{"id":594,"date":"2017-10-25T18:08:53","date_gmt":"2017-10-25T11:08:53","guid":{"rendered":"http:\/\/bbs.binus.ac.id\/management\/?p=594"},"modified":"2018-01-04T14:12:20","modified_gmt":"2018-01-04T07:12:20","slug":"metode-kuantitatif-dalam-melakukan-forecasting","status":"publish","type":"post","link":"https:\/\/bbs.binus.ac.id\/management\/2017\/10\/metode-kuantitatif-dalam-melakukan-forecasting\/","title":{"rendered":"Metode kuantitatif dalam melakukan forecasting"},"content":{"rendered":"
    \n
  1. Forecasting<\/em><\/strong><\/li>\n<\/ol>\n

    Terdapat berbagai macam metode kuantitatif dalam peramalan. Menurut Heizer dan Rander (2011:140-152) yang dikutip dari bukunya yang berjudul \u201cOperations Management\u201d<\/em>, metode-metode tersebut adalah sebagai berikut:<\/p>\n

      \n
    1. Naive Approach<\/em><\/strong><\/li>\n<\/ol>\n

      Metode peramalan sederhana yang berasumsi bahwa permintaan para pelanggan di periode selanjutnya sama dengan periode terakhir. Metode ini dianggap metode yang efektif dan efisien dalam meramalkan biaya pengeluaran, yang memberikan titik awal dari metode lainnya.<\/p>\n

        \n
      1. Rata-Rata Bergerak (Moving Averages)<\/em><\/strong><\/li>\n<\/ol>\n

        Metode ini merupakan metode peramalan yang menggunakan jumlah rata-rata periode (n) dari data periode terakhir untuk dilakukan peramalan di periode berikutnya. Metode ini berguna apabila kita dapat mengansumsikan bahwa permintaan pasar tetap stabil dalam jangka waktu tertentu. Berikut ini merupakan rumus dari rata-rata bergerak:<\/p>\n

        Dimana:<\/p>\n

        n: jumlah periode moving average<\/em><\/p>\n

          \n
        1. Rata-Rata Bergerak Tertimbang (Weighted Moving Average)<\/em><\/strong><\/li>\n<\/ol>\n

          Apabila trend atau pola diketahui, maka bobot (weights)<\/em> dapat digunakan untuk menambah nilai baru, serta membuat teknik peramalan menjadi lebih responsif untuk berubah karena periode terbaru mungkin mendapatkan bobot yang lebih besar. Pemilihan bobot bersifat tidak pasti, karena tidak memiliki rumus yang dapat menentukan bobot, sehingga dibutuhkan pengalaman yang baik untuk melakukan pemilihan bobot. Berikut ini merupakan rumus rata-rata bergerak tertimbang:<\/p>\n

            \n
          1. Penghalusan Eksponensial (Exponential Smoothing)<\/em><\/strong><\/li>\n<\/ol>\n

            Metode ini merupakan teknik peramalan rata-rata bergerak tertimbang yang poin datanya diberi bobot dengan fungsi eksponensial. Metode ini juga merupakan metode pembobotan yang canggih dan mudah untuk digunakan. Berikut ini adalah rumus perhitungan penghalusan eksponensial:<\/p>\n

             <\/p>\n

            Yang mana \u00a0merupakan bobot penghalusan konstanta (Smoothing Constant), yang dapat dipilih oleh peramal antara nilai 0 dan 1. Berikut adalah perumusannya:<\/p>\n

             <\/p>\n

            Dimana,<\/p>\n

            Ft \u00a0\u00a0 = Peramalan baru<\/p>\n

            Ft-1<\/sub>\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0 = Peramalan sebelumnya<\/p>\n

            \u0391\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0 = Konstanta penghalusan (pembobotan) (0 \u2264 \u03b1 \u2264 1)<\/p>\n

            At-1<\/sub>\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0 = Permintaan aktual periode sebelumnya<\/p>\n

