Peramalan peramalan teknik peramalan do the following

Metode Peramalan Lanjutkan membaca. Semua bisnis dihadapkan pada masalah umum karena harus membuat keputusan dalam kondisi ketidakpastian. Manajemen harus memahami sifat permintaan dan persaingan untuk mengembangkan rencana bisnis yang realistis, menentukan visi strategis untuk organisasi, dan menentukan kebutuhan teknologi dan infrastruktur. Untuk mengatasi tantangan ini, peramalan digunakan. Menurut Makridakis (1989), meramalkan kejadian masa depan dapat dicirikan sebagai pencarian jawaban atas satu atau beberapa pertanyaan berikut: X Kekuatan ekonomi, teknis, atau sosiologis yang baru adalah organisasi yang akan dihadapi dalam jangka panjang dan dekat. X Bila kekuatan ini dapat mempengaruhi lingkungan objektif perusahaan X Siapa yang cenderung menjadi yang pertama untuk menyesuaikan diri dengan setiap tantangan persaingan X Berapa banyak perubahan yang harus diantisipasi perusahaan baik dalam jangka pendek dan jangka panjang Dalam makalah ini, saya akan memberikan ikhtisar tentang Metode peramalan dan membandingkan dan membedakan berbagai metode ini. Makalah ini kemudian akan berfokus pada bagaimana Mattel, salah satu produsen mainan terbesar di negara itu, menggunakan peramalan permintaan di bawah kondisi ketidakpastian V yang paling spesifik terkait dengan pola dan tingkat di mana pelanggan meminta produk. Apa Peramalan Dalam Manajemen Operasi, peramalan permintaan didefinisikan sebagai proses bisnis yang mencoba memperkirakan penjualan dan penggunaan produk sehingga dapat dibeli, ditebar, atau diproduksi dalam jumlah yang tepat di awal untuk mendukung aktivitas penambahan nilai perusahaan. Ross, 1995). Peramalan adalah proses yang mengubah data deret waktu historis dan dan penilaian kualitatif menjadi pernyataan tentang kejadian masa depan. Proses ini dapat menghasilkan proyeksi kualitatif atau subyektif. Perhatikan bahwa tidak ada proses peramalan yang secara konsisten dapat memberikan perkiraan yang sempurna. Setiap perkiraan yang memperkirakan dengan sempurna kejadian selanjutnya harus menimbulkan kekhawatiran, karena ini mungkin menunjukkan ketidakjelasan seperti memasak buku atau melaporkan data kinerja yang menunjukkan kesesuaian dengan rencana versus kejadian aktual (Makridakis, 1989). Metode Peramalan Ada empat tipe dasar metode peramalan: analisis kualitatif, analisis deret waktu, hubungan kausal, dan simulasi. Teknik Kualitatif Teknik kualitatif bersifat subjektif atau menghakimi dan berdasarkan perkiraan dan pendapat (Chase, 2005). Perkiraan ini mencerminkan penilaian atau pendapat masyarakat dan menyarankan kondisi yang mungkin terjadi, seperti opini masyarakat tentang apakah akan hujan hari ini. Prakiraan ini lebih disukai bila ada keinginan untuk melibatkan individu dalam organisasi dengan proses bisnis utama. Perangkap potensial dari teknik ini adalah beberapa individu mendasarkan penilaian mereka pada kejadian masa depan pada data historis, yang mungkin tidak menyediakan pola permintaan yang relevan yang cukup stabil untuk menjamin penggunaannya untuk meramalkan kejadian di masa depan. Bagaimana Mengutip Halaman ini MLA Citation: Metode Peramalan. 123HelpMe. 25 Feb 2017 lt123HelpMeview. aspid165095gt. Selain itu, muncul pola permintaan mungkin terlalu tidak stabil untuk pendekatan numerik. Akibatnya, pengetahuan yang mendalam tentang pasar harus menjadi sumber data pilihan. Ada banyak pendekatan kualitatif untuk menuntut peramalan, berikut adalah beberapa pendekatan yang lebih umum: Peramalan Akar Rumput X mencari masukan dari orang-orang di tingkat organisasi yang memberi mereka kontak terbaik dengan acara yang sedang diteliti (Chase, 2005). Teknik ini dapat terdiri dari melakukan studi pemasaran perwakilan penjualan untuk pembacaan mereka mengenai kondisi pasar saat ini. Kesalahan potensial dengan alat ini adalah bahwa hal itu tunduk pada perspektif jangka pendek dari sumbernya. Sumber data mungkin terlalu terpengaruh oleh kejadian baru-baru ini. Misalnya, orang penjualan yang telah memiliki hari yang baik dapat memberikan perkiraan terlalu optimis untuk masa depan yang tidak secara akurat mewakili kondisi pasar secara keseluruhan. X Historical Analogy: Peramalan berdasarkan analogi sejarah mengeksplorasi kemungkinan bahwa kejadian masa lalu dapat memberikan wawasan tentang prediksi peristiwa terkait di masa depan. Metode ini menghubungkan apa yang saat ini diprediksi dengan item serupa (Chase, 2005). Misalnya, memanfaatkan pola penjualan televisi hitam putih