Perencanaan dan Pengendalian Produksi

Peramalan Permintaan
25.00

20.00

15.00 Series1
Series2
Series3
10.00 Series4

5.00

0.00
28
10

13

16

19

22

25

31

34

37

40
1

7
 Forecasting
• The process of predicting the values of a
certain quantity, Q, over a certain time
horizon, T, based on past trends and/or a
number of relevant factors.
• An estimate of future demand & provides
the basis for planning decisions
• Goal is to minimize forecast error
• Forecast error: difference between
forecast and actual demand

2
 Demand
• Observed demand (O)=Systematic component
(S) + Random component (R)
 Systematic component: Expected value of demand
 Random component: The part of the forecast that deviate
from the systematic component

• Demand forecasting is based on:

 extrapolating to the future past trends observed in the
company sales;
 understanding the impact of various factors on the
company future sales:
– market data
– strategic plans of the company
– technology trends
– social/economic/political factors
– environmental factors
– etc

3
 Forecasting Techniques
• Qualitative forecasting is based on opinion &
intuition.

• Quantitative forecasting uses mathematical

models & historical data to make forecasts.
 Time series models are the most frequently used
among all the quantitative forecasting models.

4
 Forecasting Techniques (Cont.)

Qualitative Forecasting Methods

Used when data are limited, unavailable, or not
currently relevant. Incorporate factors like the
forecaster’s intuition, emotions, personal
experience, and value system.

Four qualitative models used are:

1. Jury of executive opinion
2. Delphi method
3. Sales force composite
4. Consumer survey

5
 Forecasting Techniques (Cont.)

Quantitative Methods
• Time series forecasting- based on the assumption that the
future is an extension of the past. Historical data is used to
predict future demand.
• Cause & Effect forecasting- assumes that one or more
factors (independent variables) predict future demand.
It is generally recommended to use a combination of
quantitative & qualitative techniques.

6
 Forecasting Techniques (Cont.)

• Penggunaan model kuantitatif membutuhkan:

 Data kondisi masa lalu
 Data tersebut dapat dikuantifisir
 Diasumsikan pola data masa lalu akan berlanjut pada
masa yang akan datang

• Data yang digunakan untuk keperluan

perencanaan produksi:
 Paling baik menggunakan data permintaan
 Menggunakan data jumlah unit penjualan
 Kalalu tidak dimiliki data penjualan gunakan data
jumlah unit produksi

7
 Forecasting Techniques (Cont.)

Components of Time Series

Data should be plotted to detect:
 Trend variations: increasing or decreasing
 Cyclical variations: wavelike movements that are longer than a
year (e.g., business cycle)
 Seasonal variations: show peaks & valleys that repeat over a
consistent interval such as hours, days, weeks, months, years,
or seasons
 Random variations: due to unexpected or unpredictable
events

8
 Forecasting Techniques (Cont.)

Causal Models -
External variables are identified that are related to
demand
Simple regression. Only one explanatory variable is used
& is similar to the linear trend model. The difference is
that the x variable is no longer time but an explanatory
variable.

Ŷ = b0 + b1x
where
Ŷ = forecast or dependent variable
x = explanatory or independent variable
b0 = intercept of the line
b1 = slope of the line

9
 Forecasting Techniques (Cont.)

Cause & Effect Models (Cont.)

Multiple regression. Several explanatory variables are
used to make the forecast.
Ŷ = b0 + b1x1 + b2x2 + . . . bkxk
where
Ŷ = dependent variable
xk = kth explanatory variable
b0 = intercept of the line
bk = regression coefficient of the
independent variable xk

10
 Implementing Quantitative Forecasting
Determine Method
•Time Series
•Causal Model

Collect data:
<Ind.Vars; Obs. Dem.>

Fit an analytical model - Determine

functional form
to the data: - Estimate parameters
F(t+1) = f(X1, X2,…) - Validate

Use the model for

forecasting future
demand
Update Model
Parameters
Monitor error:
e(t+1) = D(t+1)-F(t+1)