             <\/p>\n

              \n
            1. Penghalusan Eksponensial dengan Penyesuaian Trend (Exponential Smoothing Trends Adjusted)<\/em><\/strong><\/li>\n<\/ol>\n

              Metode ini merupakan pengembangan metode penghalusan eksponensial yang digunakan untuk memperhitungkan rata-rata penghalusan eksponensial data dan menyesuaikan trend. Formulasi sebagai berikut:<\/p>\n

              Keterangan:<\/p>\n

              FITt = Peramalan dengan trend<\/p>\n

              Ft\u00a0\u00a0\u00a0 = Peramalan penghalusan eksponensial<\/p>\n

              Tt\u00a0\u00a0\u00a0 = Trend penghalusan eksponensial<\/p>\n

              Dengan penyesuaian trend penghalusan eksponensial, estimasi untuk kedua rata-rata dan trend menjadi rapi. Prosedur ini membutuhkan dua penghalusan konstanta, yakni \u00a0untuk rata-rata, dan \u00a0untuk trend. Berikut adalah rumus untuk menghitung rata-rata dan trend tiap periode:<\/p>\n

              Dimana,<\/p>\n

              Ft<\/sub>\u00a0\u00a0\u00a0 = Peramalan dengan eksponensial yang dihaluskan dari data berseri pada periode t<\/p>\n

              Tt<\/sub>\u00a0\u00a0\u00a0 = Tren dengan eksponensial yang dihaluskan pada periode t<\/p>\n

              At\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0 <\/sub>= Permintaan aktual periode t<\/p>\n

              \u03b1\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0 = Konstanta penghalusan untuk rata-rata (0 \u2264 \u03b1 \u2264 1)<\/p>\n

              \u03b2\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0 = Konstanta penghalusan untuk rata-rata (0 \u2264 \u03b2 \u2264 1)<\/p>\n

               <\/p>\n

                \n
              1. Proyeksi Trend (Trend Projections)<\/em> <\/strong><\/li>\n<\/ol>\n

                Metode ini merupakan sebuah metode peramalan deret waktu yang mencocokan garis trend dengan deretan data terdahulu yang kemudian diproyeksikan kedalam peramalan masa depan.<\/p>\n

                \u0177 = a + bx<\/p>\n

                Dimana,<\/p>\n

                \u0177\u00a0\u00a0\u00a0\u00a0 = Nilai terhitung dari variabel yang akan diprediksi<\/p>\n

                a \u00a0\u00a0\u00a0 = Persilangan sumbu y<\/p>\n

                b\u00a0\u00a0\u00a0 = Kemiringan garis regresi (atau tingkat perubahan pada y untuk \u00a0\u00a0\u00a0\u00a0\u00a0\u00a0 perubahan yang terjadi di x<\/p>\n

                x \u00a0\u00a0\u00a0 = Variable bebas (dalam kasus ini adalah waktu).<\/p>\n

                Sedangkan untuk mengetahui nilai a dan b, maka dapat menggunakan rumus berikut:<\/p>\n

                a = y – bx<\/p>\n

                Dimana,<\/p>\n

                b\u00a0\u00a0\u00a0\u00a0\u00a0 = Kemiringan garis regresi<\/p>\n

                \u2211\u00a0\u00a0\u00a0\u00a0 = Tanda penjumlahan total<\/p>\n

                X\u00a0\u00a0\u00a0\u00a0 = Nilai variabel bebas yang diketahui<\/p>\n

                y\u00a0\u00a0\u00a0\u00a0\u00a0 = Nilai variabel terkait yang diketahui<\/p>\n

                <\/a>Mengukur Kesalahan Peramalan<\/strong><\/h3>\n

                \u00a0\u00a0\u00a0\u00a0\u00a0\u00a0 <\/strong>Dikutip dari bukunya \u201cOperations Management\u201d<\/em>, Heizer dan Render (2011:145-147), dibutuhkan analisa pengukuran pada kesalahan peramalan. Pengukuran ini dapat digunakan untuk membandingkan model peramalan yang berbeda, serta mengawasi peramalan apakah berjalan dengan baik atau tidak. Terdapat tiga pengukuran yang sering digunakan oleh para menejer, yaitu:<\/p>\n

