1

BAB V

Peramalan (Forecasting)

Memprediksi kejadian masa depan

Pada umumnya menggambarkan
perilaku di masa lalu

Metode Kualitatif

Peramalan

Didasarkan subyektivitas metode

Metode Kuantitatif

(Forecasting)

Tujuan strategis
peramalan

Fo
Fok
kus pada manajemen persediaan

Tujuan jangka pendek untuk
permintaan produksi

Tujuan jangka panjang untuk produk
baru, proses dan teknologi

Fo
Fok
kus pada Total Quality Management

Kepuasan pelanggan

Aliran produksi tanpa ada barang
yang cacat

Untuk perencanaan strategis

Didasarkan pada formula matematis

Komponen - Komponen
Peramalan

Batasan waktu (Time Frame

Frame))

Jangka pendek,
pendek, jangka menengah,
menengah,
jangka panjang

Perilaku permintaan (Demand
(Demand Behavior)
Behavior)

Kecenderungan (Trends
(Trends)), siklus
(cycles
cycles)), musiman (seasonal
(seasonal
patterns)) dan random
patterns

Time Frame

Demand

Demand

Random
movement
Time
(b) Cycle

Demand

Demand

Time
(a) Trend

Time
(c) Seasonal pattern

Time
(d) Trend with seasonal pattern

Kecenderungan (Trend
(Trend))

Suatu gerakan yang menunjukkan arah
gerakan secara umum (kecenderungan
naik atau turun)

Siklus (Cycle
(Cycle))

Gerakan/variasi jangka panjang
disekitar garis trend

Musiman (Seasonal
(Seasonal pattern)
pattern)

Fluktuasi permintaan secara periodik
akan berulang pada suatu waktu
tertentu

Fluktuasi bebas tidak tergantung pola

Jangka pendek ke jangka menengah

Data harian,
harian, mingguan, bulanan

Sampai 2 tahun ke depan

Jangka panjang

Perencanaan strategis,
strategis, produ
produksi
ksi,,
pemasaran

Perencanaan 2 tahun ke depan

Forms of Forecast Movement

Fluktuasi Permintaan

Metode Peramalan

Runtun waktu (Time
(Time series)
series)

Regresi atau model kausal

Metode Kualitatif (Qualitative
(Qualitative methods)
methods)

Keputusan manajemen,
manajemen, pakar,
pakar,
pendapat manajemen, penjualan,
pemasaran,, teknik
pemasaran

Metode Delphi (Delphi
(Delphi method)
method)

Minta peramalan dari para pakar

Forecasting Process
1. Identify the purpose
of forecast

2. Collect
historical data

6. Check forecast accuracy

with one or more measures

5. Develop/compute
forecast for period of
historical data

7.
Is accuracy
of forecast
acceptable
?

8a. Forecast over

planning horizon

3. Plot data and

identify patterns

4. Select a forecast
model that seems
appropriate for data

10. Monitor results

and measure forecast
accuracy

10

Rata-rata Bergerak
Rata(Moving Average
Average))

Rata
Rata--rata beberapa
periode
period
e data

Menghaluskan
perubahan

Gunakan waktu
permintaan stabil
dengan tidak ada
kecenderungan
atau pola musim

Simple Moving Average

BLN

n
Di
MAn =

i=1
n

dimana
n = jumlah periode waktu
rata--rata bergerak
rata
Di = permintaan waktu ke i
MAn = Moving Average keke-n

Metode statistik menggunakan data historis

Metode ratarata-rata bergerak ((Moving
Moving
average))
average

Penghalusan Ekponensial (Exponential
(Exponential
smoothing))
smoothing

Garis trend Lin
Linier
ier

Pola permintaan yang akan datang
diasumsikan dari pola permintaan yang lalu

Peramalan Naif (Naive
(Naive forecasts)
forecasts)

Forecast = data dari akhir periode

8b. Select new forecast

model or adjust
parameters of existing
model

9. Adjust forecast based

on additional qualitative
information and insight

Metode Runtun waktu

(Time Series methode
methode))

