Transcript forecasting

PERAMALAN (FORECASTING)
KELOMPOK 2 :
Azrin Dhaniar Aprilia (0809289)
Dani Zulhaidar (0800595)
Sintia Oktaviani (0807139)
Definisi Peramalan
•Peramalan adalah seni dan ilmu untuk memprediksi masa depan.
•Peramalan adalah tahap awal, dan hasil ramalan merupakan
basis bagi seluruh tahapan pada perencanaan produksi.
•Proses peramalan dilakukan pada level agregat (part family);
bila data yang dimiliki adalah data item, maka perlu dilakukan
agregasi terlebih dahulu.
•Metode: Kualitatif dan kuantitatif.
•Terminologi: perioda, horison, lead time, fitting error, forecast
error, data dan hasil ramalan.
Meramal Horizon Waktu
• Peramalan jangka pendek, peramalan yang
mencakup jangk waktu hingga 1 tahun tetapi
umumnya kurang dari 3 bulan. Digunakan untuk
perencanan pembelin, penjadwalan kerja, dll
• Peramalan jangka menengah, Mencakup hitungan
bulanan hingga 3 tahun. Digunakan untuk
perencanaan penjualan, anggaran produksi,
anggaran kas, dll
• Peramalan jangka panjang, umumnya untuk
perencanaan 3 tahun atau lebih. Digunakan untuk
perencanaan pembuatan produk baru, pembelanjan
modal, penelitian dan pengembanagn, dll
Jenis Peramalan
• Peramalan ekonomi, menjelaskan siklus bisnis
dengan memprediksikan tingkat inflasi,
Ketersediaan uang, dan indikator perencanaan
lainnya.
• Peramalan teknologi, memperhatikan tingkat
kemajuan teknologi yang dapat meluncurkan
produk baru yang menarik, yang membutuhkan
pabrik dan peralatan baru.
• Peramalan permintaan, proyeksi untuk produk
atau layanan suatu perusahaan.
Langkah-langkah Peramalan
•
•
•
•
•
Menetapkan tujuan peramalan.
Memilih unsur apa yang akan diramal.
Menentukan horizo n waktu peramalan.
Memilih tipe model peramalan.
Mengumpulkan data yang diperlukan untuk menentukan
peramalan.
• Membuat peramalan.
• Memvalidasi dan menerapkan hasil peramalan
Tipe teknik peramalan adalah :
1. Metode Kualitatif.
Berdasarkan pada keputusan,
pendapat, pengalaman atau perkiraan
sederhana untuk melakukan ramalan
2. Metode Kuantitatif.
Berdasarkan pada metode matematis
atau dalam bentuk statistik.
Tinjauan metode kualitatif
•
•
•
•
Keputusan dari pendapat juri eksekutif
Metode Delphi
Gabungan dari tenaga penjualan
Survei pasar konsumen
Tinjauan metode kuantitatif
• Model time series:
–
–
–
–
Pendekatan naif
Rata-rata bergerak
Penghalusan eksponensial
Proyeksi tren
• Model asosiatif :
– Regresi linear
Persyaratan
Penggunaan
Metode Kuantitatif:
1. Tersedia informasi tentang masa lalu.
2. Informasi tersebut dapat di kuantitatifkan dalam
bentuk data numerik.
3. Dapat diasumsikan bahwa beberapa aspek pola
masa lalu akan terus berlanjut di masa mendatang.
Pendekatan Naif
• Yaitu pendekatan kuantitatif yang
mengasumsikan permintaan periode
mendatang sama dengan periode kini
5. Metode Moving Average
• Digunakan bila data-datanya :
- tidak memiliki trend
- tidak dipengaruhi faktor musim
• Digunakan untuk peramalan dengan perioda waktu
spesifik.
• Moving Average didefinisikan sebagai :
n
MA
MA= ∑ permintaan n sebelumnya atau
n
Keterangan :
n = jumlah perioda
dt = demand pada bulan ke t
n

