Dokumen tersebut membahas tentang peramalan kebutuhan logistik dengan menggunakan metode ekstrapolasi seri waktu. Metode ini mengasumsikan pola permintaan masa lalu akan terulang di masa depan. Beberapa teknik yang dijelaskan adalah teknik dasar, rata-rata bergerak, dan dekomposisi untuk memperkirakan permintaan jangka pendek dan menengah. Pilihan metode tergantung pada karakteristik data sejarah
Dokumen tersebut membahas tentang peramalan permintaan dalam manajemen rantai pasokan. Ia menjelaskan tujuan peramalan permintaan, karakteristiknya, horizon peramalan, langkah-langkah melakukannya, model-model peramalan waktu berseri seperti rata-rata bergerak dan penghalusan eksponensial, serta ukuran kesalahan peramalan.
Peramalan, Pendekatan, Teknik Naif, Rata rata bergerak, Pembobotan Rata rata bergerak, Penghalusan Eksponensial, dan Metode Evaluasi Teknik Peramalan MAD, MSE, MAPE, MPE
Dokumen tersebut membahas tentang peramalan permintaan dalam manajemen rantai pasokan. Ia menjelaskan tujuan peramalan permintaan, karakteristiknya, horizon peramalan, langkah-langkah melakukannya, model-model peramalan waktu berseri seperti rata-rata bergerak dan penghalusan eksponensial, serta ukuran kesalahan peramalan.
Peramalan, Pendekatan, Teknik Naif, Rata rata bergerak, Pembobotan Rata rata bergerak, Penghalusan Eksponensial, dan Metode Evaluasi Teknik Peramalan MAD, MSE, MAPE, MPE
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
Dokumen tersebut membahas tentang perencanaan dan pengawasan operasi produksi yang meliputi peramalan produksi, perencanaan produksi, dan pengawasan persediaan. Beberapa metode peramalan yang dijelaskan adalah peramalan subjektif dan objektif seperti metode Delphi, regresi linier, dan rata-rata bergerak. Dokumen ini juga menjelaskan proses perencanaan produksi berdasarkan hasil peramalan untuk menentukan jadwal produksi dan mengelola per
Dokumen tersebut membahas tentang perancangan jaringan supply chain. Secara singkat, dokumen tersebut menjelaskan bahwa perancangan jaringan supply chain mencakup keputusan tentang lokasi, jumlah, dan kapasitas fasilitas produksi dan distribusi. Dokumen tersebut juga menjelaskan beberapa model yang dapat digunakan dalam merancang jaringan supply chain seperti metode kualitatif dan gravity location models.
Dokumen tersebut membahas tentang strategi logistik yang mencakup beberapa bab seperti manajemen logistik, persoalan strategi logistik, metode pengambilan keputusan logistik, perancangan dan operasi inventori, perencanaan dan pengelolaan transportasi, pengelolaan kemitraan. Dibahas pula analisis kuantitatif untuk membantu pengambilan keputusan strategi logistik menggunakan metode riset operasi seperti benchmarking, simulasi, dan optimis
Dokumen tersebut membahas prosedur perencanaan logistik yang terdiri atas perencanaan strategis, operasional, dan taktis. Langkah-langkah perencanaan logistik meliputi penilaian kemungkinan, perencanaan proyek, modeling, penentuan kebutuhan data, pengumpulan data, dan analisis untuk merumuskan saran.
Ringkasan dokumen tersebut adalah sebagai berikut:
1) Dokumen tersebut membahas model stokastik antrian non-Poisson pada pelayanan perbankan dengan menguji distribusi kedatangan dan pelayanan nasabah serta menentukan model dan ukuran kinerja sistem antrian.
Strategi supply chain merupakan pendekatan keseluruhan yang berkaitan dengan pelaksanaan ide, perencanaan, dan eksekusi aktivitas dalam rantai pasokan untuk mencapai tujuan jangka panjang seperti menurunkan biaya, meningkatkan kepuasan pelanggan, dan peningkatan laba."
Dokumen tersebut membahas tentang analisis peluang pasar, riset pemasaran, perilaku konsumen, dan segmentasi pasar. Dokumen ini memberikan penjelasan singkat mengenai konsep-konsep penting dalam pemasaran seperti analisis peluang pasar, riset pemasaran, perilaku konsumen, serta segmentasi pasar."
