 2, 791 + 32 2 * 0. 7 = 11.902
F 1 = 1 L 12 + 2 T 12 2 S 1 = 1 2, 791 + 2 * 32 2 * 0,68 = 17, 81
F 1 = 1 L 12 + 3 T 12 2 S 1 = 1 2, 791 + 3 * 32 2 * 1,17 = 30.873
F 16 = 1 L 12 + T 12 2 S 16 = 1 2, 791 +
*
32 2 * 1,67 =
,9
Dalam hal ini, MAD 12 =
menggunakan model Winter dengan a = 0,0, b = 0,1, dan g = 0,1 adalah 1,2 * 1, 69 = 1,836. Di dalam
Dalam kasus ini, deviasi standar kesalahan ramalan relatif terhadap ramalan permintaan jauh lebih kecil dibandingkan dengan metode lain.
Tim menyusun perkiraan kesalahan untuk empat metode peramalan seperti yang ditunjukkan pada Tabel 7-2. Berdasarkan
informasi kesalahan pada Tabel 7-2, tim peramalan memutuskan untuk menggunakan model Winter. Tidaklah mengherankan jika
model Winter menghasilkan ramalan yang paling akurat, karena data permintaan memiliki tren pertumbuhan dan juga musim. Dengan
menggunakan model Winter, tim memperkirakan permintaan berikut untuk empat kuartal mendatang:
Deviasi standar kesalahan ramalan adalah 1,836.
7.9 PERAN ITU DALAM PERAMALAN
Ada peran alami TI dalam peramalan, mengingat banyaknya data yang terlibat, frekuensi peramalan dilakukan, dan
pentingnya mendapatkan hasil dengan kualitas setinggi mungkin. Paket prakiraan yang baik memberikan prakiraan
di berbagai produk yang diperbarui secara real time dengan memasukkan informasi permintaan baru. Ini membantu
perusahaan menanggapi dengan cepat perubahan di pasar dan menghindari biaya reaksi yang tertunda. Modul
perencanaan permintaan yang baik tidak hanya menghubungkan ke pesanan pelanggan tetapi seringkali juga
langsung ke informasi penjualan pelanggan, sehingga memasukkan data terbaru ke dalam perkiraan permintaan.
Hasil positif dari investasi dalam sistem ERP adalah peningkatan yang signifikan dalam transparansi rantai pasokan
dan integrasi data, sehingga memungkinkan prakiraan yang berpotensi lebih baik.
203
Selain menyediakan pustaka metodologi peramalan yang kaya, itu bagus modul perencanaan permintaan harus memberikan
dukungan dalam membantu memilih model perkiraan yang tepat untuk pola permintaan yang diberikan. Hal ini menjadi sangat penting
karena perpustakaan metodologi prakiraan yang tersedia telah berkembang.
Seperti namanya perencanaan permintaan menyarankan, modul-modul ini memfasilitasi pembentukan permintaan. Modul
perencanaan permintaan yang baik berisi alat untuk melakukan analisis bagaimana-jika mengenai dampak dari potensi perubahan harga
sesuai permintaan. Alat-alat ini membantu menganalisis dampak promosi terhadap permintaan dan dapat digunakan untuk menentukan
jangkauan dan waktu promosi. Tautan ini dibahas secara lebih rinci di Bab 9 di bawah perencanaan penjualan dan operasi.
Perkembangan penting adalah penggunaan data berkorelasi permintaan (misalnya harga, cuaca, pembelian lain, data sosial) untuk
meningkatkan akurasi prakiraan atau, dalam beberapa kasus, memacu permintaan. Dalam kasus yang dipublikasikan dengan baik, Target
memperkirakan wanita hamil berdasarkan produk lain yang mereka beli. Pembelian "cocoa-butter lotion, tas yang cukup besar untuk
digunakan sebagai tas popok, suplemen seng dan magnesium, serta permadani biru cerah" adalah prediktor kuat dari kehamilan wanita
tersebut. 2 Target kemudian menggunakan informasi ini untuk mengirim kupon yang sesuai untuk memikat para wanita atau
ini dapat digunakan tidak hanya untuk meningkatkan akurasi perkiraan tetapi juga mengidentifikasi peluang pemasaran yang sesuai untuk memacu
permintaan di masa mendatang.