Yes Model No
Valid? 11
 Prosedur Peramalan
1. Plot data permintaan vs. waktu

2. Pilih beberapa metoda peramalan

3. Evaluasi kesalahan peramalan

4. Pilih metoda peramalan dengan kesalahan peramalan

terkecil

5. Verifikasi

6. Intepretasi hasil peramalan

12
t 1 2 3 4 5 6 7 8 9 10 11 12

D 145 210 180 160 235 178 220 240 265 240 270 268

13
 Taksonomi Metoda Peramalan
MODEL
KUALITATIF

REGRESI

PERAMALAN TIME SERIES RATA-RATA

MOVING
SMOOTHING AVERAGE

MODEL
KUANTITATIF
EXPONENTIAL
SMOOTHING

KAUSAL

14
Pola Data

15
 Components of Time Series
Data should be plotted to detect:
 Trend variations: increasing or decreasing
 Cyclical variations: wavelike movements that
are longer than a year (e.g., business cycle)
 Seasonal variations: show peaks & valleys that
repeat over a consistent interval such as
hours, days, weeks, months, years, or seasons
 Random variations: due to unexpected or
unpredictable events

16
 Metoda Peramalan
• Smoothing
 Moving average method
– Simple moving average
– Double moving average
– Weighted moving average
 Exponential smoothing
– Simple exponential smoothing
– Double exponential smoothing
• Regresi
 Konstan
 Linier
 Kuadratis
 Seasonal
17
 Simple Moving Average
• Forecast Ft is average of n previous
observations or actuals Dt :
1
Ft 1  ( Dt  Dt 1    Dt 1n )
n
1 t
Ft 1   Di
n i t 1 n

• Note that the n past observations are equally

weighted.

18
 Simple Moving Average

• Include n most recent observations

• Weight equally
• Ignore older observations
weight

1/n

n ... 3 2 1
today 19
 Moving Average

Internet Unicycle Sales

n=3
450

400

350

300

250
Units

200

150

100

50

0
Apr-01 Sep-02 Jan-04 May-05 Oct-06 Feb-08 Jul-09 Nov-10 Apr-12 Aug-13
Month
20
 Simple Moving Average (SMA)
Contoh:Data permintaan masa lalu sebagai
berikut:
week 1 2 3 4 5 6 7 8 9 10
D 650 678 720 785 859 920 850 758 892 920

Q: berapa hasil permintaan dengan SMA (3) dan

SMA(6)?

21
 Perhitungan SMA
Ft= 1/N (Dt-1 + Dt-2 + Dt-3 +….+ Dt-N)
SMA (3)
F4=1/3(D4-1+ D4-2 + D4-3)=1/3(D3+D2+D1)
=1/3(720+678+650)=682,67

F5=1/3(D5-1+ D5-2 + D5-3)=1/3(D4+D3+D2)

=1/3(785+720+678) =727,67

F11=1/3(D11-1+ D11-2 + D11-3)=1/3(D10+D9+D8)

=1/3(920+892+758)=856,67
Besarnya perkiraan demand dg 22
SMA(3)
 Hasil Perhitungan SMA
Week Demand 3-weeks 6-weeks
1 650
2 678
3 720
4 785 682,67
5 859 727,67
6 920 788,00
7 850 854,67 768,67
8 758 876,33 802,00
9 892 842,67 815,33
10 920 833,33 844,00
856,67 866,5
23
 Double Moving Average
 DMA melakukan moving average secara double
 Notasi yang diberikan DMA (MxN), artinya M
periode moving average yang pertama dan N
periode moving average yang ke-dua.
 Formula:
S’t = 1/N (Xt+ Xt-1+ Xt-2 +….+ Xt-N+1)
S’’t= 1/N (S’t+ S’t-1+ S’t-2 +….+ S’t-N+1)
at = S’t+ (S’t- S’’t) = 2 S’t – S’’t

bt = 2 (S’t – S’’t)
(n-1)
n = jml data terakhir
Ft+m = at + bt . m
m adalah jumlah periode
24
 Contoh DMA (4x4)
t Dt S’(t)=MA(4) S’’(t) a b F(t)
1 140
2 159
3 136
4 157 148,00
5 173 156,25
6 131 149,25
7 177 159,50 153,25 165,75 4,17
8 188 167,25 158,06 176,44 6,13 169,92
9 154 162,50 159,63 165,38 1,92 182,56
10 179 174,50 165,94 183,06 5,71 167,29
11 188,77
F12=F10+2=a10+b10 . 2 = 183,06+5,71 . 2 = …..
F13=F10+3 =a10+b10 . 3 = 183,06+5,71 . 3= …..
F15=F10+5=a10+b10 . 5 = 183,06+5,71 . 5 = …..
25
 Weighted Moving Average
SMA dan DMA berasumsi bahwa semua
data memiliki bobot (pengaruh) yang
sama terhadap besarnya data di masa
depan.

WMA berasumsi setiap data akan

memberi pengaruh berbeda terhadap
besarnya data yad.