untuk meramalkan penjualan televisi berwarna. Para ekonom menyampaikan model peramalan jenis ini untuk meramalkan siklus bisnis dan perkembangan terkait. Metode ini bisa terbukti tidak akurat jika kekuatan yang melaju melewati acara sudah tidak ada lagi. Peramalan Riset Pasar: Metode peramalan ini mengumpulkan data dengan berbagai cara seperti survei, wawancara dan kelompok fokus untuk mengevaluasi pola pembelian dan sikap pembeli potensial dan baik saat ini maupun yang potensial. Perancang barang dan jasa menggunakan metode ini untuk memahami pelanggan mereka saat ini dan pembeli yang ingin mereka layani. Metode X Dlephi: Metode Delphi menyusun perkiraan melalui tanggapan sekuensial dan independen oleh sekelompok ahli untuk serangkaian kuesioner. Peramal menyusun dan menganalisis masukan responden dan mengembangkan kuesioner baru untuk kelompok pakar yang sama. Urutan ini bekerja menuju konsensus yang mencerminkan masukan dari semua pakar sambil mencegah seseorang dari mendominasi proses (Chase, 2005). Teknik Kuantitatif Teknik peramalan kuantitatif mengubah input dalam bentuk data numerik menjadi prakiraan menggunakan metode dalam satu dari tiga kategori. Setiap kategori metode peramalan kuantitatif mengasumsikan bahwa kejadian masa lalu memberikan dasar yang sangat baik untuk meningkatkan pemahaman tentang kemungkinan hasil di masa depan. Analisis Seri Waktu X: Analisis deret waktu didasarkan pada premis bahwa data yang berkaitan dengan permintaan atau kinerja masa lalu dapat digunakan untuk memprediksi permintaan masa depan. Contoh metode ini meliputi: a. Simple moving average, dimana suatu periode waktu mengandung sejumlah titik data jika dirata-ratakan dengan membagi jumlah nilai titik dengan jumlah titik. B. Analisis regresi, dimana rata-rata hubungan antara variabel dependen, penjualan misalnya, dan satu atau lebih variabel dependen, harga atau iklan misalnya, diperkirakan dengan memasang garis lurus ke data masa lalu untuk menghubungkan nilai data dengan waktu. C. Proyeksi tren, teknik peramalan yang bergantung terutama pada data deret waktu historis untuk memprediksi masa depan. Metode ini melibatkan pemasangan garis tren matematika ke titik data dan kemudian memproyeksikannya ke masa depan. X Causal Studies: Studi kausal mencari hubungan kausal antara variabel terkemuka dan variabel yang diperkirakan. Metode ini mencoba memahami sistem yang mendasari dan seputar item yang diperkirakan seperti pengaruh iklan, kualitas dan persaingan penjualan (Chase, 2005). Model Matematika atau Simulasi: Model simulasi adalah model bagaimana jika mencoba mensimulasikan efek dari kebijakan dan asumsi manajemen alternatif mengenai lingkungan eksternal perusahaan. Mereka mencoba untuk mewakili perilaku masa lalu dalam hubungan matematika yang valid dan kemudian mengubah data tersebut untuk memproyeksikan kejadian di masa depan. Sebagian besar model keuangan adalah model simulasi. Model ini efektif dalam melakukan berbagai analisis jika-jika membantu manajemen dalam menentukan tindakan terbaik untuk perusahaan. Kemajuan teknologi di komputer telah memungkinkan semakin banyak perusahaan membangun dan memanfaatkan pemodelan untuk perencanaan dan upaya pengambilan keputusan (Chase, 2005). Mattel dan Demand Forecasting Dengan musim liburan di atas kita, banyak anak cemas menunggu kemunculan mainan panas musim panas ini di bawah pohon natal. Setiap tahun, pembuat mainan seperti Mattel harus membuat serangkaian keputusan penting yang akan mengatur jalannya kinerja ekonomi perusahaan mereka. Beberapa bulan sebelum kedatangan musim Natal, Mattel harus memutuskan mainan mana yang kemungkinan akan menjadi panas dan mana yang akan menjadi anjing. Mereka harus dengan hati-hati menyeimbangkan pasokan mainan panas ini dengan permintaan konsumen atau mereka akan menghadapi pelanggan yang tidak bahagia atau lebih buruk lagi, terjebak dengan barang bergerak yang lamban. Ini bukan tugas yang mudah mengingat manufaktur dan distribusi yang panjang memimpin industri manufaktur mainan. Untuk memenuhi permintaan konsumen akan musim liburan saat ini, produsen mainan harus meningkatkan produksi pada pertengahan tahun untuk memastikan bahwa mereka memiliki cukup banyak mainan terlaris dan beberapa penggerak lambat (Pereira, 2005). Kesenjangan besar dalam persamaan ini disajikan oleh fakta bahwa banyak orang dewasa benar-benar tidak mengerti apa yang akan diinginkan anak pada saat Natal tiba. Berbicara dari pengalaman pribadi, anak-anak saya menginginkan setiap mainan