Ingatlah bahwa tidak ada alat ini yang sangat mudah. Prakiraan hampir selalu tidak akurat. Sistem TI yang baik akan membantu
melacak kesalahan perkiraan historis sehingga dapat dimasukkan ke dalam keputusan di masa mendatang. Perkiraan yang terstruktur
dengan baik, bersama dengan ukuran kesalahan, dapat meningkatkan pengambilan keputusan secara signifikan. Bahkan dengan semua
alat canggih ini, terkadang lebih baik mengandalkan intuisi manusia dalam meramalkan. Salah satu kelemahan alat TI ini adalah terlalu
mengandalkannya, yang menghilangkan elemen manusia dalam peramalan. Gunakan prakiraan dan nilai yang mereka berikan, tetapi ingat
bahwa mereka tidak dapat menilai beberapa aspek yang lebih kualitatif tentang permintaan di masa mendatang yang mungkin dapat Anda
lakukan sendiri.
survei perangkat lunak, dan diskusi masing-masing vendor tersedia di http://www.lionhrtpub.com/
7.10 PERAMALAN DALAM PRAKTIK
Berkolaborasi dalam membuat prakiraan. Kolaborasi dengan mitra rantai pasokan seseorang seringkali dapat membuat
ramalan yang jauh lebih akurat. Dibutuhkan investasi waktu dan upaya untuk membangun hubungan dengan mitra untuk
mulai berbagi informasi dan membuat prakiraan kolaboratif. Namun, manfaat rantai pasokan dari kolaborasi sering kali lebih
besar daripada biayanya (perencanaan kolaboratif, peramalan, dan pengisian ulang dibahas secara lebih rinci di Bab 10).
Kenyataan hari ini, bagaimanapun, adalah bahwa kebanyakan prakiraan bahkan tidak memperhitungkan semua informasi
yang tersedia di berbagai fungsi perusahaan. Akibatnya, perusahaan harus bertujuan untuk menerapkan proses
perencanaan penjualan dan operasi (dibahas dalam Bab 9) yang menyatukan fungsi penjualan dan operasi saat membuat
perencanaan.
Bagikan hanya data yang benar-benar memberikan nilai. Nilai data tergantung dari mana
satu duduk di rantai pasokan. Seorang pengecer menganggap data tempat penjualan cukup berharga dalam mengukur kinerja tokonya.
Namun, produsen yang menjual ke distributor yang pada gilirannya menjual ke pengecer tidak memerlukan semua detail tempat penjualan.
Pabrikan menganggap data permintaan agregat cukup berharga, dengan sedikit lebih banyak nilai yang berasal dari data tempat penjualan
yang terperinci. Menjaga agar data tetap dibagikan ke apa yang benar-benar dibutuhkan akan mengurangi investasi di bidang TI dan
meningkatkan peluang kolaborasi yang sukses.
2
Waktu New York, 16 Februari 2012.
204
Pastikan untuk membedakan antara permintaan dan penjualan. Seringkali, perusahaan membuat
kesalahan dalam melihat penjualan historis dan mengasumsikan bahwa inilah permintaan historisnya. Namun, untuk mendapatkan permintaan yang
sebenarnya, penyesuaian perlu dilakukan untuk permintaan yang tidak terpenuhi karena kehabisan stok, tindakan pesaing, harga, dan promosi.
Kegagalan untuk melakukannya menghasilkan prakiraan yang tidak mewakili kenyataan saat ini.
7.11 RINGKASAN TUJUAN BELAJAR
1. Pahami peran peramalan untuk perusahaan dan rantai pasokan. Depancasting adalah pendorong utama dari hampir setiap keputusan desain dan perencanaan yang dibuat di perusahaan dan rantai pasokan.
Perusahaan selalu memperkirakan permintaan dan menggunakannya untuk membuat keputusan. Fenomena yang relatif baru, bagaimanapun,
adalah membuat prakiraan kolaboratif untuk seluruh rantai pasokan dan menggunakannya sebagai dasar pengambilan keputusan. Perkiraan
kolaboratif sangat meningkatkan keakuratan perkiraan dan memungkinkan rantai pasokan untuk memaksimalkan kinerjanya. Tanpa kolaborasi,
tahapan rantai pasokan yang lebih jauh dari permintaan kemungkinan akan memiliki prakiraan yang buruk yang akan menyebabkan inefisiensi
rantai pasokan dan kurangnya daya tanggap.