Jan
Feb
Mar
Apr
Mei
Junii
Jun
Julii
Jul
Agust
Agust
Sept
Ok t

PASIEN OPERASI
PER BLN
120
90
100
75
110
50
75
130
110
90

11

Di

i=1

MA3 =

130 + 110 + 90
=
3
=1
110
10 pasien Nov

Jadi peramalan untuk bulan Nov = 110 pasien

Simple Moving Average

PASIEN OPERASI
3-BULAN
PER BLN
MOVING AVERAGE

BLN
Jan
Feb
Mar
Apr
Mei
Junii
Jun
Julii
Jul
Agust
Agust
Sept
Ok t
Nop
Nop

120
90
100
75
110
50
75
130
110
90

103.3
88.3
95.0
78.3
78.3
85.0
105.0
110.0

12

Simple Moving Average

PASIEN OPERASI
3-BULAN
PER BLN
MOVING AVERAGE

BLN
5

Di

i=1

MA5 =

90 + 110 + 130 + 75 + 50
=
5

= 91 pasien untuk Nop

Nop

Jan
Feb
Mar
Apr
Mei
Junii
Jun
Julii
Jul
Agust
Agust
Sept
Ok t
Nop
Nop

120
90
100
75
110
50
75
130
110
90

13

5-BULAN
MOVING AVERAGE

103.3
88.3
95.0
78.3
78.3
85.0
105.0
110.0

99.0
85.0
82.0
88.0
95.0
91.0

forecast

15

Efek Penghalusan

Rata-Rata Bergerak Tertimbang

Rata(Weighted Moving Average
Average))

15

150

Jumlah pasien

sama dengan
moving average
hanya elemen
data dalam
bentuk bobot

5-bulan

125
100
75

3-bulan

50
Aktual

25
0

|
Jan

|
Feb

|
Mar

|
Apr

WMAn =

Wi Di

i=1

dimana

Wi = bobot untuk periode i,

antara 0 dan 100
pers
per
sen

Wi = 1.00
|
Mei

|
|
Jun
Junii Juli
Juli

|
|
Agus
Agus Sept

|
Okt

|
Nop
Nop

Bulan

Weighted Moving
Average Example
BULAN
Agust
September
Oktober

BOBOT

DATA

17%
33%
50%

130
110
90

16

Metode ratarata-rata

Bobot yang lebih
besar pada data
terakhir

Memutakhirkan
ramalan atas dasar
periode per
periode

metod
metode
e akurat

Nop
Nopember forecast WMA3 =

Exponential Smoothing

Wi D i
i=1

= (0.50)(90) + (0.33)(110) + (0.17)(130)

= 103.4 pasien

Effect of Smoothing
Constant
0.0 1.0
jika = 0.20, maka Ft +1 = 0.20 Dt + 0.80 Ft
jika = 0, maka Ft +1 = 0 Dt + 1 Ft 0 = Ft
Forecast tidak menampilkan d
data
ata terbaru

jika = 1, maka Ft +1 = 1 Dt + 0 Ft = Dt
Forecast didasarkan pada data terbaru

17

Ft +1 = Dt + (1 - )Ft
dimana
Ft +1 = forecast untuk
periode yang akan
datang
Dt = permintaan nyata
untuk periode
sebelumnya
Ft = ramalan sebelumnya
= konstanta
penghalusan

18

19

Exponential Smoothing
PERIOD

BULAN

DEMAND

1
2
3
4
5
6
7
8
9
10
11
12

Jan
Feb
Mar
Apr
Mei
Jun
Jul
Agust
Agust
Sep
Okt
Nop
Nop
Des
Des

37
40
41
37
45
50
43
47
56
52
55
54

F2 = D1 + (1 - )F1
= (0.30)(37) + (0.70)(37)
= 37
F3 = D2 + (1 - )F2
= (0.30)(40) + (0.70)(37)
= 37.9
F13 = D12 + (1 - )F12
= (0.30)(54) + (0.70)(50.84)
= 51.79

20

Exponential Smoothing
PERIOD

BULAN

DEMAND

1
2
3
4
5
6
7
8
9
10
11
12
13

Jan
Feb
Mar
Apr
Mei
Jun
Jul
Agus
Agus
Sep
Okt
Nop
Nop
Des
Des
Jan

37
40
41
37
45
50
43
47
56
52
55
54

Exponential Smoothing

FORECAST, Ft + 1
( = 0.3)

37.00
37.90
38.83
38.28
40.29
43.20
43.14
44.30
47.81
49.06
50.84
51.79

BULAN

DEMAND

1
2
3
4
5
6
7
8
9
10
11
12
13

Jan
Feb
Mar
Apr
Mei
Jun
Jul
Agust
Agust
Sep
Okt
Nop
Nop
Des
Des
Jan

37
40
41
37
45
50
43
47
56
52
55
54

37.00
37.90
38.83
38.28
40.29
43.20
43.14
44.30
47.81
49.06
50.84
51.79

37.00
38.50
39.75
38.37
41.68
45.84
44.42
45.71
50.85
51.42
53.21
53.61

23

AFt +1 = Ft +1 + Tt +1

= 0.50

Actual

FORECAST, Ft + 1
( = 0.3)
( = 0.5)