                  \n
                1. Deviasi Rata-Rata Absolut (Mean Absolute Deviation)<\/em><\/li>\n<\/ol>\n

                  Deviasi rata-rata absolut atau yang sering disebut sebagai MAD merupakan suatu model yang digunakan untuk mengukur kesalahan peramalan secara keseluruhan dalam sebuah model peramalan.<\/p>\n

                    \n
                  1. Kesalahan Rata-Rata Kuadrat (Mean Squared Error)<\/em><\/li>\n<\/ol>\n

                    Kesalahan rata-rata kuadrat atau yang dapat disebut MSE merupakan selisih nilai rata-rata dari yang di ramalkan dengan yang diamati. Berikut adalah perumusannya, yakni:<\/p>\n

                      \n
                    1. Persentase Kesalahan Rata-Rata Absolut (Mean Absolute Percent Error)<\/em><\/li>\n<\/ol>\n

                      Persentase Kesalahan rata-rata absolut atau yang sering disebut sebagai MAPE merupakan selisih nilai rata-rata dari yang di ramalkan dengan yang diamati dalam bentuk persentase. Permasalahan berasal dari MAD dan MSE adalah nilai mereka bergantung pada besarnya unsur nilai yang diramal. Berikut adalah perumusan MAPE:<\/p>\n

                        \n
                      1. Simulasi Monte Carlo<\/em><\/strong><\/li>\n<\/ol>\n

                        Dalam melakukan simulasi Monte Carlo<\/em> perlu melakukan beberapa tahapan, yaitu:<\/p>\n

                          \n
                        1. Menetapkan distribusi probabilitas untuk kepentingan input variable<\/em>. Tahap ini dilakukan untuk menetapkan probabilitas distribusi barang dengan menggunakan hasil data historis. Data yang dibutuhkan antara lain data permintaan, frekuensi pemesanan, dan lainnya. Probabilitas atau frekuensi relatif untuk setiap hasil variabel ditemukan dengan cara membagi frekuensi observasi dengan jumlah total observasi.<\/li>\n<\/ol>\n

                          Tabel 1. <\/strong>Monte Carlo <\/strong>1<\/strong><\/p>\n\n\n\n\n\n\n\n\n\n\n
                          Permintaan<\/strong><\/td>\nFrekuensi (Hari)<\/strong><\/td>\n<\/tr>\n
                          0<\/td>\nX1<\/sub><\/td>\n<\/tr>\n
                          1<\/td>\nX2<\/sub><\/td>\n<\/tr>\n
                          2<\/td>\nX3<\/sub><\/td>\n<\/tr>\n
                          3<\/td>\nX4<\/sub><\/td>\n<\/tr>\n
                          4<\/td>\nX5<\/sub><\/td>\n<\/tr>\n
                          5<\/td>\nX6<\/sub><\/td>\n<\/tr>\n
                          <\/td>\n\u2211X hari<\/strong><\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