Dengan demikian tiap data diberi bobot

26
yang berbeda.
 Weighted Moving Average

Data pada (t-1) memiliki pengaruh

yang lebih besar daripada (t-2), maka
diberi bobot yang lebih besar.

Ft =W1.At-1+W2.At-2+……..+Wn.At-n
Wt=bobot diberikan pada perioda waktu
kejadian t
Jumlah total bobot harus = 1
At =data aktual

27
 Contoh WMA
Terdapat data permintaan selama 3 minggu,
berikut bobot data. Tentukan perkiraan
besarnya permintaan pada minggu ke-4
dengan WMA.

Week 1 2 3
Demand 650 678 720
Weight 0,2 0,3 0,5

F4 = 0,5 (720) + 0,3 (678) + 0,2 (650)

 = 693,4

28
 Exponential Smoothing

• Include all past observations

• Weight recent observations much more
heavily than very old observations:

weight
Decreasing weight given
to older observations

today
29
 Exponential Smoothing: Math
Ft   Dt 1   (1   ) Dt  2   (1   ) Dt 3  
2

Ft   Dt 1  (1   )   Dt  2   (1  a ) Dt 3  

Ft  aDt 1  (1  a ) Ft 1

30
 Exponential Smoothing: Math
Ft  aDt 1  (1  a ) Ft 1

• Thus, new forecast is weighted sum of old forecast

and actual demand
• Notes:
 Only 2 values (Dt-1 and Ft-1 ) are required, compared with
n for moving average
 Parameter a determined empirically (whatever works
best)
 Rule of thumb:  < 0.5
 Typically,  = 0.2 or  = 0.3 work well
• Forecast for k periods into future is: Ft  k  Ft

31
 Exponential Smoothing

Internet Unicycle Sales (1000's)

450

400
= 0.2
350

300

250
Units

200

150

100

50

0
Jan-03 May-04 Sep-05 Feb-07 Jun-08 Nov-09 Mar-11 Aug-12
Month

32
 Simple Exponential Smoothing
Data saat ini memiliki bobot yang
paling tinggi dan nilai bobot ini semakin
menurun secara exponential sesuai
dengan bertambahnya waktu, yaitu
sebesar (1- α)

Alasan digunakannya teknik SES:

 Model exponential cukup akurat
 Formulasi model exponential relatif mudah
 User mudah memahami cara kerja exponential

33
 Simple Exponential Smoothing
Ft = Ft-1 + α (D t-1 – Ft-1)

α adalah smoothing Constant

 Contoh SES:
Tentukan peramalan dengan SES untuk α =0,1
dan α =0,6 pada data demand lalu sebagai
berikut:

34
 Solusi SES
Week 1 2 3 4 5
demand 820 775 680 655
(aktual)
forecast 820 820 815,5 801,9 787,3
α =0,1
forecast 820 820 793 726 684
α =0,6
Asumsi: Hasil peramalan Hasil peramalan
F1=A1 Demand t=5 Demand t=5
α =0,6 α =0,1
F1=820
F2=820+0,1(820-820)=820
35
F3=820+0,1(775-820)=815,5 dst
 Double Exponential Smoothing
Satu parameter (Metode Linier Brown)
Hampir sama dengan double moving average
Disesuaikan dengan penambahan satu
parameter
S’t= α . Dt +(1- α). S’t-1
S’’t= α . S’t +(1- α). S’’t-1
Ft+m=at + bt . m

at= 2 S’t – S’’t ; bt = α

(S’t – S’’t)
(1- α)
S’t= single exponential smoothing
S’’t= double exponential smoothing
m = jumlah periode yang akan diramal
36
√Tentukan DES dengan 1 parameter untuk
alpha=0,2
t Dt S’t S’’t a b Ft
1 143 143,0 143,0 143 0
2 152 144,8 143,36 146,24 0,36 143
3 161 148,04 144,3 151,78 0,94 146,6
4 139 146,23 144,68 147,78 0,39 152,72
5 137 144,39 144,62 144,15 0,06 148,17
6 174 150,31 145,76 154,86 1,14 144,09
7 142 148,65 146,34 150,96 0,58 155,99
8 141 147,12 146,49 147,74 0,16 151,53
9 162 150,09 147,21 152,97 0,72 147,9
10 153,69
11 154,41
37
 Contoh Metoda Regresi
n

^ ^ ^ d t
• Konstan
D (t )  a a  t 1n
n n n
N  t .dt   dt  t
• Regresi linier t 1 t 1 t 1
b 2
n n
^ ^ N t  (  t )
2

