Chapter 4 Manajemen Operasi
7 likes18,326 views
Ringkasan dokumen tersebut adalah: 1. Dokumen tersebut membahas tentang peramalan permintaan yang merupakan seni dan ilmu pengetahuan dalam memprediksi peristiwa di masa depan berdasarkan data historis. 2. Ada beberapa metode peramalan yang dibahas yaitu kualitatif dan kuantitatif. Metode kualitatif meliputi pendapat ahli sedangkan kuantitatif menggunakan model matematika. 3. Peramalan dibedakan ber
Chapter 4 Manajemen Operasi
- 1. Chapter 4 FORECASTING DEMAND ( PERAMALAN ) Apakah Peramalan Itu? Peramalan (forecasting) adalah suatu seni dan ilmu pengetahuan dalam memprediksi peristiwa pada masa mendatang. Peramalan akan melibatkan mengambil data historis (seperti penjualan tahun lalu) dan memproyeksikan mereka ke masa yang akan datang dengan model matematika. Mungkin akan menjadi prediksi yang bersifat subjektif atau intuitif (misalnya, “ini adalah produk baru yang hebat dan akan terjual sebanyak 20% lebih banyak daripada yang telah ada”). Mungkin akan didasarkan pada data yang didorong oleh permintaan, misalnya rencana konsumen untuk membeli dan memproyeksikan mereka ke masa yang akan datang. Atau peramalan akan melibatkan kombinasi dari keduanya, yang mana, model matematika disesuaikan dengan pertimbangan yang baik dari manajer. Peramalan dapat dipengaruhi oleh posisi produk dalam siklus hidupnya, apakah penjualan berada pada tahap perkenalan, pertumbuhan, kedewasaan, atau penurunan. Produk lainnya dapat dipengaruhi oleh permintaan atas produk yang terkait, sebagai contoh sistem navigasi dapat menelusuri dengan penjualan mobil baru. Beberapa bisnis, namun, dapat mengusahakan untuk menghindari proses peramalan hanya dengan menunggu untuk melihat apa yang terjadi dan kemudian mengambil peluang mereka. Perencanaan yang efektif baik dalam jangka pendek dan jangka panjang bergantung pada peramalan permintaan atas produk perusahaan. Peramalan Horizon Waktu Peramalan biasanya diklasifikasikan dengan horizon waktu pada masa mendatang yang melingkupinya. Horizon waktu dibagi dalam tiga kategori sebagai berikut : 1. Peramalan jangka pendek : Peramalan ini memiliki rentang waktu sampai dengan 1 tahun, tetapi umumnya kurang dari 3 bulan. Digunakan untuk perencanaan pembelian, penjadwalan pekerjaan, level angkatan kerja, penugasan pekerjaan, dan level produksi.
- 2. 2. Peramalan jangka menengah : Kisaran menengah, atau intermediate, peramalan umunya rentang waktu dari 3 bulan hingga 3 tahun. Berguna dalam perencanaan penjualan, perencanaan produksi dan penganggaran, penganggarann uang kas, dan analisis variasi rencana operasional. 3. Peramalan jangka panjang : umumnya 3 tahun atau lebih dalam rentang waktunya, peramalan jangka panjang digunakan dalam perencanaan untuk produk baru, pengeluaran modal, lokasi tempat fasilitas atau perluasan, dan penelitian serta pengembangan. Peramalan dalam jangka menengah dan panjang ditentukan dari peramalan jangka pendek dengan 3 fitur berikut : 1. Pertama, peramalan jangka menengah dan panjang yang berhubungan dengan permasalahan yang lebih komprehensif yang mendukung keputusan manajemen mengenai perencanaan produk, pabrik, dan proses. 2. Kedua, peramalan dalam jangka pendek biasanya menjalankan metodologi yang berbeda daripada peramalan jangka panjang. 3. Terakhir, seperti yang Anda harapkan, peramalan dalam jangka pendek cenderung lebih akurat daripada peramalan dalam jangka yang lebih panjang. Faktor-faktor yang mempengaruhi permintaan dapat berubah setiap harinya. Bahkan, sebagaimana horizon waktu yang semakin panjang, mungkin keakuratan dari peramalan akan berkurang. Tipe Peramalan Organisasi menggunakan tiga tipe peramalan utama dalam merencanakan operasional untuk masa mendatang : 1. Peramalan ekonomi (economic forecasts) menangani siklus bisnis dengan memprediksikan tingkat inflasi, uang yang beredar, mulai pembangunan perumahan, dan indicator perencanaan lainnya. 2. Peramalan teknologi (technological forecasts) berkaitan dengan tingkat perkembangan teknologi, dimana dapat menghasilkan terciptanya produk baru yang lebih menarik, yang memerlukan pabrik dan perlengkapan yang baru.