yang mereka lihat diiklankan di televisi antara bulan September dan Natal untuk muncul di bawah pohon mereka. Sayangnya, nilai orang dewasa apa yang tidak ada hubungannya dengan permintaan anak-anak. Sementara orang dewasa mungkin merasa bahwa bola dunia yang diterangi yang juga berbicara, Anda adalah mainan pendidikan yang sangat keren, anak-anak cenderung bersandar pada Tickle Me Elmo. Untuk menjembatani kesenjangan ini, Mattel memanfaatkan riset pasar untuk memprediksi mainan mana yang akan menjadi pemenangnya. Setiap tahun, Mattel mengajukan produk baru mereka untuk dievaluasi oleh konsumen utama V anak-anak. Dengan menggunakan proses dua tahap, mainan dievaluasi untuk banding mereka ke pasar sasaran. Tahap pertama dari proses ini melibatkan pemilihan campuran spesifik dari 100 anak dari pusat penitipan anak untuk mengevaluasi mainan baru. Anak-anak dibagi menjadi kelompok fokus dengan perwakilan yang sama dari mereka yang menyukai tokoh aksi, permainan papan, mainan konstruksi, boneka, dan seni dan kerajinan. (Pereira, 1997). Pada bulan Juni, anak-anak disurvei dan diminta untuk menilai tiga pilihan teratas mereka dari antara mainan yang disajikan di setiap kategori. Pada akhir Juni, kelompok fokus mengurangi 380 mainan yang diajukan ke koleksi 63 finalis V tiga besar di masing-masing dari 21 kategori. Pada tahap kedua, mainan finalis dikirim ke Pusat Pembelajaran KinderCare di seluruh negeri di mana guru yang terlatih khusus mengamati mainan mana yang disukai anak-anak dan memberi suara rahasia pada daftar favorit mereka (Pereira, 1997). Saya tahu berusia tiga tahun dan lima tahun yang sangat ingin menjadi bagian dari kelompok fokus ini Kesimpulan Jelaslah bahwa peramalan permintaan adalah bagian seni dan sains seni. Ini dimulai dengan pemahaman tentang kebutuhan pengambilan keputusan organisasi dan melanjutkan studi data untuk menentukan bagaimana alat peramalan terbaik dapat dikembangkan untuk melayani kebutuhan bisnis organisasi. Setiap bagian analisis menciptakan informasi baru, menambahkan kekayaan dan kedalaman ke keseluruhan proses berpikir bisnis. Referensi Chase, R. et al. (2005). Manajemen Operasi untuk Keunggulan Kompetitif, edisi ke-11. Perusahaan McGraw-Hill: New York. Makridakis, S. et al. (1998). Metode Peramalan dan Aplikasi, edisi ke-5. John Wiley Sons: New York. Pereira, J. (1997). Bagi anak-anak muda ini, Mencoba Mainan adalah Bermain Anak-Anak dengan Tidak Mudah. Wall Street Journal, 121797. Ross, D. (1995). Perencanaan dan Pengendalian Distribusi. Chapman Hall: New York. FORECASTING Faktor Musiman - persentase permintaan kuartalan rata-rata yang terjadi di setiap kuartal. Prakiraan tahunan untuk tahun ke 4 diprediksi akan mencapai 400 unit. Perkiraan rata-rata per kuartal adalah 4004 100 unit. Prakiraan Triwulanan rata-rata Ramalan faktor musiman METODE PERAMALAN PENYEBAB Metode peramalan kausal didasarkan pada hubungan yang diketahui atau dirasakan antara faktor yang akan diprediksi dan faktor eksternal atau internal lainnya 1. regresi: persamaan matematis menghubungkan variabel dependen dengan satu atau lebih variabel independen yang diyakini mempengaruhi variabel dependen. 2. Model ekonometrik: sistem persamaan regresi interdependen yang menggambarkan beberapa sektor kegiatan ekonomi 3. Model input-output: menggambarkan arus dari satu sektor ekonomi ke sektor lainnya, dan memprediksi input yang diperlukan untuk menghasilkan output di sektor lain 4. Pemodelan simulasi MENGUKUR KESALAHAN PERAMALAN Ada dua aspek kesalahan peramalan yang harus diperhatikan - Bias dan Akurasi Bias - Ramalan diperkirakan bias jika terjadi lebih banyak dalam satu arah daripada di sisi lain - Metode cenderung di bawah perkiraan atau perkiraan terlalu tinggi. Akurasi - Prakiraan akurasi mengacu pada jarak prakiraan dari permintaan aktual yang mengabaikan arah kesalahan itu. Contoh: Untuk enam periode perkiraan dan permintaan aktual telah dilacak Tabel berikut memberikan permintaan aktual D t dan perkiraan permintaan F t untuk enam periode: jumlah kumulatif perkiraan kesalahan (CFE) -20 berarti deviasi absolut (MAD) 170 6 28,33 mean kuadrat Kesalahan standar kesalahan perkiraan 5150 6 29.30 berarti kesalahan persentase absolut (MAPE) 83.4 6 13.9 Informasi apa yang masing masing memberi perkiraan memiliki kecenderungan untuk memperkirakan perkiraan kesalahan rata-rata per perkiraan adalah 28,33 unit atau 13,9 Distribusi sampling permintaan aktual dari kesalahan perkiraan memiliki deviasi standar 29,3 unit. KRITERIA UNTUK MEMILIH METODE