2. Identifikasi komponen perkiraan permintaan. Permintaan terdiri dari komponen yang sistematis dan
acak. Komponen sistematis mengukur nilai permintaan yang diharapkan. Komponen acak mengukur fluktuasi
permintaan dari nilai yang diharapkan. Komponen sistematik terdiri dari level, trend, dan musim. Tingkat mengukur
arus yang tidak disesuaikan
fluktuasi musiman permintaan yang dapat diprediksi.
3. Perkiraan permintaan dalam rantai pasokan berdasarkan data permintaan historis menggunakan metodologi deret
waktu. Metode deret waktu untuk perkiraan dikategorikan sebagai statis atau adaptif. Dalam metode statis, estimasi parameter dan pola
permintaan tidak diperbarui sebagai permintaan baru
setiap kali permintaan baru diamati. Metode adaptif mencakup rata-rata bergerak, pemulusan eksponensial sederhana,
model Holt, dan model Winter. Moving average dan simple exponential smoothing paling baik digunakan saat permintaan
tidak menampilkan tren maupun musim. Model Holt paling baik jika permintaan menampilkan tren tetapi tidak ada musim.
Model musim dingin cocok jika permintaan menampilkan tren dan musim.
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.
Pertanyaan Diskusi
1. Peran apa yang dimainkan peramalan dalam rantai pasokan a
6. Berikan contoh produk yang menampilkan kemusiman
produsen server build-to-order seperti Dell?
2. Bagaimana Apple dapat menggunakan prakiraan kolaboratif dengan dukungannya
permintaan.
7. Apa masalahnya jika seorang manajer menggunakan data penjualan tahun lalu
bukannya permintaan tahun lalu untuk meramalkan permintaan untuk tahun yang akan datang?
tang untuk meningkatkan rantai pasokannya?
3. Peran apa yang dimainkan peramalan dalam rantai pasokan suratperusahaan pesanan seperti LL Bean?
4. Komponen sistematis dan acak apa yang Anda harapkan
8. Apa perbedaan metode perkiraan statis dan adaptif?
9.
dalam permintaan coklat?
5. Mengapa seorang manajer harus curiga jika seorang peramal mengklaim
meramalkan permintaan historis tanpa kesalahan ramalan?
Seorang Manajer? Bagaimana manajer menggunakan informasi ini?
10.
Bagaimana manajer menggunakan informasi ini?
205
Latihan
1. Pertimbangkan permintaan bulanan untuk Perusahaan ABC, sebagai
ditunjukkan pada Tabel 7-3. Perkirakan permintaan bulanan untuk Tahun 6
TABEL 7-3 Permintaan Bulanan untuk Perusahaan ABC
Tahun 1
Tahun 2
Tahun 3
Januari
2.000
3.000
2.000
5.000
5.000
Februari
3.000
4.000
5.000
4.000
2.000
Maret
3.000
3.000
5.000
4.000
3.000
April
3.000
5.000
3.000
2.000
2.000
Mungkin
4.000
5.000
4.000
5.000
7.000
Penjualan
Tahun 4
Tahun 5
Juni
6.000
8.000
6.000
7.000
6.000
Juli
7.000
3.000
7.000
10.000
8.000
Agustus
6.000
8.000
10.000
14.000
10.000
September
10.000
12.000
15.000
16.000
20.000
Oktober
12.000
12.000
15.000
16.000
20.000
November
14.000
16.000
18.000
20.000
22.000
Desember
8.000
10.000
8.000
12.000
8.000
78.000
89.000
98.000
115.000
Total
113.000
-
2. Angka permintaan mingguan di Hot Pizza adalah sebagai berikut:
menghaluskan tial dengan a = 0.1 serta model Holt dengan
a = 0,1 dan b = 0.1. Manakah dari dua metode yang Anda sukai? Mengapa?
Minggu
Permintaan ($)
1
108
2
116
3
118
4
124
5
96
6
119
7
96
8
102
9
112
10
102
11
92
12
91
Tahun
Perempat
1
Permintaan ($ 000)
saya
II
AKU AKU AKU
saya
II
AKU AKU AKU
saya
II
AKU AKU AKU
rata-rata serta pemulusan eksponensial sederhana dengan
a = 0.1
dalam setiap kasus. Manakah dari dua metode yang Anda sukai? Mengapa?
