PERENCANAAN PERMINTAAN DALAM SUPPLY CHAIN Pendahuluan Permintaan adalah
- Slides: 47
PERENCANAAN PERMINTAAN DALAM SUPPLY CHAIN
Pendahuluan • Permintaan adalah jumlah barang atau jasa yang ingin dan mampu dibeli oleh konsumen, pada berbagai tingkat harga, dan pada waktu tertentu. • Perencanaan dan pengendalian aktifitas logistik memerlukan perkiraan yang akurat dari volume produk dan jasa yang ditangani dalam rantai persediaan. • Perkiraan diwujudkan dalam peramalan/ forecasting
Definisi Peramalan adalah prediksi, estimasi, proyeksi atau perkiraan akan suatu peristiwa yang tidak pasti di masa yang akan datang, didasarkan pada data historis, agar kesalahan yang mungkin terjadi dapat diperkecil.
Peran Peramalan dalam Supply Chain • Dasar untuk semua keputusan perencanaan dalam rantai pasokan • Digunakan untuk proses push dan pull • Penjadwalan produksi, persediaan • Alokasi tenaga penjualan, promosi, pengenalan produk baru • Investasi peralatan, perencanaan anggaran • Perencanaan tenaga kerja, menambah karyawan, PHK • Semua keputusan tersebut saling terkait
Karakteristik Forecasting 1. Hasil peramalan tidak selalu akurat, sehingga harus disertai dengan estimasi kesalahan 2. Peramalan jangka panjang biasanya kurang akurat dibandingkan peramalan jangka pendek 3. Secara umum, semakin panjang rantai pasokan, semakin besar distorsi informasi yang diterimanya
Faktor Yang Mempengaruhi Peramalan • Permintaan suatu produk sangat dipengaruhi oleh faktor lingkungan yang saling berinteraksi dalam pasar yang berada di luar kendali perusahaan. • Faktor lingkungan yang mempengaruhi peramalan : 1. 2. 3. 4. 5. 6. 7. 8. Kondisi umum bisnis dan ekonomi Reaksi dan tindakan pesaing Tindakan pemerintah Kecenderungan pasar Siklus hidup produk Gaya dan mode Perubahan permintaan konsumen Inovasi teknologi
Peran TI dalam Peramalan • Modul peramalan/perkiraan adalah inti dari software Supply Chain • Dapat digunakan untuk menentukan metode perkiraan terbaik bagi perusahaan dengan kategori produk dan pasar • Membantu perusahaan merespon perubahan pasar dengan cepat • Memfasilitasi kebutuhan perencanaan
Metode Peramalan • Metode Kualitatif / Subyektif Berhubungan dengan data-data kualitatif, misalnya tentang selera konsumen terhadap suatu produk, atau survey tentang loyalitas konsumen, dan lain-lain • Metode Kuantitatif Menggunakan berbagai model matematis yang menggunakan data historis atau variabel kausal untuk memperkirakan permintaan.
Peramalan Kualitatif • Metode kualitatif digunakan jika data historis atau variabel yang akan diramal tidak ada, tidak cukup, atau kurang dapat dipercaya. • Metode ini juga disarankan jika lingkungan dan teknologi sedang atau diperkirakan mengalami perubahan drastis. • Input utama metode ini adalah judgement, opini dan pengalaman. • Karena alasan itu, metode ini juga dinamakan judgemental, subjective, intuitive, atau technological forecasting method.