- 3. 3. Peramalan permintaan (demand forecasts) adalah proyeksi atas permintaan untuk produk atau jasa dari perusahaan. Peramalan mendorong keputusan sehingga para manajer memerlukan informasi dengan segera dan akurat mengenai permintaan yang sesungguhnya. Peramalan ekonomi dan teknologi merupakan teknik khusus yang akan berada diluar peranan manajer operasional. Pentingnya Strategi Terhadap Peramalan Peramalan yang baik adalah sangat penting dalam seluruh aspek bisnis : Peramalan hanya merupakan estimasi atas permintaan hingga permintaan actual menjadi diketahui. Peramalan permintaan oleh karenanya akan mendorong keputusan dalam banyak area. Dampak dari peramalan permintaan produk pada tiga aktivitas : 1. Manajemen Rantai Pasokan Hubungan yang baik dengan pemasok dan menjamin keunggulan dalam inovasi produk, biaya, dan kecepatan pada pangsa pasar bergantung pada peramalan yang akurat. Contoh : Apple telah membangun sistem global yang efektif dimana dia mengendalikan hampir setiap hal dari rantai pasokan, dari desain produk hingga gerai pengecer. Dengan data akurat dan komunikasi cepat yang dibagikan keatas dan kebawah rantai pasokan, inovasi dikembangkan, biaya persediaan diturunkan, dan kecepatan pada pangsa pasar ditingkatkan. Ketika produk dijual, apple menelusuri permintaan selama sejam untuk tiap-tiap gerai dan menyesuaikan peramalan produk setiap hari. Pada apple, peramalan untuk rantai pasokannya merupakan senjata yang strategis. 2. Sumber Daya Manusia Perekrutan, pelatihan, dan penempatan pekerja semuanya bergantung pada permintaan yang diantisipasi. Jika departemen sumber daya manusia harus merekrut pekerja tambahan tanpa pengetahuan, jumlah pelatihan akan menurun dan kualitas para pekerja akan menurun pula. 3. Kapasitas Ketika kapasitas tidak memadai, menghasilkan kekurangan yang dapat mengarahkan pada kehilangan para konsumen dan pangsa pasar. Pada sisi lainnya, ketika kelebihan dalam kapasitas terjadi, biaya dapat melambung tinggi.
