Tuesday, February 9, 2010

chapter 2

PERAMALAN / FORECASTING


• Merupakan satu seni dan sains meramal kejadian yang akan berlaku.
• Ia melibatkan pengambilan data sejarah dan mengembangkannya bagi masa depan.
• Apa yang baik untuk sesebuah organisasi di bawah satu set keadaan tertentu tidak semestinya dapat dipraktikkan oleh organisasi lain.
• Ramalan adalah penting bagi pengurus-pengurus operasi apabila mengatur strategi masing-masing.

Keperluan Peramalan

Diperlukan dalam merancang serta melaksanakan perancangan strategic syarikat.
Digunakan untuk membuat perencanaan di dalam menghadapi keadaan yang tidak menentu.
Mengelakkan berlakunya lebihan atau pengurangan pengeluaran
Bagi memenuhi pelanggan di mana pengeluaran dibuat selaras dengan permintaan pelanggan.

Kepentingan Kaedah Peramalan Permintaan Dalam Pengurusan Dan Operasi

a. Merancang Kemudahan Baru
• Ramalan permintaan jangka panjang yang mengambil masa beberapa tahun.
• Ramalan permintaan diperlukan supaya pengurus dapat menyediakan kemudahan yang sesuai untuk mengeluarkan produk dan perkhidmatan apabila diperlukan.
• Contohnya merekabentuk pembinaan kilang dan melaksanakan proses pengeluaran baru.

b. Perancangan Pengeluaran
• Ramalan jangka pertengahan yang mengambil masa beberapa bulan dan dari semasa ke semasa.
• Ramalan permintaan diperlukan untuk memastikan tempoh masa adalah mencukupi untuk mengubah kapasiti pengeluaran bagi memenuhi permintaan yang berubah-ubah.

c. Penjadualan Tenaga Kerja
• Ramalan jangka pendek yang mengambil masa dari minggu ke minggu.
• Ramalan permintaan diperlukan untuk menyediakan jadual tenaga kerja yang diperlukan dan penyelarasan tugas
• Contohnya, untuk menentukan samada memerlukan penyerahan semula tugas, kerja lebih masa, pemberhentian atau pengambilan pekerja.

Horizon Masa

Pendek 3 bulan – 1 tahun Rancangan pembelian, penjadualan kerja, tahap tenaga kerja buruh, pembahagian kerja dan tahap pengeluran

Sederhana 3 bulan – 3 tahun Perancangan jualan, rancangan dan belanjawan pengeluaran, belanjawan tunai, analisis pelbagai rancangan operasi

Panjang 3 tahun atau lebih Rancangan bagi produk baru, belanjawan modal, lokasi kemudahan, rancangan untuk pengembangan, penyelidikan dan pembangunan

• Ramalan jangka sederhana dan ramalan jangka panjang berhadapan dengan isu yang lebih menyeluruh seperti keputusan-keputusan berkenaan perrancangan produk, rekabentuk produk baru, kilang-kilang dan proses-proses.
• Ramalan jangka pendek lebih tertumpu kepada isu yang lingkungannya lebih kecil seperti isu-isu dalam organisasi.
• Ramalan jangka pendek – menggunakan lebih banyak model-model matematik dan kuantitatif.
• Ramalan jangka sederhana dan ramalan jangka panjang – kurang menggunakan model-model kuantitatif – lebih tertumpu kepada kaedah yang lebih luas yang sesuai dengan tumpuan isu yang diramalkan sepeti perancangan produk baru.

Kepentingan strategi peramalan

• Antara keputusan-keputusan yang sangat mengharapkan maklumat ramalan ialah perancangan sumber manusia yang semakin mahal untuk diurus, kapasiti yang merangkumi pembelian peralatan dan penyediaan tempat dan pengurusan rangkaian pembekal .

7 langkah di dalam sistem ramalan

i. Mengenalpasti kegunaan ramalan
ii. Memilih perkara yang akan diramal
iii. Mengenalpasti had-masa ramalan
iv. Memilih model-model ramalan
v. Mengumpul data
vi. Membuat ramalan
vii. Mengesahkan serta melaksanakan keputusan

Pemilihan Teknik Peramalan

Faktor-faktor Pemilihan:
• Jenis keputusan yang akan dibuat
• Jumlah maklumat yang ada
• Tahap ketetapan yang diperlukan
• Tempoh masa yang diramal
• Masa untuk menyiapkan analisis
• Nilai ramalan kepada sesebuah organasasi

PENDEKATAN DALAM RAMALAN

Dua asas pendekatan bagi ramalan adalah ramalan kuantitatif dan juga ramalan kualitatif

Pendekatan peramalan kualitatif

Ramalan kualitatif mengmbilkira factor-faktor utama seperti membuat keputusan mengikut intuisi, emosi, pengalaman individu dan system penilaian dalam mencapai satu ramalan.