The document discusses machine vision and image matching. It begins with definitions of image matching as the process of geometrically positioning two images so their pixels represent the same physical areas. It describes extracting local invariant features from images using methods like Scale Invariant Feature Transform (SIFT) to find correspondences between images for tasks like object recognition and panorama creation despite variations in lighting, viewpoint and scale. SIFT extracts key points from images and represents each with a 128-element feature vector for robust matching between images.
More Related Content
Similar to LN3 - Forecasting Logistics Requirement
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
Dokumen tersebut membahas tentang perencanaan dan pengawasan operasi produksi yang meliputi peramalan produksi, perencanaan produksi, dan pengawasan persediaan. Beberapa metode peramalan yang dijelaskan adalah peramalan subjektif dan objektif seperti metode Delphi, regresi linier, dan rata-rata bergerak. Dokumen ini juga menjelaskan proses perencanaan produksi berdasarkan hasil peramalan untuk menentukan jadwal produksi dan mengelola per
Dokumen tersebut membahas tentang perancangan jaringan supply chain. Secara singkat, dokumen tersebut menjelaskan bahwa perancangan jaringan supply chain mencakup keputusan tentang lokasi, jumlah, dan kapasitas fasilitas produksi dan distribusi. Dokumen tersebut juga menjelaskan beberapa model yang dapat digunakan dalam merancang jaringan supply chain seperti metode kualitatif dan gravity location models.
Dokumen tersebut membahas tentang strategi logistik yang mencakup beberapa bab seperti manajemen logistik, persoalan strategi logistik, metode pengambilan keputusan logistik, perancangan dan operasi inventori, perencanaan dan pengelolaan transportasi, pengelolaan kemitraan. Dibahas pula analisis kuantitatif untuk membantu pengambilan keputusan strategi logistik menggunakan metode riset operasi seperti benchmarking, simulasi, dan optimis
Dokumen tersebut membahas prosedur perencanaan logistik yang terdiri atas perencanaan strategis, operasional, dan taktis. Langkah-langkah perencanaan logistik meliputi penilaian kemungkinan, perencanaan proyek, modeling, penentuan kebutuhan data, pengumpulan data, dan analisis untuk merumuskan saran.
Ringkasan dokumen tersebut adalah sebagai berikut:
1) Dokumen tersebut membahas model stokastik antrian non-Poisson pada pelayanan perbankan dengan menguji distribusi kedatangan dan pelayanan nasabah serta menentukan model dan ukuran kinerja sistem antrian.
Strategi supply chain merupakan pendekatan keseluruhan yang berkaitan dengan pelaksanaan ide, perencanaan, dan eksekusi aktivitas dalam rantai pasokan untuk mencapai tujuan jangka panjang seperti menurunkan biaya, meningkatkan kepuasan pelanggan, dan peningkatan laba."
Dokumen tersebut membahas tentang analisis peluang pasar, riset pemasaran, perilaku konsumen, dan segmentasi pasar. Dokumen ini memberikan penjelasan singkat mengenai konsep-konsep penting dalam pemasaran seperti analisis peluang pasar, riset pemasaran, perilaku konsumen, serta segmentasi pasar."
The document discusses machine vision and image matching. It begins with definitions of image matching as the process of geometrically positioning two images so their pixels represent the same physical areas. It describes extracting local invariant features from images using methods like Scale Invariant Feature Transform (SIFT) to find correspondences between images for tasks like object recognition and panorama creation despite variations in lighting, viewpoint and scale. SIFT extracts key points from images and represents each with a 128-element feature vector for robust matching between images.
1. Unsupervised learning digunakan untuk pengelompokkan data tanpa label melalui clustering.
2. K-means clustering dan hierarchical clustering adalah dua pendekatan utama clustering.
3. Pemilihan parameter seperti jumlah cluster pada k-means mempengaruhi akurasi hasil clustering.
1. The document discusses machine vision techniques including image filtering in the frequency domain and wavelet transforms. It provides details on Fourier transforms, common filters like low pass and high pass, and compares Fourier and wavelet transforms.