D (t )  a  bt t 1
t 1

n n
 dt bt
t 1 t 1
a   dt  b.t
N N

^
2 t 2 t
• Siklis D (t )  a  u cos N  v sin N
38
 Kriteria Performansi Peramalan
• Mean Square Error (MSE)
2
n
 (d t  D't )
MSE  t 1
n
dimana:
dt = data aktual pada periode t
Dt‘ = nilai ramalan pada periode t
n = banyaknya periode

39
 Kriteria Performansi Peramalan
• Standard error of estimate (SEE)

(d t  D't )
2
n
SEE   (n  f )
t 1

dimana:
f = derajat kebebasan
– 1 : untuk data konstan
– 2 : untuk data linier
– 3 : untuk data kuadratis

40
 Kriteria Performansi Peramalan
• Persentase Kesalahan

dt  D 't
PEt  (
dt
)x 100%

• Mean Absolute Percentage Error (MAPE)

n
 PEt
t 1
MAPE 
n

41
 Contoh
• Dari data 12 bulan terakhir tercata penjualan produk X:
t 1 2 3 4 5 6 7 8 9 10 11 12
dt 140 159 136 157 173 181 177 188 154 179 180 160

• Gambar diagram Pencar:

42
 Metoda Konstan
t dt dt' e = dt - dt' e2 SEE
1 140 165.33 -25.33 641.61
2 159 165.33 -6.33 40.07
3 136 165.33 -29.33 860.25
4 157 165.33 -8.33 69.39
5 173 165.33 7.67 58.83
6 181 165.33 15.67 245.55
7 177 165.33 11.67 136.19
8 188 165.33 22.67 513.93
9 154 165.33 -11.33 128.37
10 179 165.33 13.67 186.87
11 180 165.33 14.67 215.21
12 160 165.33 -5.33 28.41
3124.68 17

43
 Metoda Konstan

n n
d t  (dt dt ')
2

t 1 '
a  dt SEE  t 1
N nf
3124. 68

12  1
a  165.33 3124. 68

11
 16. 85  17

44
 Metoda Linier
t dt t . dt t2 dt'=156+1.t e = dt - dt' e2
1 140 140 1 157 -17 289
2 159 318 4 158 1 1
3 136 408 9 159 -23 529
4 157 628 16 160 -3 9
5 173 865 25 161 12 144
6 181 1086 36 162 19 361
7 177 1239 49 163 14 196
8 188 1504 64 164 24 576
9 154 1386 81 165 -11 121
10 179 1790 100 166 13 169
11 180 1980 121 167 13 169
12 160 1920 144 168 -8 64
78 1984 13264 647 2628
t 6.5 dt 165.33
45
 Metoda Linier
n n n n
N  t .dt   dt  t 12(13264)  (1984)(78)  (dt dt ')
2

b t 1 t 1 t 1 b t 1
2 12(647)  (78)
2
SEE 
n n nf
N t  (  t )
2
157168  154752 2416 2628 2628
t 1
t 1    
7764  6084 1680 12  2 10
 1. 44  1  16. 21  16
n n
 dt bt
a t 1
 t 1
 dt  b.t a  dt  b.t
N N
 165. 33  1. 44(6. 5)  165. 33  9. 35
 155. 98  156

 dt '  156  1t
46
 Metoda Kuadratis
t dt t.dt t2 t2.dt t4 dt' e=dt- e2
dt'
-6 140 -840 36 5040 1296 118.36 21.64 468.29
-5 159 -795 25 3975 625 127.82 31.18 972.19
-4 136 -544 16 2176 256 143.88 -7.88 62.09
-3 157 -471 9 1413 81 146.74 10.26 105.27
-2 173 -346 4 692 16 147.6 23.4 547.56
-1 181 -181 1 181 1 152.46 28.54 814.53
1 177 177 1 171 1 156.86 20.14 405.62
2 188 376 4 752 16 158.4 29.6 876.16
3 154 462 9 1386 81 159.96 -5.96 35.52
4 179 716 16 2864 1256 161.48 17.52 306.95
5 180 900 25 4500 625 149.82 30.18 910.83
6 160 960 36 5760 1296 144.76 15.24 232.26
 1984 404 182 28710 4550 5737.2
7

47
 Metoda Kuadratis
n n n n
404
 t .dt  dt t  N t .dt
2 2
b  2. 22  2. 2
b t 1
c= t=1 t 1 t 1 182
n n 2 n
t  (t ) t
2 n
2 4

t 1 t 1 t 1 (1984)(182)  12( 28910) 361088  346920

c 
2
(182)  12(4550) 33124  54600
n n
 dt  C t
2
14168
a t 1 t 1   0. 6597  0. 66
N 21476