                           <\/p>\n

                           <\/p>\n

                          Tabel 2. <\/strong>Monte Carlo<\/strong> 2<\/strong><\/p>\n\n\n\n\n\n\n\n\n\n\n
                          Permintaan<\/strong><\/td>\nFrekuensi (Hari)<\/strong><\/td>\nProbabilitas Kejadian<\/strong><\/td>\n<\/tr>\n
                          0<\/td>\nX1<\/sub><\/td>\nX1<\/sub>\/\u2211X hari = Y1<\/sub><\/td>\n<\/tr>\n
                          1<\/td>\nX2<\/sub><\/td>\nX2<\/sub>\/\u2211X hari = Y2<\/sub><\/td>\n<\/tr>\n
                          2<\/td>\nX3<\/sub><\/td>\nX3<\/sub>\/\u2211X hari = Y3<\/sub><\/td>\n<\/tr>\n
                          3<\/td>\nX4<\/sub><\/td>\nX4<\/sub>\/\u2211X hari = Y4<\/sub><\/td>\n<\/tr>\n
                          4<\/td>\nX5<\/sub><\/td>\nX5<\/sub>\/\u2211X hari = Y5<\/sub><\/td>\n<\/tr>\n
                          5<\/td>\nX6<\/sub><\/td>\nX6<\/sub>\/\u2211X hari = Y6<\/sub><\/td>\n<\/tr>\n
                          <\/td>\n\u2211X hari<\/strong><\/td>\n\u2211Y = 1,00<\/strong><\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

                           <\/p>\n

                            \n
                          1. Membentuk distribusi probabilitas kumulatif untuk setiap variabel yang ada pada langkah 1. Probabilitas kumulatif didapatkan dengan cara menjumlahkan angka yang berada pada probabilitas kejadian dengan probabilitas kumulatif sebelumnya.<\/li>\n<\/ol>\n

                             <\/p>\n

                            Tabel 3. <\/strong>Monte Carlo<\/strong> 3<\/strong><\/p>\n\n\n\n\n\n\n\n\n\n\n
                            Permintaan<\/strong><\/td>\nFrekuensi (Hari)<\/strong><\/td>\nProbabilitas Kejadian<\/strong><\/td>\nProbabilitas Kumulatif<\/strong><\/td>\n<\/tr>\n
                            0<\/td>\nX1<\/sub><\/td>\nX1<\/sub>\/\u2211X hari = Y1<\/sub><\/td>\nY1<\/sub>= a<\/td>\n<\/tr>\n
                            1<\/td>\nX2<\/sub><\/td>\nX2<\/sub>\/\u2211X hari = Y2<\/sub><\/td>\na+Y2 <\/sub>= b<\/td>\n<\/tr>\n
                            2<\/td>\nX3<\/sub><\/td>\nX3<\/sub>\/\u2211X hari = Y3<\/sub><\/td>\nb+Y3 <\/sub>= c<\/td>\n<\/tr>\n
                            3<\/td>\nX4<\/sub><\/td>\nX4<\/sub>\/\u2211X hari = Y4<\/sub><\/td>\nc+Y4 <\/sub>= d<\/td>\n<\/tr>\n
                            4<\/td>\nX5<\/sub><\/td>\nX5<\/sub>\/\u2211X hari = Y5<\/sub><\/td>\nd+Y5 <\/sub>= e<\/td>\n<\/tr>\n
                            5<\/td>\nX6<\/sub><\/td>\nX6<\/sub>\/\u2211X hari = Y6<\/sub><\/td>\ne+Y6 <\/sub>= 1,00<\/td>\n<\/tr>\n
                            <\/td>\n\u2211X hari<\/strong><\/td>\n\u2211Y = 1,00<\/strong><\/td>\n\u00a0<\/strong><\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

                             <\/p>\n

                              \n
                            1. Menetapkan interval bilangan acak untuk setiap variable. Setelah menentukan nilai probabilitas kumulatif, maka selanjutnya dilakukan penentuan interval bilangan acak setiap variabel untuk mewakili nilai atau output<\/em>. Interval bilangan acak didapatkan dengan cara, sebagai berikut:<\/li>\n<\/ol>\n

                              Tabel 4. <\/strong>Monte Carlo<\/strong> 4<\/strong><\/p>\n\n\n\n\n\n\n\n\n\n\n
                              Permintaan<\/strong><\/td>\n\u00a0\u00a0\u00a0 Frekuensi<\/strong><\/p>\n

