Anda di halaman 1dari 10

10/14/2010

Tujuan Pembelajaran
PERAMALAN PERMINTAAN • Mahasiswa mampu memahami pola-pola
demand
• Mahasiswa mampu menerapkan teknik-teknik
peramalan
Kuliah 2
LSiPro – FT Untirta
Muhammad Adha Ilhami

Muhammad Adha Ilhami Muhammad Adha Ilhami

Faktor yang mempengaruhi


Definisi Peramalan (forecasting)
Permintaan (demand)
• Variasi random
• Peramalan adalah estimasi (perkiraan) nilai • Rencana konsumen
atau karakteristik masa depan. • Siklus (daur) hidup produk (product life cycle)
• Pesaing (kompetitor)
• Perilaku/sikap konsumen
• Waktu
• Hal yang berkaitan dengan peramalan: • Siklus bisnis
1. Prediksi (prediction) • Iklan
• Sales effort
2. Peramalan (forecast) • Reputasi
• Desain produk
3. Kecenderungan (trend) • Kebijaksanaan kredit
• Kualitas

Muhammad Adha Ilhami Muhammad Adha Ilhami

1
10/14/2010

Sistem Peramalan (2)


Sistem/Mekanisme Peramalan

Muhammad Adha Ilhami Muhammad Adha Ilhami

Klasifikasi Metode Peramalan


Taksonomi Peramalan
Klasifikasi Metode Peramalan … Forecasting Method

Objective Subjective (Judgmental)


Forecasting Methods Forecasting Methods

Time Series Causal


Analogies
Methods Methods

Naïve Methods Simple Regression


Delphi

Moving Averages Multiple Regression


PERT

Exponential Smoothing Neural Networks


Survey techniques

References :
Simple Regression
 Makridakis et al.
 Hanke and Reitsch
 Wei, W.W.S.
ARIMA  Box, Jenkins and Reinsel

Neural Networks

Muhammad Adha Ilhami Muhammad Adha Ilhami

2
10/14/2010

Klasifikasi Peramalan Time Series Contoh penggunaan metode


sehubungan ketersediaan data
Karakteristik Karakteristik Ketersediaan Informasi
Peramalan
Informasi Kuantitatif Tersedia Informasi Kuantitatif Kurang, Informasi
Pengetahuan Kualitatif tersedia kurang atau
tidak tersedia
Time series Kausal Eksploratori Normatif

Peramalan kontinu Memprediksi Memperlajari Memprediksi Memprediksi Memprediksi


berdasarkan pola pertumbuhan pengaruh harga kecepatan perkembangan pengaruh
atau hubungan penjualan dan promosi transportasi otomotif pada perkembangan
tertentu atau GNP terhadap pada tahun tahun 2011 teknologi luar
penjualan 2011 angkasa
Peramalan Memprediksi Mempelajari Memprediksi Memprediksi Penemuan
perubahan yang resesi pengaruh pengaruh embargo sumber energi
akan terjadi berikutnya pengendalian kenaikan harga minyak yang baru yang
harga dan minyak diikuti oleh murah dan
pembatasan terhadap perang Arab- tidak
iklan TV konsumsi Israel menimbulkan
terhadap minyak polusi
penjualan

Muhammad Adha Ilhami Muhammad Adha Ilhami

Metode Kualitatif Metode Kuantitatif


1. Tidak memerlukan data kuantitatif • Dibutuhkan data masa lalu
2. Unsur subyektifitas peramalan sangat besar • Data tersebut dapat dikuantifikasi
pengaruhnya dalam hasil peramalan • Diasumsikan pola data masa lalu akan berlanjut
3. Baik untuk peramalan jangka panjang pada masa yang akan datang

Keterangan data:
Contoh: - Paling baik menggunakan data permintaan
- Opini individu - Menggunakan data jumlah unit penjualan
- Opini kelompok - Kalau tidak dimiliki data penjualan, gunakan data
- Forum Delphi jumlah unit produksi
Muhammad Adha Ilhami Muhammad Adha Ilhami

3
10/14/2010

Pola Data Masa Lalu


Prosedur Peramalan
Pola Data Horizontal Pola Data Musiman
100.6 105

1. Plot data penjualan terhadap waktu 100.4


100.2
100
100

95
99.8

2. Pilih beberapa metode peramalan 99.6


99.4
99.2
90
85
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
3. Evaluasi error dari setiap metode peramalan Data Data

yang dipilih
Pola Data Trend Pola Data Siklik
4. Pilih metode peramalan dengan error terkecil 104
102
98.2
98
100 97.8

