Penilaian Beban Kerja

(Peramalan)

Prakiraan diperlukan untuk menggambarkan masa depan. Prakiraan

memberikan informasi untuk berkoordinasi menuntut produk dan layanan
dengan pasokan sumber daya yang dibutuhkan memenuhi tuntutannya. Dengan
demikian, ramalan adalah platform untuk perencanaan masa depan. Strategi
yang bagus juga bertujuan untuk mengubah perkiraan yang akan mempengaruhi
apa yang mungkin terjadi di masa depan daripada hanya menerima ramalan
sebagai sesuatu yang tak terelakkan kebenaran. Dengan cara ini, manajemen
mendapatkan imbalannya dengan kemampuan produksi yang lebih baik (jangka
pendek dan panjang) untuk kemungkinan pemasaran. Ini adalah perencanaan
proaktif.
Peramalan disini adalah untuk meramalkan volume permintaan penjualan
meskipun probabilitasnya belum pernah dipelajari secara formal. Pelaku bisnis
sering berpendapat bahwa informasi terbaik tentang masa depan adalah masa
lalu. Dalam setiap situasi perkiraan penjualan, volatilitas permintaan akan
menentukan bagaimana kemungkinan itu adalah ramalan yang bagus yang bisa
dibuat. Pola stabil yang bertahan lama periode waktu membuat peramal
perusahaan yakin bahwa pekerjaan peramalan yang kredibel bisa diselesaikan.
Perkiraan yang goyah membuat peramal perusahaan menjadi tidak nyaman,
sehingga mereka mencari untuk faktor-faktor baru untuk berkorelasi dengan
sistem permintaan.
Seberapa baik kita meramalkan masa depan? Jawabannya akan
tergantung pada stabilitas dari pola rangkaian waktu untuk peristiwa yang
sedang dipelajari. Persamaan matematis digunakan untuk berbagai jenis
peramalan. Itu penting untuk menekankan bahwa persamaan tidak membuat
perkiraan “kebenaran.” Juga, banyak sekali
peramalan yang baik dapat dilakukan tanpa matematika. Lebih lanjut, dengan
atau tanpa matematika, tidak ada ramalan yang pernah dijamin.

Peramal mencoba memprediksi nilai atau kumpulan nilai berikutnya

yang akan terjadi di masa depan. Dalam analisis deret waktu, sebab eksternal
tidak dimasukkan ke dalam gambar. Pola rangkaian dianggap tergantung pada
waktu. Itulah mengapa definisi American Production and Inventory Control
Society (APICS) menyatakan "Nilai-nilai dari variabel adalah fungsi dari periode
waktu." APICS sekarang mencantumkan dirinya sebagai Asosiasi Manajemen
Operasi. Ekstrapolasi adalah proses pemindahan dari data yang diamati (dulu
dan sekarang) ke nilai yang tidak diketahui dari poin masa depan. Ekstrapolasi
deret waktu adalah salah satu fungsi utama dari peramalan. Data dalam
rangkaian waktu dapat terdiri dari beberapa jenis variasi yang berbeda. Penting
diantaranya adalah variasi acak, kecenderungan yang meningkat atau menurun,
dan variasi musiman.

Rangkaian waktu dengan variasi acak.

Rangkaian waktu dengan variasi acak dan tren meningkat.

Diharapkan bahwa ramalan dapat memprediksi kapan langkah akan

terjadi dan seberapa jauh naik atau turunnya. Jika mereka terjadi secara teratur,
itu bagus perkiraan dapat dibuat dari periode antara langkah-langkah dan waktu
langkah-langkah di masa depan. Fungsi langkah adalah karakteristik sistem yang
hanya dapat berubah dalam jumlah tertentu. Jadi, jika penjualan harus dilakukan
dalam banyak 100 unit, maka setiap perubahan permintaan akan terjadi dalam
ratusan unit langkah.
 Rangkaian waktu dengan variasi acak dan tren menurun.

Rangkaian waktu dengan variasi acak dan variasi musiman.