                              \u00a0\u00a0\u00a0 (Hari)<\/strong><\/td>\n

                              		Probabilitas<\/strong><\/p>\n

                              \u00a0\u00a0\u00a0\u00a0\u00a0 Kejadian<\/strong><\/td>\n

                              		Probabilitas<\/strong><\/p>\n

                              Kumulatif<\/strong><\/td>\n

                              		Interval<\/em><\/strong> Bilangan Acak<\/strong><\/td>\n<\/tr>\n
                              0<\/td>\nX1<\/sub><\/td>\nX1<\/sub>\/\u2211X hari = Y1<\/sub><\/td>\nY1<\/sub>= a<\/td>\n1 \u2013 (a\u00d7100)<\/td>\n<\/tr>\n
                              1<\/td>\nX2<\/sub><\/td>\nX2<\/sub>\/\u2211X hari = Y2<\/sub><\/td>\na+Y2 <\/sub>= b<\/td>\n((a\u00d7100) +1) \u2013 (b\u00d7100)<\/td>\n<\/tr>\n
                              2<\/td>\nX3<\/sub><\/td>\nX3<\/sub>\/\u2211X hari = Y3<\/sub><\/td>\nb+Y3 <\/sub>= c<\/td>\n((b\u00d7100) +1) \u2013 (c\u00d7100)<\/td>\n<\/tr>\n
                              3<\/td>\nX4<\/sub><\/td>\nX4<\/sub>\/\u2211X hari = Y4<\/sub><\/td>\nc+Y4 <\/sub>= d<\/td>\n((c\u00d7100) +1) \u2013 (d\u00d7100)<\/td>\n<\/tr>\n
                              4<\/td>\nX5<\/sub><\/td>\nX5<\/sub>\/\u2211X hari = Y5<\/sub><\/td>\nd+Y5 <\/sub>= e<\/td>\n((d\u00d7100) +1) \u2013 (e\u00d7100)<\/td>\n<\/tr>\n
                              5<\/td>\nX6<\/sub><\/td>\nX6<\/sub>\/\u2211X hari = Y6<\/sub><\/td>\ne+Y6 <\/sub>= 1,00<\/td>\n((e\u00d7100) +1) \u2013 100<\/td>\n<\/tr>\n
                              <\/td>\n\u2211X hari<\/strong><\/td>\n\u2211Y = 1,00<\/strong><\/td>\n\u00a0<\/strong><\/td>\n\u00a0<\/strong><\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

                               <\/p>\n

                                \n
                              1. Menghasilkan bilangan acak. Terdapat beberapa cara untuk mendapatkan bilangan acak, yaitu menggunakan bantuan software<\/em> komputer seperti Microsoft Excel <\/em>dengan cara memasukan formula =RAND() atau =RANDBETWEEN (0,100) pada kolom aktif dan menariknya ke kolom lainnya sesuai dengan kebutuhan. Perbedaan formula =RAND() dengan =RANDBETWEEN(0,100) ialah dengan formula =RAND() akan menghasilkan bilangan desimal dan menghasilkan bilangan acak antara 0 dengan 1, sedangkan =RANDBETWEEN(1,100) menghasilkan bilangan bulat antara 1 \u2013 100. Biasanya cara dengan menggunakan Microsoft Excel<\/em> untuk mendapatkan bilangan acak digunakan pada saat permasalahan berskala besar. Cara lain untuk mendapatkan bilangan acak adalah dengan mengambil bilangan acak secara acak melalui tabel bilangan acak. Biasanya cara ini digunakan apabila permasalahan yang ada memiliki skala yang kecil dan dapat dilakukan dengan perhitungan manual.<\/li>\n<\/ol>\n

