MANAJEMEN OPERASI

MANAJEMEN OPERASIFORECASTINGPENGERTIANPeramalan adalah suatu alat bantu yang penting untuk melakukan suatu perencanaan yang efektif dan efisien, seperti peramalan terhadap tingkat permintaan suatu produk atau beberapa produk dalam periode waktu tertentu di masa yang akan datang (Biegel).TUJUANMenganalisa data masa lalu, yang berguna untuk menentukan karakteristik data yang akan terjadi di masa yang akan datang, yang ditunjukan dengan terbentuknya pola dari data tersebut. Selain itu juga untuk menetapkan kapan suatu peristiwa akan terjadi atau timbul, sehingga tindakan yang tepat dapat dilakukan. (Makridakis, Wheelwright, McGee, 1993).

JENIS PERAMALAN BERDASARKAN SIFATPeramalan Kualitatif - Metoda Eksploratoris - Metoda NormatifPeramalan Kuantitatif - Metoda Time Series - Metoda Causal (Eksplanatoris)TIME SERIESSimple AverageMoving AverageWeighted Moving AverageExponential SmoothingRegresi LinierCausal

Simple Average

Contoh Simple AverageBulanDemandForecast120-22120,031920,541720,052219,362419,871820,582120,192020,3102320,2112220,5122020,61320,6Single Moving Average

Contoh Single Moving AverageBulanDemandForecast (3 Bulan Moving)120-221-319-41720,052219,062419,371821,082121,392021,0102319,7112221,3122021,71321,7Weighted Moving AveragePeriodeDemandBobotD x B5700,2146500,3157500,525854Exponential SmoothingFt = Dt-1 + (1 )Ft-1

Dimana :Ft = Hasil Peramalan = Konstanta pemulusan yang besarnya 0 1Dt = Demand AktualFt = Hasil Peramalan SebelumnyaContoh Exponential SmoothingPeriodeDemandForecast124-22320,032521,842023,751821,5619,4 = 0,6LatihanPermintaan Mingguan dari chicken wings untuk salah satu rumah makan dalam 6 minggu terakhir adalah : 650, 521, 563, 735, 514, dan 596.

a). Ramalkan Permintaan pada minggu ke-7 menggunakan 5 periode Moving Average.

b). Ramalkan permintaan pada minggu ke-7 menggunakan 3 periode weighted MA, gunakan bobot berikut untuk melakukan peramalannya :W1 = 0,2 w2 = 0,3 w3 = 0,5

c). Ramalkan permintaan untuk minggu ke-7 menggunakan exponential smoothing, dengan = 0,1 dan diasumsikan hasil ramalan untuk periode ke-6 adalah 600 unit.Regresi Linier

Contoh Regresi Linier

Contoh Regresi LinierPeriode (X)Demand (Y)XYX2Ramalan11800180011785,53821740348041766,71331768530491747,888417056820161729,063517318655251710,238616669996361691,4137171311991491672,5878161412912641653,7629166614994811634,937101594159401001616,112111632179521211597,287121555186601441578,462 = 78 = 20184 = 128504 = 650Metoda CausalPersamaan Regresi : Y = a + bxY = n.a + b. xXY = a. x + b. X

Contoh Metode CausalPeriodeProduksi (Y)Demand (X)XYX^21326423,52,48,45,7634,12,811,487,8444,4313,29553,21610,2465,73,620,5212,9676,43,824,3214,448742816Total39,124,8127,9280,24Lanjutan Contoh Causal

Menghitung Forecast ErrorPeriodeDemand3 Periode Moving AverageForecastErrorAbsolute ErrorError ^ 2120----221----319----41720-3395221933962419,34,74,722,0971821-33982121,3-0,30,30,0992021-111102319,73,33,310,89112221,30,70,70,49Jumlah4,41961,56Rata-rata0,552,387,70Menghitung Forecast ErrorPeriodeDemand5 Periode Moving AverageForecastErrorAbsolute ErrorError ^ 2120----221----319----417----522----62419,84,24,217,6471820,6-2,62,66,768212011192020,4-0,40,40,16102321224112221,20,80,80,64Jumlah51130,2Rata-rata0,833331,835,03Menghitung Forecast Error3 Periode Moving Average5 Periode Moving AverageMean Absolute Error2,381,83Mean Square Error7,75,03Pilih Yang Errornya Lebih Kecil