PERAMALAN Tujuan: 1. Maksimalkan Akurasi dan 2. Minimalkan Bias Potensi Aturan untuk memilih metode peramalan deret waktu. Pilih metode yang memberikan bias terkecil, yang diukur dengan perkiraan error kumulatif (CFE) atau berikan mean absolute deviation (MAD) terkecil atau memberi sinyal pelacakan terkecil atau mendukung keyakinan manajemen tentang pola permintaan yang mendasarinya atau yang lainnya. Tampak jelas bahwa beberapa ukuran akurasi dan bias harus digunakan bersamaan. Bagaimana dengan jumlah periode yang akan dijadikan sampel jika permintaan secara inheren stabil, nilai yang rendah dan dan nilai N yang lebih tinggi disarankan jika permintaan pada dasarnya tidak stabil, nilai tinggi dan dan nilai N yang lebih rendah disarankan agar FOCUS FORECASTING quotfocus forecastingquot mengacu pada Sebuah pendekatan terhadap peramalan yang mengembangkan prakiraan dengan berbagai teknik, kemudian memilih ramalan yang dihasilkan oleh kuotent kuot dari teknik ini, di mana tanda kutip dihitung dengan beberapa ukuran kesalahan perkiraan. PERAMALAN FOKUS: CONTOH Untuk enam bulan pertama tahun ini, permintaan barang ritel adalah 15, 14, 15, 17, 19, dan 18 unit. Peritel menggunakan sistem peramalan fokus berdasarkan dua teknik peramalan: rata-rata pergerakan dua periode, dan model pemulusan eksponensial yang disesuaikan dengan tren dengan 0,1 dan 0,1. Dengan model eksponensial, perkiraan untuk bulan Januari adalah 15 dan rata-rata tren pada akhir Desember adalah 1. Pengecer menggunakan mean absolute deviation (MAD) selama tiga bulan terakhir karena kriteria untuk memilih model mana yang akan digunakan untuk meramalkan Untuk bulan berikutnya Sebuah. Apa yang akan menjadi ramalan untuk bulan Juli dan model mana yang akan digunakan b. Maukah Anda menjawab Bagian a. Menjadi berbeda jika permintaan untuk bulan Mei adalah 14, bukan 19 perkiraan peramalan melibatkan pembuatan sejumlah, kumpulan angka, atau skenario yang sesuai dengan kejadian di masa depan. Ini sangat penting untuk perencanaan jangka pendek dan jarak jauh. Menurut definisi, perkiraan didasarkan pada data masa lalu, berlawanan dengan prediksi, yang lebih subjektif dan berdasarkan naluri, naluri, atau dugaan. Misalnya, berita malam memberi cuaca x0022forecastx0022 bukan cuaca x0022prediction. x0022 Apapun, istilah ramalan dan prediksi sering digunakan secara bergantian. Misalnya, definisi teknik regresix2014a yang kadang-kadang digunakan dalam peramalan secara umum menyatakan bahwa tujuannya adalah untuk menjelaskan atau x0022predict. x0022 Peramalan didasarkan pada sejumlah asumsi: Masa lalu akan berulang sendiri. Dengan kata lain, apa yang telah terjadi di masa lalu akan terjadi lagi di masa depan. Seiring perkiraan horison semakin pendek, perkiraan akurasi meningkat. Misalnya, ramalan untuk besok akan lebih akurat daripada perkiraan untuk bulan depan perkiraan untuk bulan depan akan lebih akurat daripada perkiraan untuk tahun depan dan perkiraan untuk tahun depan akan lebih akurat daripada perkiraan selama sepuluh tahun di masa depan. Peramalan secara agregat lebih akurat daripada meramalkan item individual. Ini berarti bahwa perusahaan akan dapat meramalkan permintaan total atas keseluruhan spektrum produknya secara lebih akurat daripada yang dapat meramalkan unit penyimpanan individual (SKU). Misalnya, General Motors bisa memperkirakan secara lebih akurat jumlah mobil yang dibutuhkan untuk tahun depan dibanding jumlah Chevrolet Impalas putih dengan paket pilihan tertentu. Perkiraan jarang akurat. Selanjutnya, prakiraan hampir tidak pernah benar-benar akurat. Sementara beberapa di antaranya sangat dekat, hanya sedikit yang benar-benar menghasilkan uang. x0022 Oleh karena itu, bijaksana untuk menawarkan perkiraan x0022range. x0022 Jika seseorang meramalkan permintaan 100.000 unit untuk bulan depan, sangat tidak mungkin permintaan tersebut setara dengan 100.000 persis. Namun, perkiraan 90.000 sampai 110.000 akan memberikan target perencanaan yang jauh lebih besar. William J. Stevenson mencantumkan sejumlah karakteristik yang umum untuk perkiraan yang baik: Tingkat ketelitian yang akurat harus ditentukan dan dinyatakan sehingga perbandingan dapat dilakukan terhadap prakiraan alternatif. Metode perkiraan harus konsisten memberikan perkiraan yang baik jika pengguna menetapkan tingkat kepercayaan diri tertentu. Timelyx2014a sejumlah waktu diperlukan untuk merespons ramalan sehingga cakrawala peramalan harus memungkinkan waktu yang diperlukan untuk melakukan perubahan. Mudah digunakan dan