OPERATIONS MANAGEMENT

Chapter 4 Forecasting

Apa Peramalan Itu

     Manajer selalu berusaha membuat estimasi yang lebih baik tentang apa yang akan terjadi di masa depan dalam menghadapi ketidakpastian. Membuat perkiraan yang baik adalah tujuan utama perkiraan. Prakiraan yang baik adalah bagian penting dari layanan yang efisien dan operasi manufaktur. Peramalan adalah seni dan ilmu untuk memprediksi peristiwa masa depan. Peramalan mungkin melibatkan pengambilan data historis (seperti penjualan masa lalu) dan memproyeksikannya ke masa depan dengan model matematika. Ramalan mungkin melibatkan kombinasi dari ini, yaitu, model matematika yang disesuaikan dengan penilaian manajer yang baik.

   • Ramalan dapat dipengaruhi oleh posisi suatu produk dalam siklus hidupnya apakah penjualan berada pada tahap pengenalan, pertumbuhan, jatuh tempo, atau penurunan.

   • Produk lain dapat dipengaruhi oleh permintaan akan produk terkait : misalnya, sistem navigasi dapat melacak penjualan mobil baru. 

     Namun, hanya sedikit bisnis yang mampu menghindari proses peramalan dengan hanya menunggu untuk melihat apa yang terjadi dan kemudian mengambil peluang mereka. Perencanaan yang efektif baik dalam jangka pendek dan jangka panjang tergantung pada perkiraan permintaan untuk produk-produk perusahaan.

Forecasting Time Horizons 

     Perkiraan biasanya diklasifikasikan berdasarkan horizon waktu mendatang yang dicakupnya. Forecasting Time Horizons terbagi dalam tiga kategori:

   1. Prakiraan jangka pendek: Prakiraan ini memiliki rentang waktu hingga 1 tahun tetapi umumnya kurang dari 3 bulan. Ini digunakan untuk merencanakan pembelian, penjadwalan pekerjaan, tingkat tenaga kerja, penugasan pekerjaan, dan tingkat produksi.

   2. Prakiraan rentang menengah: Prakiraan rentang menengah, atau menengah, umumnya berkisar antara 3 bulan hingga 3 tahun. Ini berguna dalam perencanaan penjualan, perencanaan dan penganggaran produksi, penganggaran kas, dan analisis berbagai rencana operasi.

   3. Prakiraan jangka panjang: Umumnya 3 tahun atau lebih dalam rentang waktu, perkiraan jangka panjang digunakan dalam perencanaan untuk produk baru, pengeluaran modal, lokasi atau perluasan fasilitas, dan penelitian dan pengembangan.

  Prakiraan jangka menengah dan panjang dibedakan dari perkiraan jarak pendek oleh tiga fitur:

   1. Prakiraan pertama, menengah dan jangka panjang berhubungan dengan masalah yang lebih komprehensif yang mendukung keputusan manajemen terkait dengan perencanaan dan produk, pabrik, dan proses. 

   2. Kedua, peramalan jangka pendek biasanya menggunakan metodologi yang berbeda dari peramalan jangka panjang. Teknik matematika, seperti rata-rata bergerak, perataan eksponensial, dan ekstrapolasi tren (yang semuanya akan kita periksa segera), adalah umum untuk mempersingkat proyeksi. 

   3. Ketiga, seperti yang Anda harapkan, perkiraan jangka pendek cenderung lebih akurat daripada perkiraan rentang yang lebih panjang. Faktor-faktor yang mempengaruhi permintaan berubah setiap hari. 

      

     Dengan demikian, seiring dengan semakin panjangnya cakrawala waktu, kemungkinan akurasi ramalan akan berkurang. Hampir tak perlu dikatakan bahwa prakiraan penjualan harus diperbarui secara berkala untuk mempertahankan nilai dan integritasnya. Setelah setiap periode penjualan, perkiraan harus ditinjau dan direvisi.

Jenis Prakiraan

     Organisasi menggunakan tiga jenis perkiraan utama dalam merencanakan operasi di masa depan:

   1. Prakiraan ekonomi mengatasi siklus bisnis dengan memperkirakan tingkat inflasi, persediaan uang, perumahan, dan indikator perencanaan lainnya.