Adjusted Exponential
Smoothing

70

50

Orders

PERIOD

22

Exponential Smoothing
Forecasts
60

21

dimana
T = faktor trend penghalusan eksponensial

40
= 0.30
30

Tt +1 = (Ft +1 - Ft) + (1 - ) Tt

20

dimana

10
0

|
1

|
2

|
3

|
4

|
5

|
6

|
7

|
8

|
9

|
10

|
11

|
12

|
13

Tt = faktor trend akhir periode

= konstanta penghalusan

bulan

24

Adjusted Exponential
Smoothing Example
PERIOD

MONTH

DEMAND

T3

= (F3 - F2) + (1 - ) T2

25

Adjusted Exponential
Smoothing Example
PERIOD

BULAN

DEMAND

FORECAST
Ft +1

TREND
Tt +1

ADJUSTED
FORECAST AFt +1

1
2
3
4
5
6
7
8
9
10
11
12
13

Jan
Feb
Mar
Apr
Mei
Jun
Jul
Agust
Agust
Sep
Okt
Nop
Nop
Des
Des
Jan

37
40
41
37
45
50
43
47
56
52
55
54

37.00
37.00
38.50
39.75
38.37
38.37
45.84
44.42
45.71
50.85
51.42
53.21
53.61

0.00
0.45
0.69
0.07
0.07
1.97
0.95
1.05
2.28
1.76
1.77
1.36

37.00
38.95
40.44
38.44
38.44
47.82
45.37
46.76
58.13
53.19
54.98
54.96

= (0.30)(38.5 - 37.0) + (0.70)(0)

1
2
3
4
5
6
7
8
9
10
11
12

Jan
Feb
Mar
Apr
Mei
Jun
Jul
Agust
Agust
Sep
Okt
Nop
Nop
Des
Des

37
40
41
37
45
50
43
47
56
52
55
54

= 0.45
AF3 = F3 + T3 = 38.5 + 0.45
= 38.95
T13 = (F13 - F12) + (1 - ) T12
= (0.30)(53.61 - 53.21) + (0.70)(1.77)
= 1.36
AF13 = F13 + T13 = 53.61 + 1.36 = 54.96

26

Adjusted Exponential
Smoothing Forecasts
70

27

y = a + bx

Adjusted forecast ((
= 0.30)

60

Garis Trend Linier

(Linear Trend Line
Line))

Actual

Demand

50

dimana
a = inters
intersep (pada periode
periode 0)
b = kemiringan/slope
kemiringan/slope
x = periode waktu
y = forecast untuk periode waktu x

40
Forecast (
( = 0.50)

30
20
10
0

|
1

|
2

|
3

|
4

|
5

|
|
6
7
Period

|
8

|
9

|
10

|
11

|
12

|
13

Garis Trend Linier

(Linear Trend Line
Line))

Kuadrat terkecil (Least

Squares))
Squares

28

x(PERIOD)

xy - nxy
b = x2 - nx2
a = y-bx
dimana
n = jumlah periode waktu
x
x = n = rata-rata nilai x
y
y = n = rata-rata nilai y

Kuadrat terkecil (Least Squares

Squares))

= 1.72
a = y - bx
= 46.42 - (1.72)(6.5)
= 35.2

xy

x2

1
2
3
4
5
6
7
8
9
10
11
12

73
40
41
37
45
50
43
47
56
52
55
54

37
80
123
148
225
300
301
376
504
520
605
648

1
4
9
16
25
36
49
64
81
100
121
144

78

557

3867

650

30

31

Trend Linier
70

Garis trend linier

60

y = 35.2 + 1.72x

50

Forecast untuk periode 13

y = 35.2 + 1.72(13)
y = 57.56 units

Actual

Demand

78
x =
= 6.5
12
557
y =
= 46.42
12
xy - nxy
b = 2
x - nx2
3867 - (12)(6.5)(46.42)
= 650 - 12(6.5)2

y(DEMAND)

29

40
Linear trend line

30
20
10
0

|
1

|
2

|
3

|
4

|
5

|
|
6
7
Period

|
8

|
9

|
10

|
11

|
12

|
13

Akurasi Peramalan
(Forecast Accuracy
Accuracy))

32

Error = Ak
Aktual - Forecast

Memperoleh metode yang
memperkecil kesalahan

Mean Absolute
Deviation (MAD)

Mean Absolute
Percent Deviation (MAPD)

Cumulative Error (E)

Mean Absolute Deviation

(MAD)
MAD =

t = periode
periode
Dt = demand pada periode
periode t
Ft = forecast pada periode
periode t
n = jumlah periode
periode
= nilai absolut