Rangkaian waktu dengan variasi acak, variasi musiman, dan kecenderungan meningkat.
a) Metode Peramalan untuk Analisis Deret Waktu

1) Moving Average

Metode MA (rata-rata bergerak) memasok perkiraan nilai mendatang

berdasarkan sejarah masa lalu baru-baru ini. MA juga disebut metode MA
sederhana. Yang terbaru n berturut-turut nilai-nilai, yang merupakan
pengamatan peristiwa aktual seperti harian, mingguan, bulanan, atau
permintaan tahunan, digunakan dalam membuat ramalan. Data-data ini dicatat
dan harus diperbarui untuk mempertahankan n nilai terbaru. Dengan berlalunya
setiap waktu periode, nilai terbaru disimpan dan nilai periode paling awal

dijatuhkan mati.

Istilah "moving average" digunakan karena setiap pengamatan baru menjadi

tersedia rata-rata baru dapat dihitung dan digunakan sebagai perkiraan. Tidak
ada perkiraan yang bisa dibuat sampai ada sebanyak pengamatan historis yang
diperlukan (n) untuk MA. Lebih lanjut metode MA digunakan untuk meramalkan
hanya satu periode waktu sebelumnya karena tidak tersedia nilai aktual yang
diperlukan untuk memperkirakan lebih dari satu periode sebelumnya.

Metode ini sangat berguna dalam menghapus fluktuasi acak dalam data
historis. Ketika besarnya Trennya bagus, dan polanya sangat konsisten, maka
semakin sedikit jumlah periode (n) dalam set yang lebih baik. Jika trennya
lambat (naik atau turun), dan jika fluktuasi sekitar rata-rata adalah umum,
kemudian memiliki lebih banyak periode waktu di set lebih baik daripada
memiliki terlalu sedikit. Dalam memilih nilai n, ada banyak konflik efek. Semakin
besar nilai n, semakin besar efek smoothing secara acak variasi. Nilai yang lebih
halus mungkin diinginkan jika ada banyak keacakan di data historis atau jika ada
sedikit perubahan dalam pola yang mendasarinya.

2) Rata-rata Bergerak Tertimbang

Cara untuk membuat perkiraan lebih responsif terhadap

kejadian aktual terbaru (permintaan) adalah dengan menggunakan
metode rata-rata tertimbang bergerak (WMA). Sama seperti MA metode,
periode n paling baru digunakan dalam peramalan. Namun, setiap periode
itu menetapkan bobot antara 0 dan 1. Total semua bobot menambahkan
hingga 1. Yang tertinggi berat ditugaskan ke periode terbaru dan
kemudian bobot ditugaskan ke periode sebelumnya dalam urutan besaran
menurun.

3) Exponential Smoothing (ES)

Seperti metode WMA, menghitung sebuah permintaan rata-rata

(perkiraan). Metodologi ES mengingat estimasi terakhir dari rata-rata
nilai permintaan dan menggabungkannya dengan nilai aktual yang
teramati terbaru untuk membentuk estimasi rata-rata baru. ES
memperkirakan permintaan untuk periode tertentu menggabungkan
perkiraan periode sebelumnya (t - 1) dan permintaan aktual dari periode
sebelumnya (t - 1).

4) Forecasting dengan Siklus Musiman Peramalan

Ketika musim datang dapat dilakukan dengan mengasumsikan

bahwa apa yang terjadi tahun lalu (atau bulan lalu, dll.) akan terjadi lagi.
Kami menyebutnya sejarah metode perkiraan. Pola ini diperkirakan akan
terulang dalam jangka waktu tertentu. Metode ini berfungsi jika pola
stabil (yang sering musiman) ada. Hotel dan bisnis resor biasanya terlibat
dengan ramalan sejarah, seperti halnya pertanian bisnis.

5) Koefisien Korelasi dan Determinasi

Prasyarat penting untuk menggunakan analisis regresi adalah

adanya hubungan kausal antara X dan Y. Oleh karena itu, sebelum kita
bahkan menentukan persamaan regresi, penting untuk mengetahui
apakah ada hubungan antara X dan Y. Diagram pencar menunjukkan
secara visual hubungan antara X dan Y. Scatter diagram adalah alat bantu
visual yang berguna untuk menemukan apakah ada hubungan antara X
dan Y.
6) Kesalahan Peramalan

Sangat jarang mendapatkan ramalan 100% akurat. Selalu ada

beberapa kesalahan dalam peramalan. Teknik perkiraan yang baik
mencoba meminimalkan kesalahan. Perkiraan kesalahan dihitung dengan
membandingkan permintaan aktual untuk periode waktu t dengan
perkiraan untuk periode yang sama, yaitu, Kesalahan (t) = Permintaan (t) -
Prakiraan (t). Dua jenis kesalahan perkiraan dapat terjadi. Pertama,
permintaan aktual lebih besar dari perkiraan. Ini adalah perkiraan yang
meremehkan. Dengan konvensi, ketika permintaan sebenarnya lebih besar
dari perkiraan permintaan, istilah kesalahannya positif. Kedua,
permintaan aktual lebih kecil dari ramalan cuaca. Ini adalah perkiraan
yang terlalu tinggi dan dalam hal ini kesalahannya negatif.