5. Interpretasikan hasil peramalan 98


96
97.6
97.4
97.2
94 97
92 96.8
90 96.6
1 2 3 4 5 6 7 8 9 10 11 12 13 14 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29

Data Data

Muhammad Adha Ilhami Muhammad Adha Ilhami

Teknik Peramalan Teknik Peramalan


• Konstan : • Kuadratis: D(t) = a + bt + ct2
• Regresi Linier : • Estimasi parameter dengan formula:

• Siklis :

Muhammad Adha Ilhami Muhammad Adha Ilhami

4
10/14/2010

Contoh Perhitungan Peramalan


Contoh Perhitungan Peramalan Regresi (1)
Konstan
Data Penjualan
• Konstan : 1200 • Regresi : Penjualan
1400
1000
Periode Penjualan/Permintaan 1200
800 Periode Penjualan
t d(t) 1000
t d(t)
1 800 600
Data Penjualan 800
1 800
2 1000 600 Penjualan
400
2 900
3 900
3 1100 400
4 850
200 4 1200 200
5 950 5 1300 0
6 1000 0
1 2 3 4 5
1 2 3 4 5 6

1. Cek pola data (lihat grafik)


2. Pilih metode peramalan dengan teknik konstan 1. Cek pola data (lihat grafik)  trend
3. Estimasi a (topi) dimana n = jumlah data 2. Rekomendasi peramalan dengan teknik regresi.
a = (800 + 1000 + 900 + 850 + 950 + 1000)/6
a = 916,67 maka D(t) = 916,67

Muhammad Adha Ilhami Muhammad Adha Ilhami

Contoh Perhitungan Peramalan Regresi (2) Contoh Perhitungan Peramalan Regresi (3)

• estimasi : • estimasi :
t d(t) t d(t) t^2 d(t)^2 t d(t) t d(t) t^2 d(t)^2
1 800 800 1 640,000 1 800 800 1 640,000
2 900 1,800 4 810,000
• = 55 2 900 1,800 4 810,000
• =5
3 1,100 3,300 9 1,210,000 • = 5.300 3 1,100 3,300 9 1,210,000 • = 17.200
4 1,200 4,800 16 1,440,000 4 1,200 4,800 16 1,440,000
5 1,300 6,500 25 1,690,000
• = 15 5 1,300 6,500 25 1,690,000
• =15
• = 17.200 • = 5.300
15 5,300 17,200 55 5,790,000 15 5,300 17,200 55 5,790,000
• = 5 x 55 = 275 • = 55
• = (15)^2 = 225 • = 15^2 = 225

Muhammad Adha Ilhami Muhammad Adha Ilhami

5
10/14/2010

Contoh Perhitungan Peramalan Regresi (4) Metode Kuadratis


Formula : D(t) = a + bt + ct2 t d(t) t x d(t) t^2 t^2 x d(t) t^4
• Fungsi Regresi : -3 800 -2400.00 9 7200 81
-2 1000 -2000.00 4 4000 16
D(t) = 670 + 130t -1 900 -900.00 1 900 1
1 850 850.00 1 850 1
2 950 1900.00 4 3800 16
3 1000 3000.00 9 9000 81
Maka (D(t)) demand pada saat t = 6 adalah 6 5500 450.00 28 25750 196

D(6) = 670 + 130 x 6 = 670 + 780 = 1450 b = 450/28 = 16,07


c = (5500*28 – 6*25750)/((28)^2 – 6*196) = 1,275
a = (5500 – 1,275*28)/6 = 910,714

Formula : D(t) = 910,714 + 16,07t + 1,275t2

Muhammad Adha Ilhami Muhammad Adha Ilhami

Kriteria Performansi Hasil Peramalan


Kriteria Performansi Hasil Peramalan
Lainnya
Mean Square Error (MSE) Mean Absolute Deviation (MAD)
n n

∑ Y − Yˆ ∑ e
i i i
Standard Error of Estimate (SEE) MAD = i =1
= i =1

f = derajat kebebasan ( f=1 konstan, f=2 linier, f=3 kuadratis) n n

Mean Percentage Error (MPE)


Persentage Error (PE) n

∑e i
MPE = i =1
Mean Absolute Persentage Error (MAPE) n

Muhammad Adha Ilhami Muhammad Adha Ilhami

6
10/14/2010

Pemilihan Kriteria Error (Validasi & Contoh : Prosedur Peramalan


Verifikasi Model Peramalan) 1. Plot Data Penjualan terhadap Waktu
Untuk memilih model terbaik t d(t)
1 140
digunakan beberapa kriteria 2 159
In sample: t d(t) Penjualan
pemilihan model,yaitu kriteria 3 136 Digunakan untuk 1 800 1200
4 157
membuat model 2 1000
in sample (training) dan out 5 173 1000
6 181 peramalan. (Verifikasi 3 900
sample (testing). 7 177 Model) 4 850
800