2. Fourier transforms allow filtering images by manipulating the image's frequency spectrum but do not provide time information. Wavelet transforms analyze images based on frequency and time, providing advantages over Fourier transforms for non-stationary signals.
3. Common filters discussed are ideal, Butterworth, and Gaussian filters for both low pass and high pass. Examples show the effects of applying these filters to an image. Discrete wavelet transforms provide an efficient method to decompose signals into different frequency bands.
Warna dari sebuah obyek dipengaruhi oleh interaksi antara cahaya dan material obyek, serta sistem penglihatan manusia. Beberapa faktor yang mempengaruhi warna antara lain pemantulan, penyerapan, dan pembelokan cahaya oleh material obyek, serta sensitivitas reseptor mata manusia terhadap panjang gelombang cahaya. Representasi warna dalam ruang warna seperti RGB dan CIE XYZ memungkinkan standarisasi persepsi warna.
This document provides an overview of machine vision applications including content-based image retrieval and face recognition. It discusses how content-based image retrieval systems work by extracting image features, calculating distances between images, and returning similar images from a database based on a query image. Examples of content-based image retrieval systems and the features they use are described. The document also covers face detection and recognition techniques, including the use of eigenfaces which represent faces as locations in a lower-dimensional space.
This document provides an overview of image matching techniques. It defines image matching as geometrically aligning two images so corresponding pixels represent the same scene region. Key aspects covered include detecting invariant local features, describing features in a scale and rotation invariant way using SIFT, and matching features between images. SIFT is highlighted as an extraordinarily robust technique that can handle various geometric and illumination changes. Feature matching is used in many computer vision applications such as image alignment, 3D reconstruction, and object recognition.
This document discusses unsupervised machine learning techniques for clustering unlabeled data. It covers k-means clustering, which partitions data into k groups based on minimizing distance between points and cluster centroids. It also discusses agglomerative hierarchical clustering, which successively merges clusters based on their distance. As an example, it shows hierarchical clustering of texture images from five classes to group similar textures.
This document provides an overview of pattern recognition and supervised learning for machine vision. It discusses what pattern recognition is, examples of pattern recognition applications, the basic steps in a pattern recognition system including data acquisition, preprocessing, feature extraction, supervised/unsupervised learning, and post-processing. For supervised learning, it describes the process of inferring functions from labeled training data. It also provides an example of using multiple features and decision boundaries for texture classification of images.
This document provides an overview of texture analysis techniques in machine vision. It discusses both structural and statistical approaches to texture analysis. Structural approaches attempt to model textures as repeating patterns of texture elements, while statistical approaches characterize textures using measures computed from pixel intensities alone. Specific statistical techniques covered include local binary patterns (LBP), gray-level co-occurrence matrices (GLCM), Laws texture energy measures, Fourier power spectrum, and wavelet texture descriptors. The document also discusses how these various texture features can be used for texture segmentation.
This document discusses various shape features that can be used for machine vision and image segmentation. It covers thresholding techniques, identifying object boundaries using chain codes and Fourier descriptors, and describing regions using basic descriptors like area and perimeter or moment invariants. Segmentation is described as an important but difficult task, and thresholding, discontinuities and region similarity are presented as common segmentation approaches. Examples are provided to illustrate different shape feature extraction methods.
This document provides an overview of feature detection techniques in machine vision, including edge detection, the Canny edge detector, interest points, and the Harris corner detector. It describes how edge detection works by finding discontinuities in images using masks and correlation. It explains that the Canny edge detector is an optimal method that uses Gaussian smoothing and non-maximum suppression. Interest points are localized features useful for applications like image alignment, and the Harris corner detector computes gradients to find locations with dominant directions, identifying corners.
This document provides an overview of image filtering in the frequency domain and introduces the wavelet transform. It discusses Fourier transforms and how they can be used to filter images. Specifically, it describes:
1) How low-pass filters smooth images by removing high frequency components, while high-pass filters sharpen images by removing low frequencies.
2) Common low-pass filters like ideal, Butterworth, and Gaussian filters and how their transfer functions are defined.
3) Examples of filtering an image with different low-pass filters to smooth or remove noise.