dipahami para peramal ramalan harus yakin dan nyaman bekerja dengannya. Biaya-efektifx2014 biaya pembuatan ramalan seharusnya tidak melebihi manfaat yang diperoleh dari perkiraan. Teknik peramalan berkisar dari yang sederhana sampai yang sangat kompleks. Teknik ini biasanya diklasifikasikan bersifat kualitatif atau kuantitatif. TEKNIK KUALITATIF Teknik peramalan kualitatif umumnya lebih subjektif daripada rekan kuantitatif mereka. Teknik kualitatif lebih bermanfaat pada tahap awal siklus hidup produk, bila data di masa lampau tidak ada untuk digunakan dalam metode kuantitatif. Metode kualitatif meliputi teknik Delphi, Nominal Group Technique (NGT), pendapat sales force, pendapat eksekutif, dan riset pasar. TEKNIK DELPHI Teknik Delphi menggunakan panel ahli untuk menghasilkan ramalan. Setiap ahli diminta memberikan perkiraan khusus untuk kebutuhan di tangan. Setelah prakiraan awal dibuat, setiap ahli membaca apa yang ditulis oleh setiap ahli lainnya dan, tentu saja, dipengaruhi oleh pandangan mereka. Perkiraan berikutnya kemudian dibuat oleh masing-masing ahli. Setiap ahli kemudian membaca lagi apa yang setiap ahli lainnya tulis dan sekali lagi dipengaruhi oleh persepsi orang lain. Proses ini berulang dengan sendirinya sampai setiap ahli mendekati kesepakatan mengenai skenario atau angka yang dibutuhkan. TEKNIK KELOMPOK KELOMPOK Teknik Nominal Group mirip dengan teknik Delphi karena menggunakan sekelompok peserta, biasanya para ahli. Setelah para peserta menanggapi pertanyaan yang terkait dengan ramalan, mereka memberi peringkat tanggapan mereka sesuai dengan kepentingan kepentingan yang dirasakan. Kemudian rangking dikumpulkan dan dikumpulkan. Akhirnya, kelompok tersebut harus mencapai konsensus mengenai prioritas isu-isu peringkat. PENDAPATAN FORCE PENJUALAN. Staf penjualan sering menjadi sumber informasi yang baik mengenai permintaan masa depan. Manajer penjualan dapat meminta masukan dari masing-masing sales person dan mengumpulkan tanggapan mereka ke dalam ramalan penjualan komparator. Perhatian harus dilakukan saat menggunakan teknik ini karena anggota tenaga penjualan mungkin tidak dapat membedakan antara apa yang pelanggan katakan dan apa yang sebenarnya mereka lakukan. Juga, jika prakiraan akan digunakan untuk menetapkan kuota penjualan, tenaga penjualan mungkin tergoda untuk memberikan perkiraan yang lebih rendah. PENDAPAT EKSEKUTIF. Terkadang manajer tingkat atas bertemu dan mengembangkan prakiraan berdasarkan pengetahuan mereka tentang wilayah tanggung jawab mereka. Hal ini kadang disebut sebagai juri opini eksekutif. PENELITIAN PASAR. Dalam riset pasar, survei konsumen digunakan untuk menetapkan permintaan potensial. Penelitian pemasaran semacam itu biasanya melibatkan pembuatan kuesioner yang meminta informasi pribadi, demografis, ekonomi, dan pemasaran. Terkadang, para periset pasar mengumpulkan informasi semacam itu secara langsung di gerai ritel dan mal, di mana konsumen dapat merasakan, mencium, merasakan, mencium, dan mengeluarkan produk tertentu. Peneliti harus berhati-hati agar sampel orang yang disurvei mewakili target konsumen yang diinginkan. TEKNIK KUANTITATIF Teknik peramalan kuantitatif umumnya lebih obyektif daripada rekan kualitatif mereka. Perkiraan kuantitatif dapat berupa perkiraan waktu seri (yaitu proyeksi masa lalu ke masa depan) atau perkiraan berdasarkan model asosiatif (yaitu berdasarkan satu atau lebih variabel penjelas). Data deret waktu mungkin mendasari perilaku yang perlu diidentifikasi oleh peramal. Selain itu, ramalan mungkin perlu mengidentifikasi penyebab perilaku. Beberapa perilaku ini mungkin merupakan pola atau variasi acak saja. Di antara pola-pola tersebut adalah: Tren, yaitu pergerakan jangka panjang (atas atau bawah) dalam data. Musiman, yang menghasilkan variasi jangka pendek yang biasanya berhubungan dengan waktu tahun, bulan, atau bahkan hari tertentu, seperti yang disaksikan oleh penjualan eceran pada hari Natal atau lonjakan aktivitas perbankan pada bulan pertama dan pada hari Jumat. Siklus, yang merupakan variasi mirip gelombang yang berlangsung lebih dari satu tahun yang biasanya terkait dengan kondisi ekonomi atau politik. Variasi tidak beraturan yang tidak mencerminkan perilaku khas, seperti periode cuaca ekstrem atau pemogokan serikat. Variasi acak, yang mencakup semua perilaku non-tipikal yang tidak diperhitungkan oleh klasifikasi lainnya. Di antara model time-series, yang paling sederhana adalah perkiraan naxexpve. Perkiraan naxEFve hanya menggunakan permintaan aktual