d
t 1
n
t
Metode Exponential Smoothing (2)
ES didefinisikan sebagai:
Ft  Ft 1  a  At 1  Ft 1 
Keterangan:
Ft = Peramalan yg ditentukan sebelumnya untuk periode t
Ft-1 = Ramalan untuk periode sebelumnya
At-1 = permintaan aktual periode lalu
a = konstanta penghalus(pembobot) (0≤α≥1)



a besar, smoothing yg dilakukan kecil
a kecil, smoothing yg dilakukan semakin besar
a optimum akan meminimumkan MSE, MAPE
Metode perhitungan kesalahan peramalan :
Kesalahan Peramalan = permintaan aktual – nilai peramalan
= A1 – f1
a. Mean Absolute
Deviation
( MAD ) 

aktual  peramalan
n
b. Mean Squared
Error (MSE ) 
 kesalahanp
eramalan

n
n
c. Mean Absolute
Percent
Error
(MAPE ) 
100  aktual i  ramalan
i 1
n
i
/ aktual
i
Penghalusan Eksponensial
dengan Penyesuaian Tren
• Ft = α(At-1) + (1-α) (Ft-1 + Tt-1)
• Tt = β(Ft - Ft-1) + (1-β) Tt-1
• Peramalan dengan tren (FITt) = peramalan
penghalusan eksponensial (Ft) + tren
penghalusan eksponensial (Tt)
2. Metode Linier
trend
• Model ini menggunakan data yang secara
random berfluktuasi membentuk garis lurus.
• Rumus untuk metoda linier:
yˆ  a  bx
a  y  bx
b 
 xy  n x y
 x  nx
2
2
Keterangan:
ŷ= variable terikat
α= persilangan sumbu y
b= kemiringan garis regresi
x= Variable bebas
∑= tanda penjumlahan total
y= nilai variable terkait
y  rata  rata .. y
x  rata - rata..x
Tiga persyaratan menggunakan
metode kuadrat terkecil
• Selalu petakan data karena data kuadrat terkecil
mengasumsikan adanya hubungan linear. Jika
yang didapatkan adalah sebuah garis lengkung,
maka analisis kurva linear mungkin diperlukan.
• Jangan memprediksikan periode waktu terlalu
jauh di depan data yang diberikan.
• Deviasi di sekitar garis kuadrat terkecil
diasumsikan acak. Mereka biasanya tersebar
merata dengan hampir seluruh pengamatan dekat
pada garis dan hanya sebagian kecil data jauh dari
garis.
Variasi Musiman pada data
• Variasi musiman pada data adalah pergerakan
yang reguler baik meningkat maupun menurun
dalam kurun waktu tertentu
• Langkah variasi musiman data:
– Menemukan rata-rata permintaa historis untuk setiap
musim
– Menhitung Rata-rata permintaan untuk setiap bulan
– Menghitung indeks musiman
– Mengestimasi permintaan tahunan total untuk tahun
depan
– Membagi prediksi permintaan tahunan total dengan
jumlah musim
Variasi Siklus dalam Data
• Siklus adalah poladata yang muncul setiap
beberapa tahun
• Cara terbaik untuk memprediksi siklus
bisnis adalah dengan menemukan variable
terdahulu yang berhubungan dengan data
Analisis regresi
• Analisis regresi merupakan suatu teknik matematis
yang menghubungkan variabel independent dengan
variabel dependent. Persamaan linier sebagai berikut
:
yˆ  a  bx
• Dimana
• ŷ = nilai variable terikat ( dalam contoh kita adalah
penjualan)
• α= perpotongan sumbu y
• b = kemiringan garis regresi
• x = variable bebas
•
 xy  n x y
x
b
x
n
x
2
 nx
2
a  y  bx
Kesalahan standar dari suatu estimasi
• Titik prediksi adalah rata-rata(mean) atau nilai harapan
(expected value) dari suatu distribusi penjualan yang mungkin.
Untuk menghitung keakuratan regresi yang diperkirakan, kita
harus menghitung kesalahan standar estimasi (standard error of
the estimate), perhitungan ini disebut deviasi standar regresi
(standard deviation of the regression) yang menghitung
kesalahan dari variable terikat terhadap garis regresi dan bukan
terhadap rata-rata.
•
•
•
•
 y
 yc