4) The limitations of the Fourier transform in analyzing non-stationary signals and how the wavelet transform provides time-frequency localization.
Modul Ajar Matematika Kelas 11 Fase F Kurikulum MerdekaFathan Emran
Modul Ajar Matematika Kelas 11 SMA/MA Fase F Kurikulum Merdeka - abdiera.com. Modul Ajar Matematika Kelas 11 SMA/MA Fase F Kurikulum Merdeka. Modul Ajar Matematika Kelas 11 SMA/MA Fase F Kurikulum Merdeka. Modul Ajar Matematika Kelas 11 SMA/MA Fase F Kurikulum Merdeka. Modul Ajar Matematika Kelas 11 SMA/MA Fase F Kurikulum Merdeka.
Ppt landasan pendidikan Pai 9 _20240604_231000_0000.pdffadlurrahman260903
Ppt landasan pendidikan tentang pendidikan seumur hidup.
Prodi pendidikan agama Islam
Fakultas tarbiyah dan ilmu keguruan
Universitas Islam negeri syekh Ali Hasan Ahmad addary Padangsidimpuan
Pendidikan sepanjang hayat atau pendidikan seumur hidup adalah sebuah system konsepkonsep pendidikan yang menerangkan keseluruhan peristiwa-peristiwa kegiatan belajarmengajar yang berlangsung dalam keseluruhan kehidupan manusia. Pendidikan sepanjang
hayat memandang jauh ke depan, berusaha untuk menghasilkan manusia dan masyarakat yang
baru, merupakan suatu proyek masyarakat yang sangat besar. Pendidikan sepanjang hayat
merupakan asas pendidikan yang cocok bagi orang-orang yang hidup dalam dunia
transformasi dan informasi, yaitu masyarakat modern. Manusia harus lebih bisa menyesuaikan
dirinya secara terus menerus dengan situasi yang baru.
Materi ini membahas tentang defenisi dan Usia Anak di Indonesia serta hubungannya dengan risiko terpapar kekerasan. Dalam modul ini, akan diuraikan berbagai bentuk kekerasan yang dapat dialami anak-anak, seperti kekerasan fisik, emosional, seksual, dan penelantaran.
2. ISYE6090 - Supply Cahin : Logistics
LEARNING OUTCOMES
LO 1 : Identify the model for industrial logistics problems of its objectives, constraints and
decision variables.
LO 2 : Apply logistics systems of its engineering design method.
OUTLINE MATERI (Sub-Topic):
Demand Forecasting Methods.
Time Series Extrapolation.
Further Time Series Extrapolation Method : The Constant Trend Case.
3. ISYE6090 - Supply Cahin : Logistics
ISI MATERI
PENDAHULUAN.
Peramalan merupakan upaya untuk menentukan terlebih dahulu hasil yang paling mungkin
dari variabel tidak pasti. Perencanaan dan pengendalian sistem logistik perlu prediksi untuk
tingkat kegiatan ekonomi masa depan karena jeda waktu dalam pencocokan pasokan dengan
permintaan. Keputusan tertentu harus dilakukan sebelum mempertimbangkan beberapa data
yang ada pada setiap aspek dari proses perencanaan jaringan (termasuk lokasi fasilitas dan
pembelian kapasitas) serta penjadwalan produksi, manajemen persediaan dan perencanaan
transportasi.
Kebutuhan logistik yang diantaranya diprediksi termasuk permintaan pelanggan, harga bahan
baku, biaya tenaga kerja dan ‘lead time’. Dalam pertemuan ini teknik peramalan dijelaskan
sehubungan dengan permintaan meskipun mereka sama-sama berlaku untuk jenis lain dari
data.
Peramalan didasarkan pada beberapa hipotesis. Tidak ada metode peramalan dapat dianggap
unggul daripada orang lain dalam segala hal. Sebagai faktanya, untuk menghasilkan
perkiraan permintaan harus menunjukkan beberapa derajat keteraturan. Misalnya, pola
permintaan harus tetap hampir sama di masa depan atau entri permintaan harus bergantung
sampai batas tertentu pada nilai-nilai masa lalu dari satu set variabel. Item yang hipotesis ini
memegang dikatakan memiliki permintaan rutin. Hal ini sering terjadi ketika ada banyak
pelanggan yang secara individu membeli sebagian kecil dari volume penjualan secara
keseluruhan.