3. Permintaan triwulanan untuk bunga di grosir seperti yang ditunjukkan.
4
saya
II
AKU AKU AKU
IV
130
116
133
138
130
147
141
IV
-
109
116
IV
3
106
133
IV
2
98
144
142
165
173
206
a = 0,0 dan b = 0.1. Untuk kelancaran eksponensial sederhana-
4. Pertimbangkan permintaan bulanan untuk Perusahaan ABC sebagai
ditunjukkan pada Tabel 7-3. Perkirakan permintaan bulanan untuk Tahun 6 menggunakan
Untuk model, gunakan level pada Periode 0 untuk menjadi L 0 =
rata-rata bergerak, pemulusan eksponensial sederhana, model Holt, dan model Winter.
permintaan rata-rata selama 12 bulan). Untuk model Holt, gunakan
Dalam setiap kasus, evaluasi biasnya,
level pada Periode 0 menjadi L 0 =
T 0 = 109 (keduanya diperoleh melalui regresi). Evaluasi
kamu lebih suka? Mengapa?
5. Untuk data Pizza Panas di Latihan 2, bandingkan kinerja
kelancaran pemulusan eksponensial sederhana dengan a = 0,1 dan
dua metode yang Anda sukai? Mengapa?
7. Menggunakan data A&D Electronics di Latihan 6, ulangi Holt
a = 0.9. Perbedaan prakiraan apa yang Anda amati? Manakah dari dua
model dengan a = 0. dan b = 0.. Bandingkan performa model Holt dengan a
konstanta pemulusan yang Anda sukai?
= 0,0 dan b = 0.1. Kombinasi konstanta pemulusan manakah yang Anda
sukai? Mengapa?
6. Permintaan bulanan di A&D Electronics untuk TV layar datar adalah
sebagai berikut:
8. Permintaan mingguan untuk pasta kering di jaringan supermarket adalah sebagai
berikut:
Bulan
Permintaan (unit)
1
1.000
2
1.113
3
1.271
4
1.445
5
1.558
6
1.648
7
1.724
8
1.850
9
1.864
10
2.076
11
2.167
12
2.191
Minggu
Permintaan (unit)
1
517
2
510
3
557
4
498
5
498
6
444
7
526
8
441
9
541
10
445
Perkirakan permintaan untuk empat minggu ke depan menggunakan rata-rata pergerakan
lima minggu, serta pemulusan eksponensial sederhana dengan a = 0.2
Perkirakan permintaan untuk dua minggu ke depan menggunakan pemulusan
eksponensial sederhana dengan a = 0.3 dan model Holt dengan
dalam setiap kasus. Manakah dari dua metode yang Anda sukai? Mengapa?
Bibliografi
Gilliland, Michael. “Apakah Meramal Buang-buang Waktu?” Pasokan
Peramal yang Layak Didengarkan? ” ulasan Bisnis Harvard
Tinjauan Manajemen Rantai
Jurnal Manajemen Operasi-
Bowerman, Bruce L., dan Richard T. O'Connell. Peramalan dan
Rangkaian Waktu: Pendekatan Terapan, Ed. 3d. Belmont, CA: Duxbury, 1993.
ment
Analisis Rangkaian Waktu:
Peramalan dan Kontrol. Oakland, CA: Holden-Day, 1976. Brown, Robert G. Peramalan
Statistik untuk Kontrol Inventaris.
sebuah Persaingan Perkiraan. " Jurnal Peramalan ( April-
Peramalan
“Cara Memilih Teknik Perkiraan yang Tepat.” ulasan Bisnis Harvard
Metode Manajemen. NewYork: Wiley, 1989.
Harvard Busi-
Peramalan dengan Analisis Regresi. Cambridge, MA: Harvard
Ulasan ness
Georgoff, David M., dan Robert G. Murdick. “Panduan Manajer
Hari ini
ORMS
ke Perkiraan. " ulasan Bisnis Harvard
1986): 2–9.
207
STUDI KASUS
Perusahaan Pengemasan Khusus
bentuk lembaran menjadi wadah dan potong wadah dari lembaran. Kedua
langkah pembuatan tersebut ditunjukkan pada Gambar 7-11.