untuk periode lalu sebagai perkiraan permintaan untuk periode berikutnya. Ini, tentu saja, membuat asumsi bahwa masa lalu akan berulang. Ini juga mengasumsikan bahwa setiap tren, musiman, atau siklus tercermin dalam permintaan periode sebelumnya atau tidak ada. Contoh peramalan naxEFve disajikan pada Tabel 1. Tabel 1 Peramalan NaxEFve Teknik sederhana lainnya adalah penggunaan rata-rata. Untuk membuat perkiraan menggunakan rata-rata, kita hanya menghitung rata-rata beberapa periode periode data terakhir dengan menjumlahkan setiap periode dan membagi hasilnya dengan jumlah periode. Teknik ini telah ditemukan sangat efektif untuk peramalan jangka pendek. Variasi rata-rata meliputi rata-rata bergerak, rata-rata tertimbang, dan rata-rata pergerakan tertimbang. Rata-rata bergerak mengambil jumlah periode yang telah ditentukan, menghitung permintaan aktual mereka, dan membagi dengan jumlah periode untuk mencapai perkiraan. Untuk setiap periode berikutnya, periode data tertua turun dan periode terakhir ditambahkan. Dengan asumsi rata-rata pergerakan tiga bulan dan menggunakan data dari Tabel 1, satu akan menambahkan 45 (Januari), 60 (Februari), dan 72 (Maret) dan membagi dengan tiga untuk mencapai perkiraan untuk bulan April: 45 60 72 177 X00F7 3 59 Untuk sampai pada perkiraan untuk bulan Mei, seseorang akan menurunkan permintaan Januarix0027 dari persamaan dan menambahkan permintaan dari bulan April. Tabel 2 menyajikan contoh ramalan rata-rata bergerak tiga bulan. Tabel 2 Tiga Bulan Bergerak Rata-rata Prakiraan Permintaan Aktual (000x0027s) Rata-rata tertimbang menerapkan bobot yang telah ditentukan untuk setiap bulan data sebelumnya, meramalkan data masa lalu dari setiap periode, dan membaginya dengan total bobotnya. Jika peramal menyesuaikan bobot sehingga jumlah mereka sama dengan 1, maka bobotnya dikalikan dengan permintaan aktual setiap periode yang berlaku. Hasilnya kemudian dijumlahkan untuk mencapai ramalan tertimbang. Umumnya, data yang lebih baru semakin tinggi bobotnya, dan semakin tua data semakin kecil bobotnya. Dengan menggunakan contoh permintaan, rata-rata tertimbang menggunakan bobot 0,4. 3. 2, dan .1 akan menghasilkan ramalan untuk bulan Juni sebagai: 60 (.1) 72 (.2) 58 (.3) 40 (.4) 53.8 Peramal juga dapat menggunakan kombinasi rata-rata tertimbang dan perkiraan rata-rata bergerak . Perkiraan rata-rata bergerak tertimbang memberi bobot pada jumlah data aktual yang telah ditentukan sebelumnya dan menghitung perkiraan dengan cara yang sama seperti yang dijelaskan di atas. Seperti semua perkiraan yang bergerak, karena setiap periode baru ditambahkan, data dari periode tertua dibuang. Tabel 3 menunjukkan perkiraan rata-rata pergerakan tertimbang tiga bulan dengan menggunakan bobot .5. 3, dan .2. Tabel 3 Moving Average Average Average Moving Average Actual Demand (000x0027s) Bentuk yang lebih kompleks dari rata-rata bergerak tertimbang adalah eksponensial smoothing, dinamakan demikian karena beratnya turun secara eksponensial seperti umur data. Pemulusan eksponensial mengambil ramalan periodx0027 sebelumnya dan menyesuaikannya dengan konstanta perataan yang telah ditentukan sebelumnya, x03AC (disebut alpha nilai untuk alpha kurang dari satu) dikalikan dengan perbedaan pada perkiraan sebelumnya dan permintaan yang benar-benar terjadi selama periode yang diperkirakan sebelumnya (disebut Kesalahan perkiraan). Eksponasi eksponensial dinyatakan secara simultan seperti: Perkiraan baru perkiraan sebelumnya alfa (permintaan aktual x2212 perkiraan sebelumnya) FF x03AC (A x2212 F) Eksponensial smoothing memerlukan peramal untuk memulai perkiraan pada periode sebelumnya dan bekerja maju ke periode dimana arus Perkiraan diperlukan Sejumlah besar data masa lalu dan perkiraan awal atau awal juga diperlukan. Perkiraan awal bisa menjadi perkiraan aktual dari periode sebelumnya, permintaan aktual dari periode sebelumnya, atau dapat diperkirakan dengan rata-rata seluruh atau sebagian data masa lalu. Beberapa heuristik ada untuk menghitung perkiraan awal. Sebagai contoh, heuristik N (2 xF7 x03AC) x2212 1 dan alfa 0,5 akan menghasilkan N dari 3, menunjukkan bahwa pengguna akan rata-rata tiga periode pertama data untuk mendapatkan perkiraan awal. Namun, keakuratan perkiraan awal tidak penting jika seseorang menggunakan data dalam jumlah besar, karena pemulusan eksponensial adalah x0022 self-correcting. x0022 Mengingat periode data masa lalu yang cukup, pemulusan eksponensial pada akhirnya akan membuat koreksi yang cukup untuk mengimbangi awal yang tidak