                                Tabel 5. Contoh Bilangan Acak Menggunakan <\/strong>Microsoft Excel<\/strong><\/p>\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n
                                13<\/td>\n84<\/td>\n88<\/td>\n34<\/td>\n64<\/td>\n95<\/td>\n74<\/td>\n68<\/td>\n85<\/td>\n96<\/td>\n43<\/td>\n38<\/td>\n61<\/td>\n99<\/td>\n97<\/td>\n<\/tr>\n
                                57<\/td>\n79<\/td>\n37<\/td>\n96<\/td>\n88<\/td>\n65<\/td>\n64<\/td>\n86<\/td>\n10<\/td>\n75<\/td>\n94<\/td>\n81<\/td>\n83<\/td>\n37<\/td>\n88<\/td>\n<\/tr>\n
                                31<\/td>\n29<\/td>\n3<\/td>\n18<\/td>\n43<\/td>\n17<\/td>\n63<\/td>\n36<\/td>\n49<\/td>\n62<\/td>\n83<\/td>\n53<\/td>\n95<\/td>\n5<\/td>\n63<\/td>\n<\/tr>\n
                                36<\/td>\n25<\/td>\n22<\/td>\n87<\/td>\n25<\/td>\n47<\/td>\n85<\/td>\n46<\/td>\n13<\/td>\n96<\/td>\n22<\/td>\n26<\/td>\n70<\/td>\n2<\/td>\n99<\/td>\n<\/tr>\n
                                37<\/td>\n9<\/td>\n12<\/td>\n76<\/td>\n7<\/td>\n4<\/td>\n17<\/td>\n17<\/td>\n56<\/td>\n59<\/td>\n100<\/td>\n17<\/td>\n47<\/td>\n66<\/td>\n21<\/td>\n<\/tr>\n
                                86<\/td>\n86<\/td>\n20<\/td>\n95<\/td>\n31<\/td>\n51<\/td>\n35<\/td>\n1<\/td>\n45<\/td>\n49<\/td>\n92<\/td>\n41<\/td>\n34<\/td>\n88<\/td>\n17<\/td>\n<\/tr>\n
                                31<\/td>\n88<\/td>\n76<\/td>\n10<\/td>\n71<\/td>\n56<\/td>\n65<\/td>\n59<\/td>\n16<\/td>\n28<\/td>\n38<\/td>\n91<\/td>\n32<\/td>\n53<\/td>\n3<\/td>\n<\/tr>\n
                                14<\/td>\n94<\/td>\n54<\/td>\n95<\/td>\n2<\/td>\n20<\/td>\n72<\/td>\n33<\/td>\n90<\/td>\n55<\/td>\n47<\/td>\n8<\/td>\n80<\/td>\n28<\/td>\n60<\/td>\n<\/tr>\n
                                26<\/td>\n12<\/td>\n56<\/td>\n3<\/td>\n28<\/td>\n55<\/td>\n74<\/td>\n8<\/td>\n94<\/td>\n87<\/td>\n64<\/td>\n75<\/td>\n31<\/td>\n30<\/td>\n76<\/td>\n<\/tr>\n
                                31<\/td>\n25<\/td>\n67<\/td>\n76<\/td>\n51<\/td>\n31<\/td>\n76<\/td>\n62<\/td>\n38<\/td>\n87<\/td>\n69<\/td>\n13<\/td>\n73<\/td>\n54<\/td>\n56<\/td>\n<\/tr>\n
                                56<\/td>\n52<\/td>\n7<\/td>\n57<\/td>\n8<\/td>\n80<\/td>\n21<\/td>\n26<\/td>\n25<\/td>\n49<\/td>\n90<\/td>\n84<\/td>\n91<\/td>\n5<\/td>\n35<\/td>\n<\/tr>\n
                                99<\/td>\n73<\/td>\n69<\/td>\n35<\/td>\n16<\/td>\n85<\/td>\n52<\/td>\n25<\/td>\n69<\/td>\n42<\/td>\n67<\/td>\n65<\/td>\n26<\/td>\n2<\/td>\n48<\/td>\n<\/tr>\n
                                37<\/td>\n94<\/td>\n67<\/td>\n97<\/td>\n48<\/td>\n93<\/td>\n92<\/td>\n83<\/td>\n2<\/td>\n89<\/td>\n33<\/td>\n52<\/td>\n41<\/td>\n72<\/td>\n95<\/td>\n<\/tr>\n
                                32<\/td>\n70<\/td>\n48<\/td>\n4<\/td>\n48<\/td>\n38<\/td>\n61<\/td>\n100<\/td>\n10<\/td>\n79<\/td>\n2<\/td>\n43<\/td>\n75<\/td>\n82<\/td>\n68<\/td>\n<\/tr>\n
                                81<\/td>\n23<\/td>\n70<\/td>\n49<\/td>\n28<\/td>\n69<\/td>\n64<\/td>\n81<\/td>\n100<\/td>\n29<\/td>\n41<\/td>\n75<\/td>\n86<\/td>\n48<\/td>\n99<\/td>\n<\/tr>\n
                                68<\/td>\n58<\/td>\n76<\/td>\n79<\/td>\n91<\/td>\n33<\/td>\n50<\/td>\n25<\/td>\n26<\/td>\n13<\/td>\n50<\/td>\n57<\/td>\n22<\/td>\n60<\/td>\n74<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