Perkiraan Jangka Panjang, Jangka Menengah Dan Jangka Pendek. Perkiraan
permintaan yang diselenggarakan oleh periode waktu menjadi tiga kategori umum, yaitu :
Prakiraan jangka panjang dengan rentang waktu dari satu sampai lima tahun.
Prediksi untuk waktu yang lebih lama yang sangat bisa diandalkan, karena isu-isu
politik dan teknologi ikut bermain. Prakiraan jangka panjang yang digunakan untuk
memutuskan apakah item baru harus diletakkan di pasar, atau apakah yang lama harus
ditarik, serta dalam merancang jaringan logistik. Prakiraan seperti sering dihasilkan
untuk seluruh kelompok komoditas (atau jasa) bukan untuk satu item (atau layanan).
4. ISYE6090 - Supply Cahin : Logistics
Prakiraan jangka menengah memperpanjang selama periode beberapa bulan
sampai satu tahun. Prakiraan ini sering digunakan untuk keputusan taktis untuk
logistik, seperti pengaturan produksi dan distribusi rencana tahunan, manajemen
persediaan dan alokasi slot yang di gudang.
Prakiraan jangka pendek mencakup interval waktu dari beberapa hari sampai
beberapa minggu. Biasanya digunakan untuk jadwal dan menjadwal ulang untuk
memenuhi produksi dan target distribusi jangka menengah. Sebagai permintaan
layanan yang diterima, ada kurang perlu untuk perkiraan. Akibatnya, perkiraan untuk.
interval waktu yang lebih singkat (beberapa jam atau satu hari) cukup jarang (lihat
Gambar berikut).
Peran ahli logistik dalam menghasilkan perkiraan. Memprediksi permintaan jangka
menengah dan panjang yang hampir perlu menjadi perhatian seseorang yang menangani
logistik. Akan tetapi tugas sering, dilakukan manajer pemasaran yang mencoba untuk
mempengaruhi permintaan, misalnya, dengan meluncurkan kampanye iklan untuk barang-
barang yang penjualannya menurun. Seseorang yang menangani logistic lebih sering
melakukan prediksi untuk permintaan jangka pendek.
Permintaan Dependen versus Independen. Permintaan untuk barang-barang tertentu
(misalnya barang jadi dari perusahaan manufaktur) tidak dapat berhubungan dengan
permintaan dari beberapa komoditas lainnya. Namun, ada beberapa produk (seperti bahan
baku dan komponen yang diperlukan saat produksi) yang permintaannya dapat diturunkan
secara deterministik sesuai persyaratan dari beberapa item lain (misalnya barang jadi).
Sebagai contoh, jumlah pengeras suara yang dibutuhkan ketika merakit satu set TV dapat
dengan mudah dihitung sebagai kelipatan dari jumlah set TV yang dibuat. Kemungkinan juga
terdapat produk yang struktur produknya cukup kompleks dapat berisi ratusan komponen
yang berbeda, perhitungan tersebut sering dilakukan melalui prosedur komputerisasi, seperti
perencanaan sumber daya manufaktur (MRP).
Lokasi Spasial Permintaan. Karena dalam banyak kasus pelanggan secara geografis
tersebar, perlu memperkirakan tidak hanya ketika permintaan yang ada ditempat tersebut,
5. ISYE6090 - Supply Cahin : Logistics
tetapi juga di mana volume permintaan akan terjadi. Hal ini karena keputusan lokasi gudang
tersebut dan pengaturan tingkat persediaan dipengaruhi oleh lokasi permintaan. Untuk tujuan
ini, top-down atau pendekatan bottom-up dapat dimanfaatkan. Dalam metode top-down,
seluruh permintaan global diperkirakan dan kemudian dibagi secara heuristik antara wilayah
geografis (mis atas dasar kuota penjualan terbaru). Sebaliknya, dalam teknik bottom-up, pola
permintaan item diperkirakan di setiap wilayah geografis, dan kemudian jika diperlukan.
METODA PERAMALAN KEBUTUHAN.