Peramalan Kualitatif • Terdapat 5 teknik peramalan kualitatif : • Opini dari Eksekutif dan Manajer Senior • Riset Pasar • Metode Delphi (ditentukan dalam suatu panel) • Grass Roots (berdasarkan wilayah penjualan) • Hystorical Analogy / Pendekataan Naif (berdasarkan permintaan periode sebelumnya)
Peramalan Kuantitatif • Secara garis besar dibagi menjadi dua kelompok : • Metode Deret Berkala (Time Series) • Model Kausal • Teknik yang digunakan dalam peramalan kuantitatif: 1. Rata-rata bergerak (Moving Average) 2. Penghalusan Eksponensial (Exponential Smoothing) 3. Proyeksi Trend (Trend Projection) 4. Regresi Linier (Linear Regression)
Peramalan Kuantitatif Metode Time Series • Memprediksi penjualan dengan asumsi bahwa masa depan adalah hasil dari fungsi dari masa lalu. • Tiga kondisi yang harus dipenuhi, yaitu: Tersedia informasi tentang masa lalu • Informasi dapat dikuantitatifkan dalam bentuk data numerik • Diasumsikan pola masa lalu akan terus berlanjut. •
Peramalan Kuantitatif Time Series memiliki 4 komponen: • Kecenderungan/Trend (T) Gerakan ekonomi dengan kecenderungan yang sifatnya jangka panjang, yang berhubungan dengan serangkaian karakteristik ekonomi
Peramalan Kuantitatif Time Series. . . • Musiman/Seasonal (S) Kegiatan yang memiliki pola yang sama yang terjadi pada bulan tertentu yang dipengaruhi oleh budaya masyarakat
Peramalan Kuantitatif Time Series. . . • Siklus/Cyclical (C) Rangkaian perekonomian dalam jangka panjang yang sangat dipengaruhi oleh siklus usaha yang kegiatannya seringkali naik turun.
Peramalan Kuantitatif Time Series. . . • Variasi Acak/Random (R) Pola yang tidak beraturan yang dipengaruhi oleh perubahan mendadak dan sulit diprediksi.
Metode Moving Averages • Metode Moving Average biasa digunakan untuk melakukan forecast hal-hal yang bersifat random, artinya tidak ada gejala trend naik maupun turun, musiman dan sebagainya, melainkan sulit diketahui polanya. • Terdapat 2 pendekatan moving average: • Single Moving Average (rata-rata bergerak sederhana) • Weighted Moving Average (rata-rata bergerak tertimbang)
Simple Moving Averages • Metode Simple Moving Averages mempunyai 2 sifat khusus: • Untuk membuat forecast diperlukan data masa lalu selama jangka waktu tertentu. • Semakin panjang moving averages, maka akan menghasilkan moving averages yang semakin halus.
Simple Moving Averages Metode rata-rata bergerak sederhana memprediksi dengan cara mencari rata-rata dari data n periode sebelumnya. Sehingga: St+1 X t n = Forecast untuk periode ke t+1 = Data periode t = Jangka waktu moving averages.
Simple Moving Averages Misal: Untuk mendapatkan angka perkiraan dengan menggunakan metode rata-rata bergerak 3 bulan , maka perkiraan data berikutnya sebesar rata-rata 3 bulan sebelumnya. Untuk mendapatkan angka perkiraan dengan menggunakan metode rata-rata bergerak 5 bulan , maka perkiraan data berikutnya sebesar rata-rata 5 bulan sebelumnya.
Simple Moving Averages • Contoh: Peramalan penjualan bulan April dengan metode peramalan rata-rata bergerak 3 bulan adalah: Penjualan Januari : 20. 000 kg Februari : 21. 000 kg Maret : 19. 000 kg April : ?