DEMAND, Dt

Ft ( =0.3)

37
40
41
37
45
50
43
47
56
52
55
54

37.00
37.00
37.90
38.83
38.28
40.29
43.20
43.14
44.30
47.81
49.06
50.84

557

35

Contoh MAD

Contoh MAD
1
2
3
4
5
6
7
8
9
10
11
12

| Dt - Ft |
n

dimana

34

PERIOD

33

PERIOD
1
2
3
4
5
6
7
8
9
10
11
12

DEMAND, Dt

Ft ( =0.3)

(Dt - Ft)

|Dt - Ft|

37
40
41
37
45
50
43
47
56
52
55
54

37.00
37.00
37.90
38.83
38.28
40.29
43.20
43.14
44.30
47.81
49.06
50.84

3.00
3.10
-1.83
6.72
9.69
-0.20
3.86
11.70
4.19
5.94
3.15

3.00
3.10
1.83
6.72
9.69
0.20
3.86
11.70
4.19
5.94
3.15

49.31

53.39

557

36

Contoh MAD
PERIOD
1
2
3
4
5
6
7
8
9
10
11
12

DEMAND, Dt
37
40
41
37
MAD
45
50
43
47
56
52
55
54

=
=
=

Ft ( =0.3)

(Dt - Ft)

Ukuran Akurasi
|Dt - Ft|

37.00

37.00
3.00
37.90
3.10
|| D
t - Ft | -1.83
38.83
n
38.28
6.72
40.29
9.69
53.39
43.20
-0.20
11
43.14
3.86
44.30
11.70
47.81
4.19
4.85
49.06
5.94
50.84
3.15

3.00
3.10
1.83
6.72
9.69
0.20
3.86
11.70
4.19
5.94
3.15

49.31

53.39

557

37

Mean absolute percent deviation (MAPD)

MAPD =

|Dt - Ft|
D t

Cumulative error
E = e t

Average error
e t
E= n

38

Perbandingan

39

Kontrol Peramalan

FORECAST

MAD

MAPD

(E)

Exponential smoothing (
( = 0.30)
Exponential smoothing (
( = 0.50)
Adjusted exponential smoothing
( = 0.50, = 0.30)
Linear trend line

4.85
4.04
3.81

9.6%
8.5%
8.1%

49.31
33.21
21.14

4.48
3.02
1.92

2.29

4.9%

Alasan tidak sesuai dengan forecasts

Perubahan trend

Tampilan siklus

Perubahan musim (Weather change)

Promo
Promosi
si (Promotion)

Kompetisi (Competition
Competition))

Politi
Politik
k (Politics)

10

40

Tracking Signal

Hitung masingmasing-masing periode

Bandingkan dengan batasan

Forecast terkendali jika tidak melewati
batas
Tracking signal =

(Dt - Ft)
E
=
MAD
MAD

Batasan 2 sampai 5 MAD

Tracking Signal Values

PERIOD

DEMAND
Dt

1
2
3
4
5
6
7
8
9
10
11
12

37
40
41
37
45
50
43
47
56
52
55
54

FORECAST,
Ft

ERROR
D t - Ft

E =
(Dt - Ft)

MAD

37.00

37.00
3.00
3.00
3.00
37.90
3.10
6.10
3.05
38.83
-1.83
4.27
2.64
Tracking signal
3
38.28
6.72 untuk
10.99period
3.66
40.29
9.69
20.68
4.87
43.20
-0.20 6.1020.48
4.09
=
= 2.004.06
43.14 TS33.86
3.0524.34
44.30
11.70
36.04
5.01
47.81
4.19
40.23
4.92
49.06
5.94
46.17
5.02
50.84
3.15
49.32
4.85

42

Tracking Signal Values

PERIOD

DEMAND
Dt

FORECAST,
Ft

1
2
3
4
5
6
7
8
9
10
11
12

37
40
41
37
45
50
43
47
56
52
55
54

37.00
37.00
37.90
38.83
38.28
40.29
43.20
43.14
44.30
47.81
49.06
50.84

ERROR
D t - Ft

3.00
3.10
-1.83
6.72
9.69
-0.20
3.86
11.70
4.19
5.94
3.15

E =
(Dt - Ft)

3.00
6.10
4.27
10.99
20.68
20.48
24.34
36.04
40.23
46.17
49.32

MAD

3.00
3.05
2.64
3.66
4.87
4.09
4.06
5.01
4.92
5.02
4.85

43

Tracking Signal Values

PERIOD

DEMAND
Dt

FORECAST,
Ft

1
2
3
4
5
6
7
8
9
10
11
12

37
40
41
37
45
50
43
47
56
52
55
54

37.00
37.00
37.90
38.83
38.28
40.29
43.20
43.14
44.30
47.81
49.06
50.84

ERROR
D t - Ft

3.00
3.10
-1.83
6.72
9.69
-0.20
3.86
11.70
4.19
5.94
3.15

E =
(Dt - Ft)