                                Sumber: Pengelolahan Data<\/p>\n

                                 <\/p>\n

                                  \n
                                1. Mengstimulasikan serangkaian simulasi. Simulasi dilakukan dengan sederhana yaitu memilih bilangan acak yang yang ada pada tabel bilangan acak. Lalu untuk mendapatkan hasil simulasi maka dilakukan pencocokan kelas bilangan acak dengan interval<\/em> bilangan acak.<\/li>\n<\/ol>\n

                                  Tabel 6. Monte Carlo 6<\/strong><\/p>\n\n\n\n\n\n\n\n\n\n
                                  Periode<\/strong><\/td>\nBilangan Acak<\/strong><\/td>\nPermintaan (Simulasi)<\/strong><\/td>\n<\/tr>\n
                                  1<\/td>\n13<\/td>\nPermintaan antara 0-5<\/td>\n<\/tr>\n
                                  2<\/td>\n57<\/td>\nPermintaan antara 0-5<\/td>\n<\/tr>\n
                                  3<\/td>\n31<\/td>\nPermintaan antara 0-5<\/td>\n<\/tr>\n
                                  4<\/td>\n36<\/td>\nPermintaan antara 0-5<\/td>\n<\/tr>\n
                                  5<\/td>\n37<\/td>\nPermintaan antara 0-5<\/td>\n<\/tr>\n
                                  <\/td>\n<\/td>\n\u2211 Permintaan<\/strong><\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

                                   <\/p>\n

                                    \n
                                  1. Pada tahap ini, dilakukan pencarian rata-rata persediaan<\/li>\n<\/ol>\n

                                    Tabel 7. Monte Carlo 7<\/strong><\/p>\n\n\n\n\n\n\n\n\n
                                    Periode<\/strong><\/td>\nUnit Pesanan<\/strong><\/td>\nPersediaan Awal<\/strong><\/td>\nAngka Acak<\/strong><\/td>\nPermintaan<\/strong><\/td>\nPersediaan Akhir<\/strong><\/td>\nOrder<\/strong><\/td>\n<\/tr>\n
                                    1<\/td>\n–<\/td>\n*<\/td>\n13<\/td>\n**<\/td>\n***<\/td>\n****<\/td>\n<\/tr>\n
                                    2<\/td>\nQ<\/td>\n*<\/td>\n57<\/td>\n**<\/td>\n***<\/td>\n****<\/td>\n<\/tr>\n
                                    3<\/td>\nQ<\/td>\n*<\/td>\n31<\/td>\n**<\/td>\n***<\/td>\n****<\/td>\n<\/tr>\n
                                    4<\/td>\nQ<\/td>\n*<\/td>\n36<\/td>\n**<\/td>\n***<\/td>\n****<\/td>\n<\/tr>\n
                                    5<\/td>\nQ<\/td>\n*<\/td>\n37<\/td>\n**<\/td>\n***<\/td>\n****<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