   2. Prakiraan teknologi berkaitan dengan tingkat kemajuan teknologi, yang dapat menghasilkan kelahiran produk baru yang menarik, yang membutuhkan pabrik dan peralatan baru.

   3. Prakiraan permintaan adalah proyeksi permintaan untuk produk atau layanan perusahaan. 

     Prakiraan mendorong keputusan, sehingga manajer memerlukan informasi segera dan akurat tentang permintaan nyata. Mereka membutuhkan prakiraan berdasarkan permintaan, di mana fokusnya adalah pada identifikasi dan melacak keinginan pelanggan. 

Pentingnya Strategis Peramalan

     Prakiraan yang baik sangat penting dalam semua aspek bisnis: Prakiraan adalah satu-satunya perkiraan permintaan hingga permintaan aktual diketahui. Perkiraan permintaan karena itu mendorong keputusan di banyak bidang. Mari kita lihat dampak perkiraan permintaan produk pada tiga kegiatan: (1) manajemen rantai pasokan, (2) sumber daya manusia, dan (3) kapasitas.

   1. Manajemen rantai persediaan

Hubungan pemasok yang baik dan keuntungan selanjutnya dalam inovasi produk, biaya, dan kecepatan ke pasar tergantung pada perkiraan yang akurat. 

   2. Sumber daya manusia

Mempekerjakan, melatih, dan memberhentikan pekerja semuanya tergantung pada permintaan yang diantisipasi. Jika departemen sumber daya manusia harus merekrut pekerja tambahan tanpa peringatan, jumlah pelatihan menurun, dan kualitas tenaga kerja menderita. 

   3. Kapasitas

Ketika kapasitas tidak memadai, kekurangan yang dihasilkan dapat menyebabkan hilangnya pelanggan dan pangsa pasar. Inilah yang persis terjadi pada Nabisco ketika meremehkan permintaan besar akan Cookies Makanan Snackwell Iblis yang baru. Bahkan dengan jalur produksi yang bekerja lembur, Nabisco tidak dapat memenuhi permintaan, dan itu kehilangan pelanggan. Nintendo menghadapi masalah ini ketika Wii-nya diperkenalkan dan melampaui semua perkiraan permintaan. Amazon membuat kesalahan yang sama dengan Kindle-nya. Di sisi lain, ketika kapasitas berlebih ada, biaya dapat meroket.

Tujuh Langkah dalam Sistem Peramalan

     Peramalan mengikuti tujuh langkah dasar. Kami menggunakan Disney World, fokus dari Profil Perusahaan Global bab ini, sebagai contoh dari setiap langkah:

   1. Tentukan penggunaan ramalan

   2. Pilih item yang akan diramalkan

   3. Tentukan horizon waktu ramalan: Apakah jangka pendek, menengah, atau panjang? 

   4. Pilih model peramalan

   5. Kumpulkan data yang diperlukan untuk membuat ramalan

   6. Buat ramalan.

   7. Validasi dan terapkan hasilnya

 

Setiap perusahaan menghadapi beberapa realitas:

    Faktor-faktor luar yang tidak dapat kami prediksi atau kendalikan seringkali berdampak pada perkiraan tersebut.

    Sebagian besar teknik peramalan menganggap bahwa ada beberapa stabilitas mendasar dalam sistem. Akibatnya, beberapa perusahaan mengotomatisasi prediksi mereka menggunakan perangkat lunak peramalan terkomputerisasi, kemudian memonitor secara ketat hanya item produk yang permintaannya tidak menentu.

    Perkiraan kumpulan produk dan agregat lebih akurat daripada perkiraan produk individual. 

Pendekatan Peramalan

      Ada dua pendekatan umum untuk peramalan, seperti halnya ada dua cara untuk mengatasi semua pemodelan keputusan. Salah satunya adalah analisis kuantitatif; yang lainnya adalah pendekatan kualitatif. Perkiraan kuantitatif menggunakan berbagai model matematika yang bergantung pada data historis dan / atau variabel asosiatif untuk memperkirakan permintaan. Prakiraan subjektif atau kualitatif menggabungkan faktor-faktor seperti intuisi, emosi, pengalaman pribadi, dan sistem nilai pengambil keputusan dalam mencapai perkiraan. Beberapa perusahaan menggunakan satu pendekatan dan beberapa menggunakan yang lain. Dalam praktiknya, kombinasi keduanya biasanya paling efektif.