Selama lima tahun terakhir, bisnis kemasan plastik terus
wakil presiden pemasaran dan anggota staf dari pelanggan utama
berkembang. Permintaan wadah yang terbuat dari plastik bening berasal dari
mereka. Tujuan tim ini adalah untuk berkembang
toko kelontong, toko roti, dan restoran. Katering dan toko bahan makanan
menggunakan baki plastik hitam sebagai baki pengemasan dan penyajian.
Permintaan wadah plastik bening mencapai puncaknya pada bulan-bulan
memenuhi permintaan secara efektif selama beberapa sebelumnya
musim panas, sedangkan permintaan wadah plastik hitam memuncak pada
musim gugur. Kapasitas pengekstrusi tidak cukup untuk menutupi permintaan
lembaran selama musim puncak. Akibatnya, pabrik terpaksa membangun
-
inventaris setiap jenis lembaran untuk mengantisipasi permintaan di masa
mendatang.
Ager bahwa tugas pertama tim adalah membangun sebuah kolaborasi-
pelanggan. Perkiraan ini akan berfungsi sebagai dasar untuk meningkatkan
kinerja perusahaan, karena manajer dapat menggunakan perkiraan yang lebih
permintaan untuk masing-masing dari dua jenis kontainer (akuntansi yang jelas untuk
akurat ini untuk produksi mereka
penjualan yang hilang untuk mendapatkan data permintaan yang sebenarnya.
meningkatkan kinerja pengiriman.
tidak pernah mengetahui informasi ini, karena perusahaan tidak melacak
pesanan yang hilang.
SPC
wadah untuk industri makanan. Polystyrene dibeli sebagai komoditas
Peramalan
dalam bentuk pelet resin. Resin diturunkan dari kontainer rel curah
Sebagai langkah pertama dalam pengambilan keputusan tim, tim ingin
atau trailer darat ke silo penyimpanan. Pembuatan wadah makanan
memperkirakan permintaan triwulanan untuk masing-masing dari dua jenis
adalah proses dua langkah. Pertama, resin dikirim ke ekstruder, yang
kontainer untuk tahun 6 hingga 8. Berdasarkan tren historis, permintaan
mengubahnya menjadi lembaran polistiren yang digulung menjadi
diperkirakan akan terus tumbuh hingga tahun 8,
gulungan. Plastik tersebut tersedia dalam dua bentuk — bening dan
hitam. Gulungan bisa langsung digunakan
metode peramalan yang tepat dan perkirakan kemungkinan kesalahan ramalan. Metode
mana yang harus dia pilih? Mengapa? Dengan menggunakan metode yang dipilih,
prakiraan permintaan untuk tahun 6 sampai 8.
gulungan dimuat ke penekan thermoforming, yang
Langkah 2
Langkah 1
ThermoDamar
Extruder
Penyimpanan
GAMBAR 7-11 Proses Manufaktur di SPC
Gulungan
Penyimpanan
membentuk
tekan
208
TABEL 7-4 Permintaan Historis Kuartalan untuk Wadah Plastik Bening dan Hitam
Plastik Hitam
Permintaan (000 lb)
Perempat
Tahun
1
saya
2.250
3.200
II
1.737
7.658
2.412
4.420
7.269
2.384
saya
3.514
3.654
II
2.143
8.680
AKU AKU AKU
3.459
5.695
IV
7.056
1.953
AKU AKU AKU
IV
2
3
4.120
4.742
2.766
13.673
AKU AKU AKU
2.556
6.640
IV
8.253
2.737
5.491
3.486
4.382
13.186
4.315
5,448
12.035
3.485
5.648
7.728
3.696
16.591
4.843
8.236
13.097
3.316
saya
II
4
saya
II
AKU AKU AKU
IV
5
Plastik bening
Permintaan (000 lb)
saya
II
AKU AKU AKU
IV
18000
16000
Permintaan Plastik Hitam
Permintaan Plastik Bening
14000
Permintaan
12000
10000
8000
6000
4000
2000
0
Tahun 1
Tahun 2
Tahun 3
Tahun 4
GAMBAR 7-12 Plot Permintaan Kuartalan untuk Wadah Plastik Bening dan Hitam
Tahun 5
Tahun 6