- 4. Tujuh Langkah dalam Sistem Peramalan Peramalan mengikuti tujuh langkah dasar. Kita menggunakan Disney World, yang menjadi fokus pada bab ini, yaitu Profil Perusahaan Global, sebagai contoh untuk masing-masing langkah berikut : 1. Menentukan penggunan dari peramalan 2. Memilih barang yang akan diramalkan 3. Menentukan horizon waktu dari peramalan 4. Memilih model peramalan 5. Mengumpulkan data yang diperlukan untuk membuat peramalan 6. Membuat peramalan 7. Memvalidasi dan mengimplementasikan hasilnya Tujuh langkah ini menyajikan cara yang sistematis untuk memulai, merancang, dan mengimplementasikan sistem peramalan. Ketika sistem digunakan untuk menghasilkan peramalan secara teratur atas waktu, data harus dikumpulkan rutin. Kemudian, perhitungan actual biasanya dibuat dengan computer. Disamping sistem perusahaan seperti Disney gunakan, tiap perusahaan menghadapi beberapa kenyataan sebagai berikut : - Faktor diluar yang tidak dapat kita prediksikan atau kendalikan sering kali mempengaruhi peramalan. - Sebagian besar teknik peramalan mengasumsikan bahwa terdapat beberapa stabilitas yang mendasar didalam sistem. Konsekuensinya, beberapa perusahaan mengotomisasi prediksi mereka dengan menggunakanperangkat lunak peramalan yang terkomputerisasi, kemudian memonitor hanya produk barang yang memiliki permintaan tidak menentu. - Baik produk keluarga maupun peramalan yang menyeluruh lebih akurat daripada peramalan produk individual Pendekatan Peramalan Terdapat dua pendekatan umum untuk peramalan, hanya terdapat du acara untuk mengatasi seluruh permodelan keputussan. Salah satu adalah analisis kuantitatif; yang satunya lagi adalah pendekatan kualitatif. Peramalan kuantitatif (quantitative forecasts) menggunakan bermacam- macam model matematika yang bergantung pada data historis dan/atau variabel asosiatif untuk
- 5. meramalkan permintaan. Subjektif atau peramalan kualitatif (qualitative forecasts) menggabungkan faktor-faktor, misalnya intuisi dari si pengemabil keputusan, emosi, pengalaman pribadi, dan sistem nilai dalam mencapai peramalan. Beberapa perusahaan menggunakan salah satu pendekatan dan beberapa menggunakan lainnya. Dalam praktiknya, kombinasi dari keduanya biasanya yang paling efektif. Ikhtisar Metode Kualitatif Dalam bagian ini, kami mempertimbangkan empat teknik peramalan kualitatif yang berbeda : 1. Opini dari dewan eksekutif (jury of executive opinion) : Berdasarkan pada metode ini, opini dari sekelompok para ahli yang mumpuni atau manajer, sering kali dikombinasikan dengan model statistik, dikumpulkan untuk memperoleh sekumpulan estimasi permintaan. 2. Metode Delphi (Delphi method) : terdapat tiga jenis partisipan yang berbeda dalam metode Delphi : si pengambil keputusan, staf personalia, dan para responden. 3. Gabungan karyawan bagian penjualan (sales force composite) : Dalam pendekatan ini, masing- masing karyawan bagian penjualan mengestimasi penjualan apa yang ada didalam kawasan mereka. Peramalan ini kemudian ditinjau ulang untuk memastikan bahwa mereka realistis. Kemudian, mereka dikombinasikan pada tingkat distrik dan nasional untuk mencapai keseluruhan peramalan. 4. Survei pasar (market survey). Metode ini mengumpulkan input dari para konsumen atau konsumen yang potensial mengenai rencana pembelian pada masa mendatang. Hal ini dapat membantu bukan hanya dalam mempersiapkan peramalan, tetapi juga dalam meningkatkan desain produk dan perencanaan untuk produk baru. Ikhtisar Metode Kuantitatif Dalam bagian ini, terdapat lima teknik untuk metode kuantitatif , dimana semua digunakan untuk data historis. Teknik ini dibagi menjadi dua kategori : 1. Pendekatan awam 2. Pergerakan rata-rata 3. Penghalusan eksponensial 4. Proyeksi kecenderungan Time-series models
- 6. 5. Regresi garis } Associative models Time-series models adalah teknik peramalan yang digunakan untuk peramalan dengan mengunakan jenis data lampau. Associative models, seperti regresi garis, menggabungkan variabel atau faktor yang mungkin mempengaruhi kuantitas menjadi peramalan. Peramalan Time-series Runtun waktu didasarkan pada urutan poin data yang ditempatkan secara merata (mingguan, bulanan, kuartalan, dan lainnya). Data peramalan runtun waktu mengimplikasikan bahwa nilai masa mendatang diprediksikan hanya dari nilai masa yang lalu dan variable lainnya, tidak perduli seberapa bernilainya secara potensial, akan diabaikan. Penguraian dari Runtun Waktu Runtun waktu memiliki empat komponen sebagai berikut : 1. Kecenderungan adalah pergerakan data secara bertahap keatas atau kebawah selama bertahun- tahun. Perubahan dalam pendapatan, distribusi umur, atau pandangan budaya yang mempertanggungjawabkan pergerakan dalam kecenderungan. 2. Musiman adalah pola data yang mengulang dengan sendirinya setelah satu periode hari, minggu, bulan, atau kuartalan. Terdapat enam pola musiman secara umum. 3. Siklus adalah pola data dalam data yang terjadi setiap beberapa tahun. Mereka biasanya diikat kedalam siklus bisnis dan sangat penting dalam analisis bisnis sangat sulit karena mereka dipengaruhi oleh peristiwa politik atau oleh kerusuhan internasional. 4. Variasi secara acak adalah “blip” didalam data yang disebabkan oleh adanya peluang dan situasi yang tidak seperti biasanya. Mereka mengikuti pola yang tidak dapat dilihat, sehingga mereka tidak dapat diprediksikan.