Weighted Moving Averages • Metode rata-rata bergerak tertimbang memprediksi dengan cara memberikan bobot kepada data n periode sebelumnya, kemudian membaginya dengan jumlah bobot. • Bobot terbesar diberikan ke data 1 (satu) periode sebelumnya
Weighted Moving Averages Misal: Untuk mendapatkan angka perkiraan dengan menggunakan metode rata-rata bergerak tertimbang n bulan, maka perkiraan data berikutnya adalah: WMA = ∑ (bobot untuk periode n) * (permintaan dalam periode n) ∑ bobot
Weighted Moving Averages Cara memberikan bobot: Misal terdapat data permintaan seperti dalam tabel, untuk prediksi permintaan pada bulan Mei, maka pembobotannya adalah sebagai berikut : Sehingga: Perkiraan bl Mei = Bulan Permin Bobot taan Periode Januari 20 Pebruari 24 1 3 bln lalu Maret 21 2 2 bln lalu April 19 3 bln lalu Mei ? (3 x 19) + (2 x 21) + (1 x 24) 3 + 2 + 1 = 20, 5
Akurasi Peramalan • Pengukuran akurasi peramalan dapat dilakukan dengan beberapa cara, antara lain : 1. MAE (Mean Absolute Error) = Rata-rata Kesalahan Absolut 2. MSE (Mean Square Error) = Rata-Rata Kuadrat Kesalahan 3. MAD (Mean Absolute Deviation) = Rata-rata Deviasi Mutlak 4. MFE (Mean Forecast Error) = Rata-Rata Kesalahan Peramalan 5. MAPE (Mean Absolute Percentage Error) = Rata-Rata Persentase Kesalahan Absolut
Akurasi Peramalan • MAE (Mean Absolute Error) Mean Absolute Error (MAE) adalah rata-rata absolute dari kesalahan meramal, tanpa menghiraukan tanda positif atau negatif. • • E = kesalahan Xt = data aktual St = data hasil peramalan n = jumlah periode
Akurasi Peramalan • MSE (Mean Square Error) • MSE dihitung dengan menjumlahkan kuadrat semua kesalahan peramalan pada setiap periode dan membaginya dengan jumlah periode peramalan. • Rumus matematisnya adalah : • E = kesalahan • Xt = data aktual • St = data hasil peramalan • n = jumlah periode
Contoh Soal Simple Moving Averages Contoh soal: • Sebuah perusahaan memiliki data permintaan selama tahun 2014 seperti disajikan pada tabel. Hitung berapa kira-kira permintaan pada bulan Januari 2015, dan berapa perkiraan kesalahan akurasinya apabila menggunakan metode rata-rata bergerak 3 bulan dan rata-rata bergerak 5 bulan ? Tahun 2014 Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember Permintaan 20 21 19 17 22 24 18 23 20 25 22 24
Jawaban rata 2 bergerak 3 bulan (1) • Mencari forecast untuk rata-rata bergerak 3 bulan. • Hasilnya sbb Tahun 2014 Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember Permintaan Forecast 3 bulan 20 21 19 17 22 24 18 23 20 25 22 24 20. 00 19. 33 21. 00 21. 33 21. 67 20. 33 22. 67 22. 33
Jawaban rata 2 bergerak 3 bulan (2) • Mencari Mean Absolute Error & Mean Square Error untuk rata-rata bergerak 3 bulan, dengan cara sbb: Permintaan Forecast Error Absolut Error 2 Januari 20 - - Februari 21 - - Maret 19 - - April 17 20, 00 -3, 00 9, 00 Mei 22 19, 00 3, 00 9, 00 Juni 24 19, 33 4, 67 21, 78 Juli 18 21, 00 -3, 00 9, 00 Agustus 23 21, 33 1, 67 2, 78 September 20 21, 67 -1, 67 2, 78 Oktober 25 20, 33 4, 67 21, 78 November 22 22, 67 -0, 67 0, 44 Desember 24 22, 33 1, 67 2, 78 Jumlah : 24, 00 79, 33 Tahun 2014
Jawaban rata 2 bergerak 3 bulan (3) • Mean Absolute Error • Mean Squared Error
Jawaban rata 2 bergerak 3 bulan (4) • Prediksi permintaan pada bulan Januari 2015 dengan metode rata-rata bergerak 3 bulan adalah: • Dengan MAE sebesar 2, 67 dan MSE sebesar 8, 81