2
Dimana S y , x 
n  2
y = nilai y untuk setiap titik data
Yc = nilai terhitung variable terikat, dari persamaan regresi
n = jumlah data
Koefisien korelasi untuk garis regresi
• Persamaan regresi dalah satu cara untuk menyatakan hubungan
antara dua variable. Garis regresi bukanlah hubungan sebab
akibat. Mereka menjelaskan hubungan antar variable.
Persamaan regresi menunjukan bagaimana satu variable
berhubungan pada nilai dan perubahan pada variable lain. Cara
lain untuk mengevaluasi hubungan antara dua variable adalah
dengan menghitung koefisien korelasi (coefficient of
correlation). Koefisien korelasi adlah suatu bilangan antara +1
dan -1
r 
n 
n  xy 
x
2
 ( x )
2
 x
n  y
y
2
 ( y )
2

• Perhitungan ini disebut juga koefisien determinasi (coefficient
of determination) dan merupakan pengkuadratan sederhana
koefisien korelasi.
Analisis Regresi berganda
• Regresi berganda (multiple regression) adalah lanjutan praktis
dari model regresi sederhana. Regresi sederhana. Regresi
berganda membolehkan kita membangun sebuah model dengan
beberapa variable bebas, dan bukan dengan hanya satu variable.
•
•
•
•
•
ˆ  a  b1 x 1  b 2 x 2
y
dimana
ŷ = nilai variable terikat ( dalam contoh kita adalah penjualan)
α = sebuah konstanta
b1 dan b2 = koefisien dari dua variable bebas
x1 dan x2 = nilai dua variable bebas berturut-turut, upah wilayah
dan tingkat suku bunga
Pengawasan dan pengendalian
peramalan
•
•
•
•
•
•
Perusahaan perlu menetapkan keputusan atas perbedaan yang signifikan
dengan yang diramalkan melalui variable yang dievaluasi. Satu cara untuk
mengawasi peramalan berjalan dengan baik adalah dengan menggunakan
sebuah sinyal penelusuran (tracking signal). Sinyal penelusuran adalah sebuah
perhitungan seberapa baik peramala memprediksi nilai actual.
Sinyal penelusuran dihitung sebagai running sum of the forecast errors
(RSFE) dibagi dengan mean absolute deviation (MAD) :
(Tracking signal) = RSFE/MAD
= ∑(permintaan aktual pada perioode I – ramalan permintaan periode I /MAD
Dimana
MAD = ∑|aktual-peramalan| / n
Sinyal penelusuran positif menandakan permintaan lebih besar dari ramalan.
Sinyal negative berarti permmintaan lebih sedikit dari ramalan.
Sinyalpenelusuran yang bagus adalah yang memiliki RSFE rendah,
mempunyai kesalahan positif yang sama dengan kesalahan negatifnya.
Penghalusan adaptif
• Penghalusan adaptif merupakan suatu
pendekatan untuk melakukan peramalan
penghalusan eksponensial dimana konstanta
penghalusan secara otomatis berubah untuk
menjaga jumlah kesalahan minimum.
Peramalan Fokus
• Peramalan focus adalah peramalan yang
mencoba beragam model computer dan
memilih yang terbaik untuk aplikasi tertentu.
• Peramaln focus didasarkn pada dua prinsip,
yaitu:
1. Model peramalan yang canggih tidak selalu
lebih baik dari model yang sederhana
2. Tidak ada satu teknik yang bias digunakan
untuk semua produk dan jasa.
Kesimpulan
1. Peramalan merupakan tahapan awal dalam
perencanaan sistem operasi produksi.
2. Model yang paling tepat harus dipilih dalam
melakukan peramalan.
3. Model yang dipilih dapat dibandingkan dengan
model yang lain dengan menggunakan kriteria
minimum average sum of squared errors.
4. Distribusi forecast errors harus dimonitor, jika
terjadi bias maka model yang digunakan tidak tepat.