- 7. Pendekatan Awam Cara paling sederhana unutk mengamsusikan bahwa permintaan untuk periode selanjutnya akan setara dengan permintaan dalam periode yang paling baru. Pendekatan awam (naïve approach) adalah model peramalan yang paling efektif dalam biaya dan tujuan yang efisien. Setidaknya model ini menyediakan poin permulaan dimana merupakan model yang paling canggih yang kemudian dapat dibandingkan. Pergerakan Rata-rata Peramalan pergerakan rata-rata (moving averages) menggunakan sejumlah nilai data aktual historis untuk menghasilkan peramalan. Pergerakan rata-rata bermafaat jika kita dapat mengasumsikan bahwa permintaan pasar akan tetap kokoh secara wajar selama bertahun-tahun. Secara sistematis, pergerakan rata-rata yang sederhana (yang berfungsi sebai estimasi permintaan periode berikutnya) diuraikan sebagai berikut : ∑ permintaan dalam periode n sebelumnya n dimana n adalah jumlah periode dalam pergerakan rata-rata sebagai contoh 4,5, atau 6 bulan, masing-masing untuk 4-,5-, atau 6- periode pergerakan rata-rata. Pergerakan rata-rata bobot dapat diuraikan secara sistematis sebagai berikut : ∑ ((bobot untuk periode n) Permintaan dalam periode n)) ∑ bobot Pergerakan rata – rata = Pergerakan = rata – rata bobot
- 8. Baik pergerakan rata-rata yang sederhana dan bobot, keduanya adalah efektif dalam melancarkan fluktuasi mendadak dalam pola permintaan untuk menyediakan estimasi yang stabil. Pergerakan rata-rata, namun, menyajikan tiga permasalahan : 1. Meningkatkan ukuran n (jumlah periode rata-rata) yang melancarkan fluktasi dengan lebih baik, tetapi membuat metode menjadi sedikit sensitif pada perubahan dalam data. 2. Pergerakan rata-rata tidak dapat mengambil kecenderungan dengan sangat bagus. 3. Pergerakan rata-rata memerlukan catatan data masa sebelumnya yang ekstensif Penghalusan Eksponensial Penghalusan eksponensial adalah metode peramalan pergerakan rata-rata bobot lainnya. Ini melibatkan sangat sedikit catatan yang mempertahankan data masa sebelumnya dan mudah untuk digunakan secara wajar. Peramalan baru = Dimana α adalah bobot, atau penghalusan konstan, dipilih oleh peramal, yang memiliki nilai lebih tinggi daripada atau setara dengan 0 dan kurang dari atau setara dengan 1. Ft = Ft-1 + α (At-1 – Ft-1) Dimana Ft = peramalan baru Ft-1 peramalan periode sebelumnya α penghalusan atau bobot konstan (0 ≤ = α = < = 1) At-1 permintaan aktual periode sebelumnya Memilih penghalusan konstan. Dalam mengambil nilai untuk penghalusan konstan, tujuannya adalah untuk memperoleh peramalan yang sangat akurat. Mengukur Kesalahan Peramalan Kesalah peramalan (atau deviasi) didefinisikan sebagai berikut : Kesalahan Peramalan = Permintaan Aktual – Nilai Peramalan = At - Ft Peramalan periode sebelumnya + α (permintaan actual periode sebelumnya – Permintaan periode sebelumnya)