Pendekatan eksekutif secara juri (Jury of Executive Opinion)
• Apabila produk atau perkhdimatan baru ingin diperkenalakan, kemungkinan pendapat jurujual tidak dapat digunakan.
• Pandangan eksekutif yang berbentuk pendapat, pengalaman dan pengetahuan teknikal oleh satu atau lebih pengurus dapat digunakan untuk melakukan peramalan.
• Ianya digunakan untuk membuat peramalan berbentuk jualan.
• Pengurus peringkat tinggi dirujuk.
• Selalunya, pengurus akan menggunakan kemahiran pengurusan serta model-model statistic.
• Biasanya peramalan dapat dibuat dengan cepat.

Komposit jurujual (Sales Force Composite)

• Maklumat yang terbaik berhubung masa depan selalunya dating daripada merkea yang rapat dengan pelanggan.
• Jurujual merupakan orang yang paling rapat dengan pelanggan.
• Pelanggan dapat membuat kerana mereka mengetahui mengenai produk atau perkhidmatan yang diingini oleh pelanggan.

Kaedah Delphi (Delphi Technique)

• Prinsip asas kaedah ini adalah mendapatkan kata sepakat di kalangan sekumpulan pakar.
• Identity pakar-pakar ini berkemungkinan besar tidak diketahui.
• Kemungkinan besar juga pakar ini tidak berhubung di antara satu sama lain.

Kajian pasaran (Consumer Market Survey)

• Kajian pasaran merupakan penggunaan suatu kaedah yang sistematik di dalam menyelidik kehendak dan keperluan pelanggan dengan membina hipotesis dan data yang dikumpulkan melalui penyelidikan.

Pendekatan peramalan kuantitatif

Model Siri Masa

• Berasaskan siri yang disusun setara misalnya mingguan, bulanan, tahunan dan selanjutnya.
• Berdasarkan kepada idea atau data sejarah peristiwa lepas yang boleh digunakan untuk meramalkan data masa hadapan.
• Merupakan satu set nilai pemerhatian yang diukur bagi satu jangka masa. Ia digunakan untuk mengesan dan mengenalpasti arah aliran atau trend.
• Contohnya kaedah purata bergerak, exponential smoothing.

i. Kaedah Naif
• Kaedah ini merupakan kaedah yang paling mudah digunakan.
• Kaedah peramalan ini dilakukan dengan anggapan bahawa kejadian yang berlaku pada masa hadapan adalah sama dengan yang telah berlaku sebelum ini.

ii. Purata bergerak
• Purata bergerak merupakan kaedah yang digunakan untuk membuat peramalan dengan mendapatkan purata.
• Data yang digunakan di dalam perkiraan merupakan data yang terkini.

iii. Pelicinan Eksponen

• Peramalan dibuat berdasarkan peramalan sebelumnya dan ditambah dengan peratus perbezaan di antaranya dan nilai sebenar siri di dalam titik tersebut.

iv. Projeksi Trend

• Pelicinan eksponen memberikan anggaran secara bersiri serta trend sesuatu peramalan.

Model Bersebab

• Mengambilkira pembolehubah lain
• Pembolehubah tak bersandar dan pembolehubah bersandar misalnya jualan dan pengiklanan

i. Regrasi Lini

• Model garisan lurus matematik yang memberikan fungsi hubungan antara pemboelhubah tak bersandar dengan pembolehubah bersandar
• Penilai kekuatan hubungan di antara dua pembolehubah iaitu tak bersandar dan bersandar ialah koefisyen kolerasi (pekali kolerasi).
• Ianya bukan pernyataan hubungan ‘sebab dan kesan’ atau apa-apa hubungan antara pembolehubah-pembolehubah tersebut, sebaliknya ia menyatakan bagaimana satu pembolehubah boleh dikatikan dengan niali dan perubahan pembolehubah yang lain.

ii. Pekali kolerasi

• Maka, koefisyen kolerasi atau r mengukur kekuatan hubungan tersebut antara dua pembolehubah.