    Tinjauan Metode Kualitatif

Pada bagian ini, kami mempertimbangkan empat teknik perkiraan kualitatif yang berbeda:

   1. Juri pendapat eksekutif: Di bawah metode ini, pendapat sekelompok ahli atau manajer tingkat tinggi, sering kali dikombinasikan dengan model statistik, dikumpulkan untuk sampai pada perkiraan kelompok permintaan. 

   2. Metode Delphi: Ada tiga jenis peserta dalam metode Delphi: pengambil keputusan, staf, dan responden. Pembuat keputusan biasanya terdiri dari sekelompok 5 hingga 10 ahli yang akan membuat perkiraan aktual. Personel staf membantu pengambil keputusan dengan menyiapkan, mendistribusikan, mengumpulkan, dan merangkum serangkaian kuesioner dan hasil survei. Responden adalah sekelompok orang, seringkali berlokasi di tempat yang berbeda, yang penilaiannya dinilai. Grup ini memberikan masukan kepada pembuat keputusan sebelum ramalan dibuat. Tenaga penjualan: Dalam pendekatan ini, setiap tenaga penjualan memperkirakan penjualan apa yang akan berada di wilayahnya. Prakiraan ini kemudian ditinjau untuk memastikan bahwa perkiraan tersebut realistis. 

   3. Survei pasar: Metode ini meminta masukan dari pelanggan atau calon pelanggan mengenai rencana pembelian di masa depan. 

    Gambaran Umum Metode Kuantitatif

Lima metode perkiraan kuantitatif, yang semuanya menggunakan data historis, dijelaskan dalam bab ini. Mereka terbagi dalam dua kategori:

   1. Pendekatan naif

   2. Rata-rata bergerak

   3. Perataan eksponensial

   4. Proyeksi tren

   5. Regresi linier

     Model Time-Series - Time-series memprediksi dengan asumsi bahwa masa depan adalah fungsi dari masa lalu. Model Asosiatif 

Model asosiatif, seperti regresi linier, menggabungkan variabel atau faktor yang mungkin mempengaruhi kuantitas yang diramalkan. 

Peramalan Seri-Waktu

     

     Rangkaian waktu didasarkan pada urutan titik data yang berjarak (mingguan, bulanan, triwulanan, dan sebagainya) secara merata. Peramalan data time-series menyiratkan bahwa nilai masa depan hanya diprediksi dari nilai masa lalu dan bahwa variabel lain, tidak peduli seberapa berpotensi berharga, dapat diabaikan.

Dekomposisi dari Rangkaian Waktu

     Menganalisis deret waktu berarti memecah data masa lalu menjadi komponen dan kemudian memproyeksikannya ke depan. Rangkaian waktu memiliki empat komponen:

   1. Tren adalah pergerakan data ke atas atau ke bawah secara bertahap. Perubahan dalam pendapatan, populasi, distribusi usia, atau pandangan budaya dapat menjelaskan pergerakan tren.

   2. Musiman adalah pola data yang berulang setelah periode hari, minggu, bulan, atau kuartal. 

   3. Siklus adalah pola dalam data yang terjadi setiap beberapa tahun. Memprediksi siklus bisnis sulit karena mereka dapat dipengaruhi oleh peristiwa politik atau oleh gejolak internasional.

   4. Variasi acak adalah "blip" dalam data yang disebabkan oleh situasi kebetulan dan tidak biasa. Mereka tidak mengikuti pola yang jelas, sehingga mereka tidak dapat diprediksi.

Pendekatan Naif

     Cara paling sederhana untuk memperkirakan adalah dengan mengasumsikan bahwa permintaan pada periode berikutnya akan sama dengan permintaan pada periode terbaru. Dengan kata lain, jika penjualan suatu produk katakanlah, ponsel Nokia adalah 68 unit pada bulan Januari, kita dapat memperkirakan bahwa penjualan di bulan Februari juga akan menjadi 68 ponsel.