- 9. Tiga ukuran yang paling terkenal adalah 1. Deviasi rata-rata yang absolut Ukuran pertama atas keseluruhan dalam kesalahan peramalan untuk model adalah deviasi rata- rata yang absolut (mean absolute diviation - MAD). Nilai ini dihitung dengan mengambil jumlah nilai absolut kesalahan peramalan individual (deviasi) dan membaginya dengan jumlah periode data (n) : ∑ |Aktual – Permintaan| n 2. Kesalahan rata-rata yang dikuadratkan (mean squared error - MSE) MSE adalah cara kedua untuk mengukur keseluruhan dalam kesalahan peramalan. MSE adalah rata-rata perbedaan yang dikuadratkan diantara nilai yang diramalkan dengan yang diamati. ∑ |Kesalahan Peramalan|2 n Suatu kelemahan dalam menggunakan MSE adalah bahwa dia cenderung untuk menonjolkan deviasi yang besar sehubungan dengan istilah digandakan. Oleh karena itu, menggunakan MSE sebagai ukuran atas kesalahan peramalan yang umumnya mengindikasikan bahwa kita lebih menyukai memiliki beberapa deviasi yang lebih kecil daripada hanya 1 deviasi, tetapi besar. 3. Kesalahan presentase rata-rata yang absolut (mean absolute percent error - MAPE) Dihitung sebagai perbedaan rata-rata yang absolut antara nilai yang diramalkan dengan aktualnya, dicerminkan sebagai presentase nilai actual. Hal ini, jika kita memiliki nilai yang diramalkan dan actual untuk periode n, MAPE dihitung dengan : ∑ 100𝑛 𝑖=1 |Aktuali – Peramalani| / Aktuali n Penghalusan Eksponensial dan Penyusaian Kecenderungan Dengan penghalusan eksponensial yang menyesuaikan dengan kecenderungan, estimasi untuk, baik rata-rata maupun kecenderungan dihaluskan. Prosedur ini mensyaratkan dua penghalusan konstan α untuk rata-rata dan β untuk kecenderungan. Kemudian, kita menghitung rata-rata dan kecenderungan tiap periode : Ft = α (Permintaan actual tiap periode sebelumnya) + (1-α) (Peramalan periode sebelumnya + Estimasi kecenderungan periode sebelumnya) MAD = MAD = MAPE =
- 10. Atau Ft = α (At-1) + (1-α) (Ft-1 + Tt-1) Tt = β (Peramalan periode ini – Peramalan periode sebelumnya) + (1-β) (Estimasi kecenderungan periode sebelumnya) Atau Tt = β (Ft-Ft-1) + (1-β) Tt-1 Dimana Ft = rata-rata peramalan yang dihaluskan secara eksponensial terhadap serangkaian data dalam periode t. Tt = kecenderungan yang dihaluskan secara eksponensial dalam periode t At = permintaan actual dalam periode t α = penghalusan konstan untuk rata-rata (0 < = α < = 1) β = penghalusan konstan untuk kecenderungan (0 < = β < = 1) Nilai dari penghalusan konstan yang mengikuti kencenderungan, β, menyerupai α konstan karena β yang lebih besar responsive terhadap perubahan baru dalam kencederungan. Nilai β yang rendah memberikan bobot yang sedikit dengan kecenderungan yang paling baru dan cenderung rata untuk meratakan kecenderungan yang telah ada. Nilai β dapat ditemukan dengan pendekatan coba dan ralat (coba-coba) atau dengan menggunakan perangkat lunk peramalan komersial yang canggih, dengan MAD yang digunakan sebagai ukuran perbadingan. Penghalusan eksponensial yang sederhana sering kali disebut sebagai penghalusan urutan pertama (first-order smoothing). Model penghalusan eksponensial yang lebih canggih lainnya juga dipergunkan, meliputi yang disesuaikan dengan musiman dan penghalusan tiga kali (triple smoothing). Proyeksi Kecenderungan Metode peramalan runtun waktu sebelumnya (time-series forecasting method) yang akan kita bahas adalah proyeksi kecenderungan (trend projection). Teknik ini menyesuaikan kecenderungan dengan rangkaian poin data historis dan kemudian, memproyeksikan kemiringan garis kedalam peramalan masa mendatang atau dalam jangka menengah hingga jangka panjang.