• r – dinyatakan dalam bentuk bernombor antara +1 dan -1.

 0.1 – 0.5 = weak positive relationship
 0.6 – 0.9 = strong positive relationship
 -0.1 - -0.5 = weak negative relationship
 -0.6 - -0.9 = strong negative relationship
 1 = perfect positive relationship
 -1 = perfect negative relationship
 0 = no relationship

Analisa Siri Masa

• Merupakan satu teknik yang mengkaji atau meramalkan permintaan yang lepas sesebuah organisasi bagi suatu tempoh masa tertentu. (biasanya untuk beberapa tahun)
• Perubahan dapat dilihat melalui tingkat permintaan organisasi dari suatu tempoh ke satu tempoh dengan memplotkan pembolehubah pada suatu graf
• Jika arah aliran jelas kelihatan pada graf, maka ekstrapolasi boleh dibuat untuk mendapatkan ramalan-ramalan permintaan masa hadapan.
• Komponen data siri masa:

i. Gerakan secular/ aliran jangka panjang (long term/Trend)

• Menunjukkan kea rah mana (turun/naik) data siri masa itu bergerak.
• Arah aliran ini mungkin berbentuk garis lurus atau garis lengkung.
• Perubahan pergerakan data yang meningkat dan menurun secara beransur-ansur mengikut masa.
• Berubah berdasarkan populasi, teknologi, umur, budaya dan lain-lain.

ii.Kitaran

• Adalah gerakan turun naik yang agak teratur dalam jangka masa panjang (beberapa tahun)

• Contoh gerakan turun naik ialah pengedaran hayat bagi sesuatu keluaran iaitu gerakan turun naik dalam corak dan perkembangan cara hidup masyarkat.

• Di Negara yang mempunyai cara hidup kelas social yang tinggi sudah pasti keluaran yang dihasilkan oleh negaranya juga adalah daripada jenis yang mengikut peredaran zaman.

• Interaksi di antara factor-faktor yang mempengaruhi ekonomi. Selalunya mengambil masa 2 hingga 10 tahun.

• Berdasarkan kitaran perniagaan, politik dan ekonomi

iii. Musim

• Paten biasa serta naik turun mengikut cuaca dan budaya. Corak data yang berulang selepas satu tempoh hari, minggu atau bulan

• Gerakan ini juga dipanggil sebagai gerakan berkala

• Gerakan ini berlaku di sebabkan oleh peristiwa berulangan setiap tahun.

• Berdasarkan cuaca, budaya dan lain-lain.

• Contohnya jualan paying akan meningkat pada musim hujan dan berkurang permintaannya pada musim-musim lain.

iv. Rawak

• Perubahan yang berlaku secara mendadak dan tidak sistematik. (contoh : gempa bumi, tunjuk perasaan dan lain-lain).

• Berlaku dalam masa singkat dan tidak berulang.


Putara Bergerak Mudah

PBM = p1, p2 + …………… pn
                          N

Purata Bergerak Berpemberat

Purata Bergerak Berpemberat (PBB) = ∑ pemberat permintaan
                                                                   ∑ pemberat


Exponential Smoothing

New forecast = Last forecast + α (last period’s actual demand – last period’s forecast)

Where
α = weight

the equation also can be written

Ft = Ft – 1 + α (At – 1 – Ft – 1)

Where

Ft = new forecast
Ft – 1 = previous forecast
α = smoothing constant (0 ≤ α ≤ 1)
At – 1 = previous period’s actual demand


Exponential Smoothing with Trend Adjustment

Forecast including trend (FITt) = new forecast (Ft) + trend correction (Tt)

trend correction (Tt) = (1 – β) Tt – 1 + β (Ft - Ft – 1)

where

Tt = smoothed trend for period t

Tt – 1 = smoothed trend for previous period

Β = trend smoothing constant that we select

Ft = simple exponential smoothed forecast for period t

Ft – 1 = forecast for previous period


Linear-regression causal model

Y = a + bx

_
x = Σx
       n

_
y = Σy
       n

        _ _
b = Σxy – n xy
       _
     Σx2 – nx2

      _     _
a = y - bx



Pekali Kolerasi

r = nΣ xy – ΣxΣy
    √ nΣx2 – (Σx)2 nΣy2 - (Σy)2

1 comment:

  1. macam mana kita hendak tentukan:
    ramalan utk tahun berikutnya.
    contoh
    januari (1) atau januari (13)

    ReplyDelete