Sebelum memperkenalkan klasifikasi metode peramalan kebutuhan, perlu mengamati hal
berikut.
• Peramalan jangka pendek adalah sebagai aturan yang lebih akurat daripada yang untuk
periode menengah dan panjang. Hal ini hanya karena semakin panjang interval waktu,
semakin besar kemungkinan kejadian yang tak terduga.
• Peramalan kebutuhan agregat umumnya lebih tepat daripada item tunggal. Hal ini dapat
dijelaskan sebagai berikut. Misalkan tuntutan n item dapat dimodelkan sebagai
independen variabel acak X1, X2,. . . , Xn, memiliki nilai rata-rata yang diharapkan μx
yang sama dan standar deviasi σx yang sama. Kemudian, agregat demand y adalah
variabel acak,
Y = X1 + X2 +· · ·+Xn,
dimana nilai ekspetasi dan standar deviasi, sebagai berikut :
μy = nμx dan
Hal ini mengikuti rasio antara stadar deviasi σy dan rata-rata μy sebagai berikut :
√
………… (2.1)
Persamaan (2.1) menunjukkan bahwa dispersi relatif dari permintaan agregat sekitar
koresponden nilai yang diharapkan μy kurang dari dispersi relative dari permintaan item
tunggal.
Pendekatan peramalan dapat diklasifikasikan dalam dua kategori utama: kualitatif dan
metode kuantitatif.
a. Metoda Kualitatif.
6. ISYE6090 - Supply Cahin : Logistics
Metode kualitatif terutama didasarkan pada pengalaman tenaga kerja atau survei,
meskipun mereka juga dapat menggunakan alat-alat matematika sederhana untuk
menggabungkan perkiraan yang berbeda. Metode kualitatif biasanya digunakan untuk
prakiraan jangka menengah panjang dan, bila ada sejarah cukup untuk menggunakan
pendekatan kuantitatif.
Hal ini terjadi, misalnya, ketika newproduct atau layanan diluncurkan di pasar, ketika
sebuah kemasan produk berubah, atau ketika pola permintaan di masa mendatang
diharapkan akan terpengaruh oleh pergantian politik atau dengan kemajuan teknologi.
Metode kualitatif yang paling banyak digunakan adalah penjualan penilaian kekuatan,
riset pasar dan metode Delphi. Dalam pendekatan pertama, peramalan dikembangkan
oleh salesman perusahaan. Sebagai aturan, tenaga kerja dapat memberikan perkiraan yang
akurat karena dekat dengan pelanggan. riset pasar didasarkan pada wawancara dengan
calon konsumen atau pengguna. Hal ini memakan waktu dan memerlukan pengetahuan
yang mendalam tentang teori sampling.
Untuk alasan ini hanya digunakan sesekali, misalnya, ketika memutuskan apakah produk
baru harus diluncurkan. Dalam metode Delphi, serangkaian kuesioner disampaikan
kepada panel ahli. Setiap kali sekelompok pertanyaan dijawab, set baru informasi menjadi
tersedia. Kemudian kuesioner baru disiapkan sedemikian rupa bahwa setiap ahli
dihadapkan dengan temuan baru. Prosedur ini menghilangkan efek ikutan dari pendapat
mayoritas. Metode Delphi berakhir segera setelah semua ahli berbagi sudut pandang yang
sama. Teknik ini terutama digunakan untuk memperkirakan pengaruh perubahan politik
atau makro-ekonomi pada permintaan barang.
b. Metoda Kuantitatif.
Metode kuantitatif dapat digunakan setiap kali ada sejarah permintaan yang cukup.
Teknik-teknik tersebut milik dua kelompok utama: metode kausal dan time series
ekstrapolasi. metode kausal didasarkan pada hipotesis bahwa permintaan di masa
mendatang tergantung pada nilai-nilai masa lalu atau saat ini dari beberapa variabel.
7. ISYE6090 - Supply Cahin : Logistics
Mereka termasuk regresi, model ekonometrik, model input-output, analisis siklus hidup,
model simulasi komputer dan jaringan saraf.
Sebagian besar pendekatan ini sulit untuk melaksanakan, bahkan untuk perusahaan besar.
Pada praktek, hanya regresi tunggal atau ganda digunakan untuk perencanaan dan
pengendalian logistik.