- 11. Variasi Musiman dalam Data Variasi musiman dalam data adalah pergerakan secara teratur dalam rangkaian data yang terkait dengan kejadian yang berulang, misalnya cuaca atau hari libur. Hal yang sama, memahami variasi musiman sangat penting untuk perencanaan kapasitas dalam organisasi yang menangani lonjakan muatan barang. Dalam apa yang disebut dengan model musiman perkalian, factor musiman dikalikan dengan estimasi rata-rata permintaan untuk memproduksi peramalan musiman. Variasi Siklus pada Data Siklus (cycles) seperti variasi musiman pada data, tetapi terjadi setiap beberapa tahun, bukan minggu, bulan, atau kuartal. Peramalan variasi siklus dalam runtun waktu sulit dilakukan. Hal ini disebabkan oleh siklus meliputi bermacam-macam faktor yang menyebabkan ekonomi bergerak dari resesi menuju perluasan menuju ke resesi selama bertahun-tahun.faktor-faktor ini meliputi atas ekspansi secara nasional maupun negara dalam waktu euphoria dan penyusutan perhatian. Metode Peramalan Asosiatif : Analisis Regresi dan Korelasi Tidak seperti peramalan runtun waktu, model peramalan asosiatif biasanya mempertimbangkan beberapa variable yang terkait dengan kuantitas yang akan diprediksikan. Ketika variable yang terkait ini telah diketahui, model statistika akan dibuat dan digunakan untuk meramalkan barang menarik. Pendekatan ini lebih kuat daripada metode runtun waktu yang hanya menggunakan nilai historis untuk peramalan variable. Metode peramalan asosiatif kuantitatif yang sangat banyak digunakan adalah analilis regresri linear (linear-regression analysis). Penggunaan Analisis Regresi untuk Peramalan Kita dapat menggunakan model matematika yang sama yang kita terapkan dalam metode kuadrat kecil atas proyeksi kecenderungan untuk membuat analisis regresi linear. Variabel yang dependen yang akan kita ramalkan tetap adalah ŷ. Akan tetapi, sekarang variabel independen, x, tidak lagi waktu. Kita menggunakan persamaan : ŷ = a + bx
- 12. Dimana : ŷ = nilai dari variabel dependen a = perpotongan sumbu y b = kemiringan garis regresi x = variabel independen Standar Kesalahan dari Estimasi Untuk mengukur keakuratan dari estimasi regresi, kita harus menghitung standar kesalahan dari estimasi, Sy,x. Perhitungan ini dinamakan dengan standar deviasi dari regresi. Ini mengukur kesalahan dari variabel yang dependen, y, terhadap regresi, bukan terhadap rata-rata. Persamaan merupakan gambaran yang mirip dengan yang ditemukan pada sebagian besar buku statistik untuk menghitung standar deviasi dari rata-rata aritmatika : Dimana : y = nilai y tiap-tiap poin data yc = nilai variabel dependen yang hiutng, dari persamaan regresi n = jumlah poin data Koefesien Korelasi untuk Garis Regresi Persamaan regresi adalah salah satu cara untuk menggambarkan sifat dari hubungan di antara dua variabel. Garis regresi bukan berhubungan dengan “sebab dan akibat”. Mereka menggambarkan hubungan diantara variabel-variabel. Persamaan regresi menunjukan bagaimana salah satu variabel terkait dengan nilai dan perubahan dalam variabel lainnya. Cara lainnya unruk mengevaluasi hubungan diantara dua variabel adalah dengan menghitung koefisian terhadap korelasi. Ukuran ini mencerminkan derajat atau kekuatan hubungan linear. Untuk menghitung r, kita menggunakan banyak data yang sama yang diperlukan lebih awal untuk menghitung a dan b untuk garis regresi. Persamaan yang lebih panjang untuk r adalah :