tepat. ramalan cuaca. Dengan menggunakan data yang digunakan dalam contoh lain, perkiraan awal 50, dan alfa 0,7, perkiraan untuk bulan Februari dihitung sebagai berikut: Perkiraan baru (Februari) 50,97 (45 x2212 50) 41,5 Selanjutnya, perkiraan untuk bulan Maret : Perkiraan baru (Maret) 41,5 .7 (60 x2212 41,5) 54,45 Proses ini berlanjut sampai peramal mencapai periode yang diinginkan. Pada Tabel 4 ini akan dilakukan untuk bulan Juni, karena permintaan aktual untuk Juni tidak diketahui. Permintaan Aktual (000x0027s) Perpanjangan smoothing eksponensial dapat digunakan saat data deret waktu menunjukkan tren linier. Metode ini dikenal dengan beberapa nama: perataan eksponensial smoothing trend smoothing yang disesuaikan dengan trend termasuk tren (FIT) dan Model Holtx0027s. Tanpa penyesuaian, hasil smoothing eksponensial sederhana akan tertinggal tren, yaitu ramalan akan selalu rendah jika trennya meningkat, atau tinggi jika trennya menurun. Dengan model ini ada dua konstanta smoothing, x03AC dan x03B2 dengan x03B2 yang mewakili komponen tren. Perpanjangan Model Holtx0027, yang disebut Metode Holt-Winterx0027s, mempertimbangkan tren dan musiman. Ada dua versi, multiplicative dan aditif, dengan multiplicative yang paling banyak digunakan. Dalam model aditif, musiman dinyatakan sebagai kuantitas yang akan ditambahkan atau dikurangkan dari rata-rata seri. Model multiplikatif mengekspresikan musiman sebagai persentase yang dikenal sebagai kerabat musiman atau indeks musiman dari rata-rata (atau tren). Ini kemudian dikalikan nilai kali untuk menggabungkan musiman. Seorang kerabat dari 0,8 akan mengindikasikan permintaan yaitu 80 persen dari rata-rata, sementara 1,10 akan mengindikasikan permintaan yang 10 persen di atas rata-rata. Informasi terperinci mengenai metode ini dapat ditemukan di sebagian besar buku teks manajemen operasi atau salah satu dari sejumlah buku tentang peramalan. Teknik asosiatif atau kausal melibatkan identifikasi variabel yang dapat digunakan untuk memprediksi variabel minat lainnya. Misalnya, suku bunga dapat digunakan untuk meramalkan permintaan refinancing rumah. Biasanya, ini melibatkan penggunaan regresi linier, di mana tujuannya adalah untuk mengembangkan persamaan yang merangkum efek variabel prediktor (independen) pada variabel perkiraan (dependen). Jika variabel prediktor diplot, objeknya adalah untuk mendapatkan persamaan garis lurus yang meminimalkan jumlah penyimpangan kuadrat dari garis (dengan penyimpangan adalah jarak dari setiap titik ke garis). Persamaan akan muncul sebagai: ya bx, di mana y adalah variabel yang diprediksi (tergantung), x adalah variabel prediktor (independen), b adalah kemiringan garis, dan a sama dengan tinggi garis pada y - mencegat. Setelah persamaan ditentukan, pengguna dapat memasukkan nilai arus untuk variabel prediktor (independen) sampai pada perkiraan (variabel dependen). Jika ada lebih dari satu variabel prediktor atau jika hubungan antara prediktor dan ramalan tidak linier, regresi linier sederhana tidak akan memadai. Untuk situasi dengan beberapa prediktor, regresi berganda harus digunakan, sementara hubungan non linier memerlukan penggunaan regresi curvilinear. PERAMALAN EKONOMETRIK Metode ekonometrik, seperti model moving-average terintegrasi autoregressive (ARIMA), menggunakan persamaan matematis yang kompleks untuk menunjukkan hubungan masa lalu antara permintaan dan variabel yang mempengaruhi permintaan. Persamaan diturunkan dan kemudian diuji dan disesuaikan untuk memastikan bahwa representasi hubungan pastilah mungkin dapat diandalkan. Setelah ini dilakukan, proyeksi nilai variabel yang mempengaruhi (pendapatan, harga, dll.) Dimasukkan ke dalam persamaan untuk membuat perkiraan. EVALUASI FORECAS Prakiraan akurasi dapat ditentukan dengan menghitung bias, mean absolute deviation (MAD), mean square error (MSE), atau mean absolute percent error (MAPE) untuk perkiraan menggunakan nilai alpha yang berbeda. Bias adalah jumlah kesalahan perkiraan x2211 (FE). Untuk contoh eksponensial smoothing di atas, bias yang dihitung adalah: (60 x2212 41,5) (72 x2212 54,45) (58 x2212 66,74) (40 x2212 60,62) 6.69 Jika seseorang mengasumsikan bahwa bias rendah mengindikasikan kesalahan perkiraan secara keseluruhan rendah, seseorang dapat Hitung bias untuk sejumlah nilai potensial alpha dan asumsikan yang satu dengan bias terendah akan menjadi yang paling akurat. Namun, kehati-hatian harus diperhatikan dalam ramalan yang tidak akurat tersebut dapat menghasilkan bias rendah jika mereka