5737. 27 1984  0. 66(182) 1984  120.12

SEE  a 
12  3 12 12
 155. 32
5737. 27

9
2
 25. 25  25  dt '  155. 32  2. 2t  0. 66t

48
Pemilihan Metoda Terbaik & Hasil Peramalan

Konstan Linier Siklis

SEE 17 16 25

• Metode yang dipilih adalah metode peramalan

linier

•t Dt'13= 156
14
+t
15 16 17 18 19 20 21 22 23 24
Dt' 169 170 171 172 173 174 175 176 177 178 179 180

49
 SEASON INDEX
 Pada jenis produk tertentu, jumlah permintaan
akan dipengaruhi oleh musim. Misalnya:
payung, baju musim dingin, seragam, sepatu
dan buku sekolah, kue lebaran dll.

 Pada saat tertentu permintaan sangat tinggi,

pada saat lain permintaan rendah.

 Untuk memprediksi permintaan jenis produk

tersebut harus dilakukan peramalan dengan
menggunakan season index.
50
 SEASON INDEX
Adapun tahapannya sebagai berikut:
1.Temukan fungsi regresi untuk data
masalalu.
2.Temukan season index
3.Intepretasikan terhadap data masa
datang dengan memperhatikan fungsi
regresi dan season index.

51
 Contoh: Season Index
Tingkat penjualan sustu produk dalam dua
tahun lalu adalah sebagai berikut:

t 1 2 3 4 5 6 7 8

Kuartal I II III IV I II III IV

Penjualan 15 22 25 18 20 27 33 20
(dlm ribuan)

Ramalkan permintaan untuk satu tahun yang

akan datang (4 kuartal)
52
 Solusi:
dari data penjualan produk selama 2
tahun, diperoleh diagram pencar
sebagai berikut:
dt

35
30
25
20
dt
15
10
5
0
1 2 3 4 5 6 7 8

53
 Solusi:
Terdapat ‘trend’ peningkatan, kemudian
turun kembali. Hal itu berulang pada
kuartal ke-4, maka jelas penjualan
dipengaruhi musim. Pola regresi yang
dipengaruhi musim.

Diperoleh regresi liner dengan persamaan

dt=17+t

Penghitungan season index

54
Kuartal I II III IV I II III IV I II III IV

t 1 2 3 4 5 6 7 8 9 10 11

dt 15 22 25 18 20 27 33 20

d’t 18 19 20 21 22 23 24 25 26 27 28 29

dt/d’t .83 1.16 1.25 .86 .91 1.17 1.38 .80

Season .87 1.17 1.31 .83

Index

D’t x SI 23 31 37 24
Season Index kuartal I = (0.83+0.91):2=0.87
Season Index kuartal II = (1.16+1.17):2=1.17
Season Index kuartal III= (1.25+1.38):2=1.31
Season Index kuartal IV= (0.86+0.80):2=0.83
55
 Verifikasi Peramalan
• Dilakukan untuk memverifikasi apakah fungsi
peramalan yang digunakan mewakili pola data
yang ada.
• Metoda verifikasi: moving range chart

• Moving Range    
MR  d t'  d t  d t' 1  d t 1

MR
MR  
• Average moving range n 1

UCL  2.66MR
• Control limits LCL  2.66MR

56
 Verifikasi Peramalan
• Pengujian Out of control
 Dari 3 titik yang berurutan, 2 UCL

region A

region B

region C
titik atau lebih di Daerah A
 Dari 5 titik yang berurutan, 4
titik atau lebih di Daerah B
 Dari 8 titik yang berurutan
seluruhnya berada atau di
bawah center line c e n te r lin e

 Satu titik di luar batas kontrol

• Bila kondisi out-of-control
terjadi, tindakan yang bisa
diambil :
 Perbaiki ramalan dengan

region A

region B

region C
mencakup data baru (sistem LC L
sebab baru)
 Tunggu evidence selanjutnya

57
 Contoh Verifikasi (1)
t Dt Dt' Dt'- Dt MR
•Dt' = 156 + t
1 140 156 16
2 159 157 -2 18
3 136 158 22 24
159 4 157 159 2 20
MR   14.45
11 5 173 160 -13 15
UCL  38.45 6 181 161 -20 7
LCL  38.45 7 177 162 -15 5
8 188 163 -25 10
9 154 164 10 15
10 179 165 -14 24
11 180 166 -14 0
12 160 167 7 21
159

58
Contoh Verifikasi (2)

38.45

25.63

12.82

-12.82

-25.63

-38.45

59