. . 600
50 178 5 950 Penjualan
Out sample: 400
51 168 6 1000
Kriteria in sample dilakukan . . Digunakan untuk validasi 200
98 154
model peramalan.
melalui MSE (Mean Square). 99 179 0
100 180 (Validasi Model) 1 2 3 4 5 6

Pada penentuan model terbaik


melalui kriteria out sample
dilakukan melalui MAPE (Mean
Absolute Percentage Error).
Muhammad Adha Ilhami Muhammad Adha Ilhami

2. Pilih Metode Peramalan


3. Evaluasi Error untuk Setiap Metode
Konstan, Regresi & Kuadratis
t d(t) D(t)
Konstan : Konstan Regresi Linier
1 800 916.67
D(t) = a = 916,67 2 1000 916.67 t d(t) D(t) d-D (d-D)^2 PE |PE| D(t) d-D (d-D)^2 PE |PE|

900 1 800 916.67 -116.67 13611.11 -14.58 14.58 859.45 -59.45 3534.30 -7.43 7.43
3 916.67
2 1000 916.67 83.33 6944.44 8.33 8.33 882.30 117.70 13853.29 11.77 11.77
4 850 916.67
3 900 916.67 -16.67 277.78 -1.85 1.85 905.15 -5.15 26.52 -0.57 0.57
t d(t) D(t) 5 950 916.67
4 850 916.67 -66.67 4444.44 -7.84 7.84 928.00 -78.00 6084.00 -9.18 9.18
6 1000 916.67
Regresi : 1 800 859.45 5 950 916.67 33.33 1111.11 3.51 3.51 950.85 -0.85 0.72 -0.09 0.09
6 1000 916.67 83.33 6944.44 8.33 8.33 973.70 26.30 691.69 2.63 2.63
D(t) = a + bt 2 1000 882.30
5500 33333.33 44.45 24190.53 31.67
a = 836,6 3 900 905.15
B = 22,85 4 850 928.00
t d(t) D(t)
D(t) = 836,6 + 22,85t 5 950 950.85 = 33333,33/6 = 5555,56
= 24190,53/6 = 4031,75
6 1000 973.70
-3 800 928.06
-2 1000 947.96
-1 900 970.41
Kuadratis: = (33333,33/(6-1))^0,5 = 81,65
= (24190,53/(6-2))^0,5 = 77,76
D(t) = 910,714 + 16,07t + 1,275t2 1 850 995.41
2 950 1022.96
3 1000 1053.06
= 31,67/6 = 5,278
= 44,45/6 = 7,41

Muhammad Adha Ilhami Muhammad Adha Ilhami

7
10/14/2010

3. Evaluasi Error untuk Setiap Metode 4. Pilih Metode Peramalan Terbaik


Kuadratis Konstan Linier/Regresi Kuadratis
t d(t) D(t) d(t) - D(t) (d(t)-D(t))^2 PE |PE|
MSE 5555,56 4031,75 8891,2
1 800 928.06 -128.06 16399.68 -16.01 16.01
2 1000 947.96 52.04 2708.25 5.20 5.20 SEE 81,65 77,76 54,44
3 900 970.41 -70.41 4957.31 -7.82 7.82 MAPE 7,41 5,278 9,85
4 850 995.41 -145.41 21143.53 -17.11 17.11
5 950 1022.96 -72.96 5323.04 -7.68 7.68
6 1000 1053.06 -53.06 2815.49 -5.31 5.31
21.00 5500.00 5917.86 53347.30 59.13 Terlihat bahwa metode liner terbaik (paling kecil nilai kriterianya) dalam dua
kriteria yaitu MSE dan MAPE, sementara metode kuadratis terbaik dalam
kriteria SEE.
= 53347,30/6 = 8891,2
Karena data yang digunakan merupakan data in sample maka kriteria
performansi (error) yang digunakan adalah MSE. Sehingga formula/model
= (8891,2/(6-3))^0,5 = 54,44 peramalan terbaik adalah: D(t) = 836,6 + 22,85t (Linier)