7) Metode Delphi

Delphi adalah metode peramalan yang bergantung pada

perkiraan ahli dari peristiwa masa depan. Di salah satu bentuknya, para
ahli menyampaikan pendapat mereka kepada satu individu yang
merupakan hanya satu yang tahu siapa peserta dan apa yang harus
mereka katakan.

8) Pengumpulan Informasi dan Banyak Ramalan

Metode untuk mengumpulkan informasi untuk memberikan

ramalan yang lebih kuat harus dieksplorasi.Sangat penting bahwa semua
pihak berbagi perkiraan mereka sebanyak mungkin dan mencoba untuk
menemukannya cara menggabungkannya. Biasanya, ramalan yang lebih
kuat dapat diperoleh jika kedua data dan pengalaman dikumpulkan. Salah
satu kunci sukses dalam menggabungkan prakiraan adalah trial and error.
Apa yang tampak untuk bekerja dipertahankan dan apa yang gagal
dibuang. Sebagai contoh pengumpulan, hasilnya dari analisis regresi dapat
ditambah dengan estimasi tipe Delphi. Lewat sini, pengalaman dan analisis
data dapat dikombinasikan untuk memberikan kesimpulan yang lebih
kuat.

9) Tahapan dan Prakiraan Siklus Hidup Produk

Di seluruh perusahaan, fungsi perencanaan berbaris ke

drumbeat produk tahapan siklus hidup. Siklus hidup produk terdiri dari
empat tahap yang muncul secara teratur lembur. Semua produk dan
layanan melalui tahapan berikut:
◾◾ Pengantar pasar
◾◾ Pertumbuhan volume dan berbagi
◾◾ Kedewasaan, di mana kedewasaan adalah fase keseimbangan relatif
 ◾◾ Penurunan terjadi, karena penjualan memburuk; penurunan
menyebabkan pemulihan atau penarikan.

Perencanaan strategis membutuhkan kerja tim. P / OM harus menjadi

bagian dari tim. Bab 3 membahas peran P / OM dalam membantu
mengembangkan strategi dan menerangi P / OM tugas untuk melaksanakannya.
P / OM bertanggung jawab untuk mencari dan mengadopsi "Praktik terbaik."
Tahap siklus-hidup dikembangkan. Ini termasuk pengantar dan pertumbuhan
produk baru, diikuti dengan kematangan dan kemerosotan mereka. P / OM
adalah diharapkan untuk melindungi produk yang sudah mapan. Tantangannya
sulit ketika pesaing memperkenalkan inovasi yang mengganggu. Pengakuan
masalah dan tindakan cepat untuk berurusan dengan gangguan diperlukan.
Peramalan sangat penting untuk pengelolaan tahapan siklus hidup yang tepat.
Ekstrapolasi dan korelasi adalah metode vital yang digunakan dengan analisis
deret waktu. Penting lainnya metode peramalan yang dibahas meliputi MA,
WMA, analisis regresi, koefisien korelasi, koefisien determinasi, beberapa
perkiraan, dan Metode Delphi. Juga, sarana untuk mengevaluasi metode
peramalan yang berbeda dengan membandingkan jenis kesalahan yang mereka
hasilkan.

Untuk memilih metode perkiraan, Anda harus dapat membandingkan

kesalahan bahwa masing-masing metode menghasilkan untuk keadaan tertentu.
Ada beberapa yang berbeda cara mengukur kesalahan. Pilihannya tergantung
pada situasi dan jenisnya perbandingan diinginkan. Dengan demikian, ukuran
mutlak digunakan untuk menghitung semua kesalahan secara konservatif.
Pengukuran mutlak berarti bahwa kesalahan positif dan negatif diperlakukan
cara yang sama. Alasan untuk melakukan ini adalah untuk mencegah kesalahan
positif dan negatif dari membatalkan satu sama lain.