cenderung mengalami perkiraan dan perkiraan (negatif dan positif). Misalnya, selama tiga periode, perusahaan dapat menggunakan nilai alfa tertentu hingga perkiraan lebih dari 75.000 unit (x221275.000), yang diperkirakan oleh 100.000 unit (100.000), dan kemudian diperkirakan lebih dari 25.000 unit (x221225.000), menghasilkan Bias nol (x221275.000 100.000 x2212 25.000 0). Sebagai perbandingan, alpha lain yang menghasilkan perkiraan dari 2.000 unit, 1.000 unit, dan 3.000 unit akan menghasilkan bias 5.000 unit. Jika permintaan normal 100.000 unit per periode, alpha pertama akan menghasilkan perkiraan yang turun sebanyak 100 persen sementara alpha kedua akan turun maksimal 3 persen, meskipun bias pada perkiraan pertama adalah nol. Ukuran yang lebih aman dari perkiraan akurasi adalah mean absolute deviation (MAD). Untuk menghitung MAD, peramal menentukan nilai absolut dari kesalahan perkiraan dan kemudian dibagi dengan jumlah prakiraan (x2211 FE x00F7 N). Dengan mengambil nilai absolut dari kesalahan perkiraan, offset nilai positif dan negatif dihindari. Ini berarti bahwa perkiraan di atas 50 dan perkiraan di bawah 50 dinihari dengan 50. Dengan menggunakan data dari contoh smoothing eksponensial, MAD dapat dihitung sebagai berikut: (60 x2212 41,5 72 x2212 54,45 58 x2212 66,74 40 x2212 60,62) X00F7 4 16.35 Oleh karena itu, peramal tersebut rata-rata mencapai 16,35 unit per perkiraan. Bila dibandingkan dengan hasil alpha lainnya, peramal akan mengetahui bahwa alfa dengan MAD terendah menghasilkan ramalan yang paling akurat. Mean square error (MSE) juga bisa digunakan dengan cara yang sama. MSE adalah jumlah dari ramalan kesalahan kuadrat dibagi dengan N-1 (x2211 (FE)) x00F7 (N-1). Mengkuadratkan kesalahan perkiraan menghilangkan kemungkinan mengimbangi angka negatif, karena tidak ada hasilnya yang negatif. Dengan menggunakan data yang sama seperti di atas, MSE adalah: (18.5) (17.55) (x22128.74) (x221220.62) x00F7 3 383.94 Seperti pada MAD, peramal dapat membandingkan MSE prakiraan yang diturunkan dengan menggunakan berbagai nilai alfa dan Asumsikan alpha dengan MSE terendah menghasilkan ramalan yang paling akurat. Kesalahan persentase absolut rata-rata (MAPE) adalah kesalahan persentase absolut rata-rata. Untuk sampai pada MAPE seseorang harus mengambil jumlah rasio antara kesalahan perkiraan dan waktu permintaan aktual 100 (untuk mendapatkan persentase) dan bagi dengan N (x2211 Permintaan aktual x2212 perkiraan x00F7 Permintaan aktual) xD7 100 x00F7 N. Menggunakan data dari Contoh smoothing eksponensial, MAPE dapat dihitung sebagai berikut: (18.560 17.5572 8.7458 20.6248) xD7 100 x00F7 4 28.33 Seperti MAD dan MSE, semakin rendah kesalahan relatif perkiraan ramalan yang lebih akurat. Perlu dicatat bahwa dalam beberapa kasus kemampuan ramalan untuk berubah dengan cepat untuk merespons perubahan pola data dianggap lebih penting daripada akurasi. Oleh karena itu, pilihan metode peramalan onex0027 harus mencerminkan keseimbangan kepentingan antara akurasi dan responsif, seperti yang ditentukan oleh peramal. MEMBUAT FORECAST William J. Stevenson mencantumkan hal-hal berikut sebagai langkah dasar dalam proses peramalan: Tentukan tujuan forecastx0027s. Faktor-faktor seperti bagaimana dan kapan ramalan akan digunakan, tingkat akurasi yang dibutuhkan, dan tingkat detail yang diinginkan menentukan biaya (waktu, uang, karyawan) yang bisa dipersembahkan untuk ramalan dan jenis metode peramalan yang akan digunakan. . Menetapkan cakrawala waktu. Hal ini terjadi setelah seseorang menentukan tujuan ramalan tersebut. Perkiraan jangka panjang membutuhkan cakrawala waktu lebih lama dan sebaliknya. Akurasi lagi menjadi pertimbangan. Pilih teknik peramalan. Teknik yang dipilih tergantung pada tujuan ramalan, horison waktu yang diinginkan, dan biaya yang diijinkan. Kumpulkan dan analisis data. Jumlah dan jenis data yang dibutuhkan diatur oleh perkiraan perkiraan waktu, teknik peramalan yang dipilih, dan pertimbangan biaya apapun. Buat perkiraan. Pantau ramalannya. Evaluasi kinerja ramalan dan modifikasi, jika perlu. BACAAN LEBIH LANJUT: Finch, Byron J. Operasi Sekarang: Profitabilitas, Proses, Kinerja. 2 ed. Boston: McGraw-Hill Irwin, 2006. Green, William H. Analisis Ekonometrik. 5 ed. Upper Saddle River, NJ: Prentice Hall, 2003. Joppe, Dr. Marion. X0022The Nominal Group Technique. x0022 Proses Penelitian. Tersedia dari x003C ryerson. ca Stevenson, William J. Operations Management. 8 ed. Boston: McGraw-Hill Irwin, 2005. Juga baca artikel tentang Peramalan dari Wikipedia