= 59,13/6 = 9,85

Muhammad Adha Ilhami Muhammad Adha Ilhami

5. Interpretasi Hasil Peramalan Tugas Peramalan


t 1 2 3 4 5 6 7 8 9 10 11 12
dt 903 900 910 905 912 907 909 908 911 904 912 916
Berdasarkan fungsi D(t) = 836,6 + 22,85t maka hasil peramalan untuk periode ke
depan adalah:
Data Penjualan
t = 7  D(7) = 836,6 + 22,85(7) = 996,55 920
t = 8  D(8) = 836,6 + 22,85(8) = 1018,4 915
.
910
.
. 905
Data Penjualan
t = t  D(t) = 836,6 + 22,85t 900

895

890
1 2 3 4 5 6 7 8 9 10 11 12

Muhammad Adha Ilhami Muhammad Adha Ilhami

8
10/14/2010

Tugas Peramalan Metode Peramalan Lainnya


• Jelaskan pola data dari data tersebut? • Naïve Model
• Pilih teknik peramalan yang tepat (Gunakan • Model Average
metode konstan, linier, dan kuadratis)? a. Simple Average (SA)
b. Moving Average (MA)
• Cek performansi dari fungsi peramalan? c. Double Moving Average (DMA)
• Bandingkan performansi fungsi peramalan • Exponential Smoothing
antara teknik regresi dan teknik konstan? a. Single Exponential Smoothing (SES)
Mana yang lebih baik? Jelaskan? b. Double Exponential Smoothing (DES) atau Holt Method
c. Triple Exponential Smoothing (TES) atau Winter Model
• Lakukan peramalan untuk permintaan pada
• Arima Model
periode t = 13, t = 14, dan t = 15
Muhammad Adha Ilhami Muhammad Adha Ilhami

Naïve Model Contoh Naïve Model


t d(t) = Y(t) D(t) = Y’(t)
Yt Y’t+1
1 90
Pola Data Horizontal Pola Data Trend 2 91
Yˆt +1 = Yt t Yˆt +1 = Yt + (Yt − Yt −1 ) 3 92
Y’t+1 4 93
Yt – Yt-1 = Y4 – Y4-1
Pola Data Trend Yt-1
Yt Yt - Yt-1
= 93 – 92 = 1 5 94
Yt - Yt-1
Y’5 = Y4 + (Y4 – Y3) = 93 + 1 = 94
Yˆt +1 = Yt + (Yt − Yt −1 )
t d(t) = Y(t) D(t) = Y’(t)
Pola Data Musiman t
Pola Data Musiman 1 80
Pola Data Musiman Yˆt +1 = Y( t +1)− s 2 91
Yˆt +1 = Y( t +1)− s 105 s
100
s(80  80) = t(4) – t(1) = 4 – 1 = 3 3 93
95
s Y’7 = Y(6+1)-3 = Y4 = 80 4 80
90
85
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
5 91

Data 6 93
Muhammad Adha Ilhami Muhammad Adha Ilhami 7 80

9
10/14/2010

Model Average Model Exponential Smoothing


Simple Average t d(t) = Y(t) D(t) = Y’(t)
n
Yˆt +1 = ∑ t
Y 1 96 Single Exponential Smoothing (SES)
t =1 n 2 91
Y’5 = (Y1 + Y2 + Y3 + Y4)/n 3 94 Yˆt +1 = α Yt + (1 − α )Yˆt
= (96 + 91 + 94 + 92)/4 = 1 4 92 Model ini digunakan untuk memodelkan data dengan pola stasioner
Y’5 = Y4 + (Y4 – Y3) = 93 + 1 = 93,25 5 93,25
Double Exponential Smoothing (DES)
Moving Average t d(t) = Y(t) D(t) = Y’(t)
Model ini digunakan untuk memodelkan data yang mengandung pola trend
1. Pemulusan secara eksponensial (Taksiran Level)
(Yt + Yt −1 + K + Yt − n +1 )
M t = Yˆt +1 = 1 80
At = α Yt + (1−α) (At-1+ Tt-1) dengan 0 ≤ α ≤ 1
n 2 91 2. Taksiran trend
n = 3 (bisa berapa saja/ ketetapan)
3 93 Tt =γ(At − At-1) + (1 − γ) Tt-1 dengan 0 ≤ γ ≤ 1
Mt = Y’7 = (93 + 91 + 80)/3 = 88
4 80 3. Peramalan untuk p periode ke depan
5 91 Yˆt + p = At + pTt
6 93
Muhammad Adha Ilhami 7 88 Muhammad Adha Ilhami

Model Exponential Smoothing


Nilai At menyatakan estimasi besarnya (level) nilai
ramalan pada waktu t, nilai Tt menyatakan nilai slope
pada waktu t. Nilai pembobotan α dan γ dapat ditentukan
oleh user, namun dalam beberapa software telah
dilakukan optimisasinya.

Muhammad Adha Ilhami

10