Jawaban rata 2 bergerak 5 bulan (1) • Mencari forecast untuk rata-rata bergerak 5 bulan. • Hasilnya sbb Tahun 2014 Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember Permintaan Forecast 5 bulan 20 21 19 17 22 24 18 23 20 25 22 24 19. 80 20. 60 20. 00 20. 80 21. 40 22. 00 21. 60
Jawaban rata 2 bergerak 5 bulan (2) • Mencari Mean Absolute Error & Mean Square Error untuk rata-rata bergerak 5 bulan, dengan cara sbb: Permintaan Forecast Error Januari 20 - - Absolut Error - Februari 21 - - Maret 19 - - April 17 - - Mei 22 - - Juni 24 19, 80 4, 20 17, 64 Juli 18 20, 60 -2, 60 6, 76 Agustus 23 20, 00 3, 00 9, 00 September 20 20, 80 -0, 80 0, 64 Oktober 25 21, 40 3, 60 12, 96 November 22 22, 00 0, 00 Desember 24 21, 60 2, 40 5, 76 Jumlah : 16, 60 52, 76 Tahun 2014 Error 2 -
Jawaban rata 2 bergerak 5 bulan (3) • Mean Absolute Error • Mean Squared Error
Jawaban rata 2 bergerak 5 bulan (4) • Prediksi permintaan pada bulan Januari 2015 dengan metode rata-rata bergerak 5 bulan adalah: • Dengan MAE sebesar 2, 37 dan MSE sebesar 7, 54
Kesimpulan • Jadi, prediksi permintaan pada bulan Januari 2015 adalah: Metode MA Rata 2 bergerak 3 bln Rata 2 bergerak 5 bln Hasil Prediksi MAE 23, 67 22, 8 2, 37 MSE 8, 81 7, 54
Contoh Soal Weighted Moving Averages Contoh soal: • Dengan data yang sama dengan soal sebelumnya, hitung berapa kira-kira permintaan pada bulan Januari 2015, dan berapa perkiraan kesalahan akurasinya apabila menggunakan metode rata-rata bergerak tertimbang 3 bulan dan rata-rata bergerak tertimbang 5 bulan ? Tahun 2014 Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember Permintaan 20 21 19 17 22 24 18 23 20 25 22 24
Jawaban rata 2 bergerak tertimbang 3 & 5 bulan (1) Tahun 2014 Permintaan Forecast Error 3 bln - Absolut Forecast Error 2 Error 5 bln - Absolut Error 2 Error - Januari 20 Februari 21 - - - - Maret 19 - - - - April 17 19, 83 -2, 83 8, 03 - - Mei 22 18, 33 3, 67 13, 44 - - Juni 24 19, 83 4, 17 17, 36 19, 80 4, 20 17, 64 Juli 18 22, 17 -4, 17 17, 36 21, 20 -3, 20 10, 24 Agustus 23 20, 67 2, 33 5, 44 20, 33 2, 67 7, 11 September 20 21, 50 -1, 50 2, 25 21, 33 -1, 33 1, 78 Oktober 25 20, 67 4, 33 18, 78 21, 07 3, 93 15, 47 November 22 23, 00 -1, 00 22, 27 -0, 27 0, 07 Desember 24 22, 67 1, 33 1, 78 22, 27 1, 73 3, 00 17, 33 55, 32 Jumlah : 25, 33 85, 44
Jawaban rata 2 bergerak tertimbang 3 & 5 bulan (2) • MAE & MSE untuk rata-rata bergerak tertimbang 3 dan 5 bulan adalah :
Jawaban rata 2 bergerak 3 bulan (3) • Prediksi permintaan pada bulan Januari 2015 dengan metode rata-rata bergerak tertimbang 3 bulan adalah: • Dengan MAE sebesar 2, 81 dan MSE sebesar 9, 49
Jawaban rata 2 bergerak 5 bulan (4) • Prediksi permintaan pada bulan Januari 2015 dengan metode rata-rata bergerak tertimbang 5 bulan adalah: • Dengan MAE sebesar 2, 48 dan MSE sebesar 7, 90
Kesimpulan • Jadi, prediksi permintaan pada bulan Januari 2015 adalah: Metode MA Hasil Prediksi MAE MSE Rata 2 bergerak tertimbang 3 bln 23, 50 2, 81 9, 49 Rata 2 bergerak tertimbang 5 bln 23, 07 2, 48 7, 90
Membandingkan Metode • Perbandingan error antara 3 bulan dan 5 bulan moving average : Metode MA Hasil Prediksi MAE MSE 23, 67 2, 67 8, 81 Rata 2 bergerak 5 bln 22, 8 2, 37 7, 54 Rata 2 bergerak tertimbang 3 bln 23, 50 2, 81 9, 49 Rata 2 bergerak tertimbang 5 bln 23, 07 2, 48 7, 90 Rata 2 bergerak 3 bln • Berdasarkan perbandingan tersebut, moving average dengan jangka waktu lebih lama, penyimpangan pada hasil peramalannya akan lebih kecil.