Time series ekstrapolasi mengandaikan bahwa beberapa fitur dari masa lalu permintaan
pola waktu akan tetap sama. Pola permintaan kemudian diproyeksikan di masa depan. Ini
bisa dilakukan dalam beberapa cara, termasuk teknik dasar, moving average, teknik
smoothing eksponensial, pendekatan dekomposisi dan metode Box-Jenkins. Pemilihan
teknik peramalan kuantitatif yang paling cocok tergantung pada jenis data historis yang
tersedia dan jenis produk (Atau layanan). Namun, sebagai suatu peraturan, yang terbaik
adalah untuk memilih pendekatan yang paling sederhana mungkin. Prinsip ini didasarkan
pada pengamatan berikut :
• Prakiraan diperoleh dengan menggunakan teknik sederhana yang mudah dipahami
dan menjelaskan. Ini adalah aspek fundamental ketika sejumlah besar uang yang
terlibat dalam proses pengambilan keputusan.
• Dalam konteks bisnis, prosedur peramalan yang rumit jarang menghasilkan hasil yang
lebih baik dari yang sederhana.
EKSTRAPOLASI ‘TIME SERIES.
Ekstrapolasi ‘Time Series’ menganggap bahwa fitur utama dari pola permintaan masa lalu
akan direplikasi di masa depan. Sebuah ramalan dapat diperoleh dengan ekstrapolasi
(memproyeksikan) pola permintaan. Teknik-teknik tersebut cocok untuk prediksi jangka
pendek dan menengah, di mana kemungkinan pergantian adalah rendah.
Sebagaimana dijelaskan dalam Bagian metoda peramalan kebutuhan, time series ekstrapolasi
dapat dilakukan dengan beberapa cara. Metode dekomposisi klasik digambarkan dalam
bagian ini, sedangkan teknik dasar, rata-rata dan teknik smoothing exponential moving
dijelaskan kemudian.
METODA EKSTRAPOLASI ‘TIME SERIES’ LANJUT : KASUS TREN KONSTAN.
Langkah pertama menganalisis kasus di mana pola permintaan terakhir tidak menunjukkan
efek siklus dan musiman yang relevan, dan tren yang konstan. Perkiraan awal bahwa
8. ISYE6090 - Supply Cahin : Logistics
peramalan harus dihasilkan hanya untuk periode berikutnya ke depan. Berikut akan
ditujukkan teknik yang dapat digunakan untuk memprediksi :
a. Teknik Awal (Elementary).
Perkiraan untuk periode pertama kalinya ke depan hanya diberikan oleh
Sebagai contoh :
Sarath adalah distributor peralatan Korea yang berbasis di Malaysia. Volume penjualan
portable TV set selama 12 minggu terakhir di Kuala Lumpur ditunjukkan pada Tabel berikut:
.
Perioda
Waktu
Kuantitas Perioda
Waktu
Kuantitas
1 1180 7 1162
2 1176 8 1163
3 1185 9 1180
4 1163 10 1170
5 1188 11 1161
6 1172 12 1177
Pola permintaan digambarkan pada Gambar 2.13.
0
200
400
600
800
1000
1200
1400
1 2 3 4 5 6 7 8 9 10 11 12
Perioda Waktu Kuantitas
9. ISYE6090 - Supply Cahin : Logistics
Hal ini dapat dilihat bahwa tren konstan. Dengan menggunakan teknik dasar, kita
memperoleh
b. Metoda ‘Moving Average’.
Metode rata-rata bergerak (moving average) menggunakan rata-rata dari r entri permintaan
terbaru sebagai perkiraan untuk periode pertama depan (r ≥1):
∑
Jika r dipilih sama dengan 1, metoda moving average menjadi teknik elementary (awal)
dengan menggunakan metoda moving average contoh soal diatas diperoleh hasil peramalan
sebagai berikut :
Bila menggunakan metode rata-rata bergerak, kita harus menunggu data permintaan r
pertama akan tersedia sebelum memproduksi perkiraan. Untuk mengatasi kelemahan ini,
perkiraan perioda waktu T < r diperoleh dengan menggunakan rata-rata dari data yang
tersedia pada periode T pertama
∑
Sebagai contoh, jika T = 1 kemudian p2 = d1, jika T = 2 maka p3 = (d1 + d2)/2.