Rata-rata Bergerak

     Prakiraan rata-rata bergerak menggunakan sejumlah nilai historis data aktual untuk menghasilkan perkiraan. Moving average berguna jika kita dapat mengasumsikan bahwa permintaan pasar akan tetap stabil dari waktu ke waktu. Rata-rata pergerakan 4 bulan ditemukan dengan hanya menjumlahkan permintaan selama 4 bulan terakhir dan membaginya dengan 4. Dengan setiap bulan yang lewat, data bulan terbaru ditambahkan ke jumlah data 3 bulan sebelumnya, dan bulan paling awal dijatuhkan. Praktek ini cenderung memuluskan penyimpangan jangka pendek dalam seri data. Secara matematis, rata-rata bergerak sederhana (yang berfungsi sebagai perkiraan permintaan periode berikutnya) dinyatakan sebagai:

Moving average = ∑ demand in previous n periods

                             n

Saat tren atau pola yang terdeteksi ada, bobot dapat digunakan untuk lebih menekankan nilai-nilai terkini. 

Rata-rata bergerak tertimbang dapat dinyatakan secara matematis sebagai:

Weighted moving average =  ∑((Weight for period n)(Demand in period n))

                                                                                                 Weights

Rata-rata bergerak sederhana dan tertimbang efektif dalam memperlancar fluktuasi tiba-tiba dalam pola permintaan untuk memberikan perkiraan yang stabil. Namun demikian, moving average menghadirkan tiga masalah:

   1. Meningkatkan ukuran n (jumlah periode rata-rata) memang memuluskan fluktuasi dengan lebih baik, tetapi itu membuat metode ini kurang sensitif terhadap perubahan dalam data.

   2. Rata-rata bergerak tidak dapat mengambil tren dengan sangat baik. Karena mereka rata-rata, mereka akan selalu berada dalam level sebelumnya dan tidak akan memprediksi perubahan ke level yang lebih tinggi atau lebih rendah. Artinya, mereka ketinggalan nilai aktual.

   3. Rata-rata bergerak membutuhkan catatan luas dari data masa lalu. Namun, rata-rata bergerak tertimbang biasanya bereaksi lebih cepat terhadap perubahan permintaan. 

Penghalusan eksponensial

     Perataan eksponensial adalah metode peramalan rata-rata tertimbang-bergerak lainnya. Ini melibatkan sangat sedikit pencatatan data masa lalu dan cukup mudah digunakan. Rumus smoothing eksponensial dasar dapat ditampilkan sebagai berikut:

New forecast = Last period’s forecast

                        + a (Last period’s actual demand - Last period’s forecast)

   • Perataan eksponensial : Teknik peramalan rata-rata tertimbang di mana titik data dibobot oleh fungsi eksponensial.

   • Konstanta smoothing :Faktor pembobotan yang digunakan dalam perkiraan pemulusan eksponensial, angka lebih besar dari atau sama dengan 0 dan kurang dari atau sama dengan 1.

Konstanta smoothing dipilih oleh peramal, yang memiliki nilai lebih dari atau sama dengan 0 dan kurang dari atau sama dengan 1. Persamaan tersebut juga dapat ditulis secara matematis sebagai:

Ft = Ft-1 + α (At-1 – Ft-1)

Ft = new forecast

Ft-1 = previous period’s forecast

α = smoothing (or weighting) constant (0 ≤ α ≤ 1)

     Memilih Smoothing Constant Smoothing Eksponensial telah berhasil diterapkan di hampir setiap jenis bisnis. Namun, nilai konstanta smoothing yang tepat, α , dapat membuat perbedaan antara perkiraan yang akurat dan perkiraan yang tidak akurat.

     Nilai-nilai tinggi α dipilih ketika rata-rata yang mendasarinya cenderung berubah. Nilai rendah α digunakan ketika rata-rata yang mendasarinya cukup stabil. Dalam memilih nilai untuk konstanta smoothing, tujuannya adalah untuk mendapatkan perkiraan yang paling akurat.

Measuring Forecast Error

     Keakuratan seseluruhan model peramalan (rata-rata bergerak, peralatah eksponensialdan lainnya) dapat ditentukan dengan membandinkan niali yang diperkirakan dengan nilai aktual atau  yang nilai diamati.