- 13. Analisis Regresi Multipel Regresi multipel adalah perluasan praktis dari model regresi sederhana yang baru saja kita pelajari. Ini memungkinkan kita untuk membangun model dengan beberapa variable independen bukan hanya satu variabel. Sebagai contoh, jika Nodel Construction memasukkan rata-rata tingkat bunga tahunan dalam modelnya untuk meramalkan penjualan renovasi,maka persamaan yang tepat akan menjadi sebagai berikut : ŷ = a + b1x1 + b2x2 dimana : y = variabel dependen a = a konstan, perpotongan y x1 dan x2 = nilai dari dua variabel independen, area sistem penggajian dan tingkat bunga, masing –masing b1 dan b2 = koefisien untuk dua variabel independen Pengawasan dan Pengendalian Peramalan Salah satu cara untuk memonitor peramalan untuk memastikan bahwa mereka berjalan dengan baik adalah dengan menggunakan sinyal penelusuran. Sinyal penelusuran adalah pengukuran mengenai seberapa baiknya peramlaan dalam memprediksikan nilai aktualnya. Sinyal penelusuran akan dihitung sebagai kumulatif kesalahan dibagi dengan rata-rata deviasi yang absolut (MAD), yaitu : Kesalahan Kumulatif MAD ∑(Permintaan aktual dalam periode i – peramalan permintaan dalam periode i) MAD dimana ∑(Aktual – Peramalan) N Sinyal penelusuran yang positif mengindikasikan bahwa permintaan lebih besar daripada peramalan. Sinyal negatif berarti bahwa permintaan lebih sedikit daripada peramalan. Sinyal Sinyal Penelusuran = = MAD =
- 14. penelurusan yang baik, salah satu kumulatif yang rendah memiliki sebanyak mungkin kesalahan yang positif daripada kesalahan yang negatif. Penghalusan Adaptif Peramalan adaptif mengacu pada computer yang memonitor sinyal penelurusan dan menyusaikan diri jika sinyal melewati limit yang telah ditetapkan. Misalny, ketika diterapkan pada penghalusan eksponensial, koefisien α dan β yang pertama dipilih pada nilai basis yang meminimalkan kesalahan peramalan dan kemudian disesuaikan menurut kapan pun computer mencatat sinyal penelusuran yang menyimpang. Proses ini disebut penghalusan adaptif (adaptive smoothing). Peramalan Fokus Peramalan fokus didasarkan pada dua prinsip berikut : 1. Model peramalan yang canggih yang tidak selalu lebih baik daripada yang sederhana 2. Tidak terdapat teknik tunggal yang akan digunakan untuk seluruh produk atau jasa Peramalan dalam Sektor Jasa Peramalan dalam sector jasa menyajikan beberapa tantangan yang tidak biasa. Teknik utama dalam sector ritel adalah menelusuri permintaan dengan mempertahankan laporan catatan dalam jangka pendek yang baik. Toko Ritel Khusus. Tempat fasilitas ritel khusus, misalnya took bunga, mungkin memiliki pola permintaan yang tidak biasa lainnya, dan pola tersebut akan berbeda tergantung pada hari libur. Restoran Cepat Saji. Restoran cepat saji sangat berhati-hati bukan hanya mingguan, harian, dan jam, tetapi bahkan 15 menit variasi dalam permintaan yang mempengaruhi penjualan. Oleh karena itu, peramalan permintaan yang terperinci diperlukan.