Sebuah aspek kunci dari metode rata-rata bergerak adalah pilihan parameter r. Nilai kecil r
memungkinkan penyesuaian cepat dari perkiraan fluktuasi permintaan tetapi, pada saat yang
sama, meningkatkan pengaruh gangguan acak. Sebaliknya, nilai tinggi r efektif menyaring
efek acak, tapi menghasilkan adaptasi lambat untuk menuntut variasi. Fenomena ini dapat
dijelaskan sebagai berikut. Biarkan d1,. . . , dT variabel-variabel acak independen dengan yang
10. ISYE6090 - Supply Cahin : Logistics
diharapkan nilai μ dan standar σ deviasi. Itu variabel acak akan memiliki nilai yang
diharapkan didefinisikan sebagai
∑ ∑
Standar Deviasi :
√
Metoda Exponential Smoothing.
Metode pemulusan eksponensial (juga dikenal sebagai metode Brown) dapat dilihat sebagai
evolusi dari teknik rata-rata bergerak. Peramalan permintaan diperoleh dengan
mempertimbangkan semua data historis dan menetapkan bobot yang lebih rendah untuk data
yang lebih lama.Peramalan permintaan untuk periode pertama ke depan diberikan oleh
( )
Dimana α ϵ (0,1) merupakan konstan smoothing. Disini pT merepresentasikan peramalan
kebutuhan untuk perioda T untuk perioda waktu T-1.
Contoh.
Misal pada perioda waktu T ada dT = 1177 dan pT = 1182. Kemudian peramalan pT+1
diperoleh dengan menggunakan metoda Brown dengan nilai α = 0.2.
pT+1 = 0.2 x 117 + (1 – 0.2) x 1182) = 1181.
11. ISYE6090 - Supply Cahin : Logistics
SIMPULAN.
Peramalan merupakan upaya untuk menentukan terlebih dahulu hasil yang paling mungkin
dari variabel tidak pasti. Perencanaan dan pengendalian sistem logistik perlu prediksi untuk
tingkat kegiatan ekonomi masa depan karena jeda waktu dalam pencocokan pasokan dengan
permintaan. Keputusan tertentu harus dilakukan sebelum mempertimbangkan beberapa data
yang ada pada setiap aspek dari proses perencanaan jaringan (termasuk lokasi fasilitas dan
pembelian kapasitas) serta penjadwalan produksi, manajemen persediaan dan perencanaan
transportasi.
Kebutuhan logistik yang diantaranya diprediksi termasuk permintaan pelanggan, harga bahan
baku, biaya tenaga kerja dan ‘lead time’. Dalam pertemuan ini teknik peramalan dijelaskan
sehubungan dengan permintaan meskipun mereka sama-sama berlaku untuk jenis lain dari
data.
Dalam memprediksi kebutuhan, perioda waktu menjadi suatu hal yang diperlukan untuk
dipertimbangkan.Diklasifikasikan dalam tiga kelompok jangka waktu, yaitu : jangka panjang,
jangka menengah dan jangka pendek. Perioda waktu peramalan ini mempengaruhi seberapa
banyak data masa yang diperlukan sebagai dasar dalam melakukan peramalan.
Beberapa metoda untuk memprediksi kebutuhan dimasa mendatang diperlukan, pada bagian
ini dibahas metoda peramalan yang sederhana.
12. ISYE6090 - Supply Cahin : Logistics
DAFTAR PUSTAKA
Ghiani, G., G. Laporte, and R. Musmanno. (2004). Introduction to Logistics
Systems Planning and Control. 1st Edition. John Wiley and Sons. . ISBN: 978-
0470849163.
Goetschalckx, Marc. (2009). Supply chain engineering : version 0.8.0.0, 24 Dec
2009. SPRIN. . ISBN: 9781441965110.
Ghiani, Gianpaolo, Laporte, Gilbert, Musmanno, Roberto. (2013). Introduction
to logistics systems management. 2nd Edition. JWS. . ISBN:
9781119943389.The book in the first list is a must to have for each student.