Forecast error = permintaan aktual-nilai perkiraan = At- Ft

Langkah-langkah untuk membandingakn model peramalan :

   a. Mean absolute deviation

Nilai ini dihitung dengan mengambil dari nilai absolut dikurangi kesalahan ramalan individu dan membaginya dengan jumlah periode

   b. Mean squared error

MSE adalah rata-rata perbedaan kuadrat antar yang diperkirakan dan nilai yang diamati. Nilai ini dihitung dengan membagi rata-rata nilai perkiraan kuadrat dengan jumlah periode.

   c. Mean absolute percent error

MAPE dihitung sebagai rata-rata dari perbedaan absolut antara nilai perkiraan dan nilai sebenarnya yang dinyatakan dalam persenan dari nilai sebenarnya. 

Proyeksi Tren

      Proyeksi tren merupakan metode peramalan seri waktu yang cocok dengan aris tren ke seri poin data historis dan kemudian memproyeksikan garis ke masa depan untuk perkiraan.

Variasi musiman dalam Data

Variasi musiman dalam data adalah gerakan reguler dalam rangkaian waktu yang terkait dengan acara secara berulang keatas atau kebawah. Kehadiran musiman membuat penyesuaian dalam perkiraan daris tren perlu. Musim dinyatakan dalam jumlah yang nilai aktualnya berbeda dari nilai rata-rata dalam deret waktu. 

Langkah-langkah perusahaan musiman 

   1. Temukan permintaan historis rat-rata setiap musim denan menjumlah permintaan untuk bulan tertentu disetiap tahun dan membaginya dengan jumlah tahun data yang tersedia.

   2. Hitung permintaan rata-rata dari semua bulan dengan membagi total rat-rata tahunan permintaan dengan jumlah musim.

   3. Hitung indeks musiman untuk setiap musim dengan membagi rata-rata historis bulan tertentu dengan permintaan rata-rata semua bulan.

   4. Perkirakan total permintaan tahunan untuk tahun depan.

   5. Bagi perkiraan total permintaan tahunan denan jumlah musim kemudain kalikan denan indek musim untuk setiap bulan.

Variasi siklus dalam data

     Meramalkan variasi siklus dalam suatu rangkaian waktu sangat sulit karena sikus termasuk faktor yang mnenyebankan ekonomi beralih dari resesi menjadi espansi ke resesi selam bertahun-tahun.

Motede peramalan asosiatif 

     Model peramalan asosiatif biasanya mempertimbangkan beberapa variabel d=yang terkait dengan kuantitas yan diprediksi. Setelah variabel ditemukan, model statistik dibangun dan diunakan untuk memperkirakan item yang diinginkan. Banyak faktor yang dipertimbangkan dalam analisis asosiatif seperti variabel independen dan variabel dependen. Peramala asosiatif yang paling umum menggunakan analisis regresi linear.

Kesalahan standar estimasi 

     Untuk mengukur keakuratan estimasi regresi kita harus menghitung kesalahan standar estimasi.penghitungan ini biasa disebut deviasi standar dari regresi.

Pemantauan dan pengendalian prakiraan 

     Cara untuk memantau ramalan untuk memastikan kinerjanya baik adalah menggunakan pelacakan sinyal. Sinyal pelacakan adalah pengukuran seberapa baik perkiraan memperkirakan nilai aktual.sinyal pelacakan dihitung dengan membagi kesalahan kumulatif dengan deviasi absolut rata-rata. Sinyal pelacakan positif menunjukan permintaan lebih besar dari perkiraan sementara sinyal negatif menunjukan bahwa permintaan lebih kecil dari perkiraan. Sinyal yang baik yaitu yang memiliki kesalahan positif dan negatif seimbang.

Adaptif pemulusan 

     Peramalan adaptif mengacu pada pemantauan komputer terhadap sinyal pelacakan dan penyesuaian diri jika sebuah sinyal melewati batas preset.

Peramalan focus

     Peramalan fokus adalah peramalan yang mencoba berbagai model komputer dan memilih yang terbaik untuk aplikasi khusus. Ada dua prinsip peramalan fokus :

   1. Model peramalan yang canggih tidak selalu lebih baik dari yang sederhana

   2. Tidak ada teknik tunggal yang harus digunakan untuk semua produk atau layanan

Peramalan di sektor layanan

     Peramalan disektor jasa menghadirkan beberapa tantangan yang tidak biasa. Teknik utama dalam sektor ritel melacak permintaan dengan mempertahankan catatan jangka pendek yang baik.

Daftar Pustaka

Heizer, Render, Munson.2017. Operations Management Substainably and Supply Chain Management.e-Book