Kelemahan Moving Averages • Rata-rata bergerak sederhana dan tertimbang efektif dalam menghaluskan fluktuasi pada permintaan yang tak terduga guna menghasilkan estimasi yang stabil. • Kelemahan teknik rata-rata bergerak: • Meningkatkan ukuran n (jml periode yang dirata-ratakan) bisa menghaluskan fluktuasi dengan lebih baik, tetapi kurang sensitif untuk perubahan nyata dalam data • Karena merupakan rata-rata, maka akan selalu berada dalam tingkat masa lalu dan tidak akan memprediksi perubahan ke tingkat yang lebih tinggi atau lebih rendah.
LATIHAN SOAL • Sebuah perusahaan elektronik PT. ‘X’ memutuskan untuk meramal penjualannya dengan pemberian timbangan pada empat tahun sebelumnya. Tahun Penjualan (jutaan Rp) 1994 500 1995 365 1996 430 1997 445 1998 389 1999 381 2000 326 2001 387 • Data yang dimiliki adalah data 2002 417 penjualan dari sebelas tahun terakhir sebagai berikut: 2003 411 2004 338 • Perusahaan juga menghendaki kira-kira berapa tingkat kesalahan dari hasil peramalan tersebut.
Tahun Penjualan (jutaan Rp) 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 500 365 430 445 389 381 326 387 411 338 S X-S |X-S|^2 430, 00 (41, 00) 41, 00 1. 681, 00 411, 60 (30, 60) 30, 60 936, 36 401, 10 (75, 10) 75, 10 5. 640, 01 367, 00 20, 00 400, 00 367, 70 49, 30 2. 430, 49 386, 20 24, 80 615, 04 399, 50 (61, 50) 61, 50 3. 782, 25 302, 30 15. 485, 15 S 380, 60 MSE 2. 212, 16 MAE 43, 19
- Matching supply and demand in supply chain
- Difference between logistics and supply chain
- Grazing food chain diagram
- Peranan mediasi pasar dalam supply chain management
- Peranan teknologi informasi dalam supply chain management
- Konfigurasi jaringan supply chain
- Instrumen untuk mengelola permintaan
- Apa yang terdapat dalam desain pendahuluan
- Pendahuluan dalam presentasi
- Apa yang terdapat dalam desain pendahuluan
- Pendahuluan laporan pertanggungjawaban
- Sistematika karya ilmiah sederhana
- Studi pendahuluan adalah
- Struktur pendahuluan
- Biaya pendahuluan adalah
- Graf bipartit
- Grafik
- Chapter 5 section 1 supply
- Pagbabago sa dami ng supply at pagbabago sa supply
- Whirlpool supply chain
- Werken met supply chain management noordhoff
- Vfp viewpoint
- Contemporary
- Ibm smart supply chain
- Pipeline in supply chain
- Operational obstacles in supply chain
- Supply chain silos
- Supply chain risk register
- Supply chain risk management framework
- Supply chain risk management framework
- Risk assessment likelihood
- Supply chain leadership council
- Reorder point formula
- Raw material in supply chain
- Supply chain sequence
- Supply chain it framework
- Framework for structuring drivers
- Netflix supply chain
- Push pull in supply chain
- Replenishment cycle in supply chain
- Supply chain management process mapping
- Supply chain management definition
- Order promising module of supply chain management
- Drivers for lean supply chain
- Push pull view of supply chain
- Tailored sourcing supply chain
- Predictable variability in supply chain
- Supply chain upstream and downstream