                                     <\/p>\n

                                    Keterangan:<\/p>\n

                                    Q\u00a0\u00a0\u00a0 \u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0 = Jumlah unit yang dipesan<\/p>\n

                                    \u201c*\u201d\u00a0 \u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0 = Jumlah persediaan awal<\/p>\n

                                    \u201c**\u201d\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0 = Jumlah permintaan berdasarkan hasil simulasi monte carlo<\/em><\/p>\n

                                    \u201c***\u201d\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0 = Jumlah persediaan akhir setelah memenuhi permintaan<\/p>\n

                                    \u201c****\u201d\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0 = Status pemesanan. Jika persediaan akhri tidak dapat memenuhi permintaan periode berikutnya dan perlu melakukan pemesanan, maka diberi keterangan \u201cYa\u201d. Apabila persediaan akhir yang tersisa dapat memenuhi permintaan periode berikutnya, maka tidak perlu melakukan pemesanan.<\/p>\n

                                    Setelah melakukan simulasi diatas, selanjutnya dilakukan simulasi kedalam bentuk perhitungan atau formulasi sebagai berikut ini:<\/p>\n

                                      \n
                                    • Rata-Rata Persediaan Akhir =<\/li>\n
                                    • Biaya Barang = Biaya Per Unit \u00d7 Permintaan per Tahun<\/li>\n
                                    • Rata-Rata Biaya Penyimpanan = Rata-Rata Persediaan Akhir \u00d7 Biaya Penyimpanan per Unit<\/li>\n
                                    • Total Biaya Pemesanan = Jumlah Order \u00d7 Biaya Pemesanan<\/li>\n
                                    • Total Biaya = Biaya Barang + Rata-Rata Biaya Penyimpanan + Total Biaya Pemesanan<\/li>\n<\/ul>\n","protected":false},"excerpt":{"rendered":"

                                      Forecasting Terdapat berbagai macam metode kuantitatif dalam peramalan. Menurut Heizer dan Rander (2011:140-152) yang dikutip dari bukunya yang berjudul \u201cOperations Management\u201d, metode-metode tersebut adalah sebagai berikut: Naive Approach Metode peramalan sederhana yang berasumsi bahwa permintaan para pelanggan di periode selanjutnya sama dengan periode terakhir. Metode ini dianggap metode yang efektif dan efisien dalam meramalkan biaya […]<\/p>\n","protected":false},"author":10,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[2],"tags":[],"class_list":["post-594","post","type-post","status-publish","format-standard","hentry","category-article"],"_links":{"self":[{"href":"https:\/\/bbs.binus.ac.id\/management\/wp-json\/wp\/v2\/posts\/594","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/bbs.binus.ac.id\/management\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/bbs.binus.ac.id\/management\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/bbs.binus.ac.id\/management\/wp-json\/wp\/v2\/users\/10"}],"replies":[{"embeddable":true,"href":"https:\/\/bbs.binus.ac.id\/management\/wp-json\/wp\/v2\/comments?post=594"}],"version-history":[{"count":1,"href":"https:\/\/bbs.binus.ac.id\/management\/wp-json\/wp\/v2\/posts\/594\/revisions"}],"predecessor-version":[{"id":595,"href":"https:\/\/bbs.binus.ac.id\/management\/wp-json\/wp\/v2\/posts\/594\/revisions\/595"}],"wp:attachment":[{"href":"https:\/\/bbs.binus.ac.id\/management\/wp-json\/wp\/v2\/media?parent=594"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/bbs.binus.ac.id\/management\/wp-json\/wp\/v2\/categories?post=594"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/bbs.binus.ac.id\/management\/wp-json\/wp\/v2\/tags?post=594"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}