3.00
6.10
4.27
10.99
20.68
20.48
24.34
36.04
40.23
46.17
49.32

41

MAD

3.00
3.05
2.64
3.66
4.87
4.09
4.06
5.01
4.92
5.02
4.85

TRACKING
SIGNAL

1.00
2.00
1.62
3.00
4.25
5.01
6.00
7.19
8.18
9.20
10.17

11

44

Tracking Signal
Plot

45

Statistical Control Charts

Tracking signal (MAD)

3
2

Exponential smoothing (
= 0.30)

1
0

menggunakan untuk menghitung

batas kontrol statistik untuk
meramalkan error

Kontrol limit 3

-1
-2

Linear trend line

-3
|
0

|
1

|
2

|
3

|
4

|
5

|
6
Period

|
7

|
8

|
9

|
10

|
11

|
12

46

Statistical Control
Charts
18.39

(Dt - Ft)2
n-1

Forecasting dengan QSB

47

UCL = +3

12.24

Errors

6.12
0
-6.12
-12.24
-18.39
|
0

LCL = -3

|
1

|
2

|
3

|
4

|
5

|
6
Period

|
7

|
8

|
9

|
10

|
11

|
12

12

FC entry form

Forecasting setup

48

49

Isi 1
klik

Isi 3

klik

Hasil peramalan

50

Grafik forecasting

51

Ramalan bulan Nop

13

52

Model kausal dengan Regresi

Linier

53

Rumus Regresi Linier

a = y-bx
xy - nxy
b =
x2 - nx2

Mempelajari hubungan antara

dua atau lebih variabe
variabel

Dependen variabel
variabel y tergantung
pada independen variabel
variabel x

dimana
a = inters
intersep ((pada
pada periode
periode 0)
b = kemiringan
x
= ratarata-rata x
n
y
y = n = ratarata-rata y

x =

y = a + bx

Contoh regresi linier

x

54

Contoh regresi linier

55

y
xy

x2

4
6
6
8
6
7
5
7

36.3
40.1
41.2
53.0
44.0
45.6
39.0
47.5

145.2
240.6
247.2
424.0
264.0
319.2
195.0
332.5

16
36
36
64
36
49
25
49

49

346.7

2167.7

311

49
= 6.125
8
346.9
y=
= 43.36
8

x=

b=

xy - nxy2
x2 - nx2
(2,167.7) - (8)(6.125)(43.36)
(311) - (8)(6.125)2

= 4.06
a = y - bx
= 43.36 - (4.06)(6.125)
= 18.46

14

56

Contoh regresi linier

57

Garis Regresi linier

60,000
50,000

Persamaan regresi
Attendance, y

y = 18.46 + 4.06x
Peramalan y untuk x = 7
y = 18.46 + 4.06(7)
= 46.88, or 46,880

40,000
30,000

Linear regression line,

y = 18.46 + 4.06x
4.06x

20,000
10,000
|
0

|
1

|
2

|
3

|
4

|
5

|
6

|
7

|
8

|
9

|
10

Wins, x

Korelasi dan Koefisien

Determinasi

58

59

Perhitungan Korelasi

Korelasi (Correlation
Correlation)), r

r=

Mengukur
Mengukur kekuatan hubungan

Nilai antara -1.00 dan +1.00

Koefisien Determinasi (Coefficient

(Coefficient
2
of determination)
determination), r

Per
Persentase
sentase dari varias
variasi pada
dependent variable menghasilkan
perubahan pada independent
variable

r=

n xy - x y
[n

x2

- ( x)2] [[n
n y2 - ( y)2]

(8)(2,167.7) - (49)(346.9)
[(8)(311) - (49)2] [[(8)(15,224.7)
(8)(15,224.7) - (346.9)2]
r = 0.947
Koefisien Determinasi
r2 = (0.947)2 = 0.897

15

60

Forecasting dengan QSB

61

62

Forecasting dengan QSB

63

Regresi Berganda
Mempelajari hubungan antara 2 atau
lebih variabel bebas
y = 0 + 1x1 + 2x2 + kxk
dimana
0 = intersep
intersep
1, , k = parameter variab
variabel
el bebas
x1, , xk = variabel bebas (independent
variables))
variables

FC entry form

klik

16

Forecasting dengan QSB

64

Forecasting dengan QSB

65

klik

66

17