Forecasting

DODY HARTANTO
1-2
Outline

Definisi
Demand Pattern
Asumsi Dasar
Klasifikasi Metode Peramalan
Tahap-Tahap Forecasting
Data Historis
Outlier
Pemilihan Metode
Aggregasi dan Disaggregasi
Forecast Accuracy
Adjustment
Kesimpulan.
Forecasting(1)
 Ramalan
 Prediksi
 Dugaan
 Perkiraan
 …..
Forecasting(2)
100,105,110, 115, 120, 125, . . .?
101,104,111, 115, 120, 125, . . .?

120,100,80,100,120,140,160,140, 120 ,100, 80 ,. .?

121,99,82,102,122,137,157,143, 120 ,100, 80 , . .?

60,60,60,60,60, 60 , 60 , 60 , . . .?
59,60,61,58,60, 60 , 60 , 60 , . . .?

1000,950,900,850, 800,750 700

, ,
650 ,...?
1007,949,903,855,790, 750, 700, 650, . . . ?
Forecasting (3)
Forecasting adalah proses untuk mengenali pola permintaan(demand pattern)pada
masa lalu untuk meramalkan permintaan pada masa yang akan datang.
Forecasting

Perubahan kecil pada demand planning menyebabkan perubahan besar pada produksi
dan distribusi.

Tujuan demand planning adalah menghasilkan peramalan permintaan yang seakurat

mungkin.
Pola Permintaan
Terdapat 5 pola permintaan utama yaitu konstan, trend, musiman (seasonal), seasonal trend
dan intermittend.

Untuk setiap pola permintaan terdapat beberapa metode yang dapat dipakai.
Asumsi Dasar
Pola permintaan pada masa lalu akan terus berlanjut ke masa depan

10000

9000

8000

7000

6000
Jika pola data berlanjut ke
5000 masa depan

4000

3000

2000

1000

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
Klasifikasi Metode Forecast (1)

Metode
Forecast

Kualitatif Kuantitatif

Time Series Causal

Klasisfikasi Metode Forecast (2)
Kualitatif
 Bersifat subyektif
 Menggunakan opini seorang atau beberapa ahli sehingga sangat bergantung pada
persepsi masing-masing ahli
 Tidak memerlukan data kuantitatif yang lengkap
 Biasa digunakan untuk meramalkan produk baru dan demand jangka panjang

Kuantitatif
 Bersifat obyektif
 Terdapat dua kelompok yaitu time series dan causal method
 Menggunakan model statistik-matematik
 Memerlukan data kuantitatif yang lengkap
 Biasa digunakan untuk meramalkan permintaan pada jangka pendek.
Tahap-Tahap Forecast
1. Reading the Actual
Data yang digunakan harus data yang masih relevan dan usahakan mencakup satu
musim penuh (satu tahun)
Pola musiman dikenali sebagai trend
karena data tidak cukup banyak

Demand

Data yang dimiliki

Pola sebenarnya (musiman)

Periode

Jika data yang dimiliki kurang dari setahun maka diperlukan pengetahuan tambahan
(kualitatif) mengenai pola permintaan produk, misalnya untuk minuman dingin maka
diduga kuat jika memiliki pola musiman.
Tahap-Tahap Forecast
2. Corrected History dan Outlier (1)
Rata-rata penghasilan lima orang karyawan PT.XXY adalah 7 juta.

Pernyataan ini diintepretasikan oleh kebanyakan orang bahwa lima orang tersebut
berpenghasilan sekitar 7 juta.
(benar jika data tidak mengandung outlier).

25  2  2  2,5  3,5
7
5
Data Outlier
2. Corrected History dan Outlier (2)
 Outlier adalah data “aneh” yang muncul sebagai akibat adanya kejadian dan
atau kegiatan yang tidak regular. Misalnya bencana alam, pemilu, perang,
promosi dll.

 Jika outlier ikut diperhitungkan maka akan diperoleh hasil peramalan yang
tidak akurat. ( bisa merusak pola data secara keseluruhan)

 Outlier harus dikoreksi untuk mendapatkan data yang benar-benar

menggambarkan pola permintaan masa lalu.

 Koreksi sebaiknya dilakukan secara manual,yaitu dengan memasukan

estimasi nilai jika kejadian khusus tersebut tidak terjadi. (berdasarkan
pengalaman).
 2. Corrected History dan Outlier (3)
 Data outlier harus diganti untuk menghindari missing value.
 Ada beberapa cara untuk mengganti data yang outlier:
 Gunakan nilai modus atau rata rata
Gunakan cara ini untuk pola data konstan

 Jumlahkan permintaan pada periode sebelum dan sesudah

data kemudian bagi dua
Gunakan metode ini untuk pola data trend dan musiman.
2. Corrected History dan Outlier (4)
Tahap-Tahap Forecast
3.Pemilihan Metode Forecast (2)

pola data dapat ditentukan dengan cara mengeplot data dan memahami
karakteristik produk(misal : lampu natal pasti musiman, lampu standard
pasti konstan)
3.Pemilihan Metode Forecast (3)
Data Historis
7,000

6,000

5,000

4,000

3,000

2,000

1,000

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
3.Pemilihan Metode Forecast (4)

Forecasting dengan berbagai Metode

7000

Data Historis

6000
Seasonal Linear
Regression 12 Periode

5000
Exponential
Smoothing
Linear Regression
4000 (trend)

3000

2000

1000

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
3.Pemilihan Metode Forecast (5)

Best Methods
7000

6000

5000

4000

3000

2000

1000

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
Tahap-Tahap Forecast
4. Corrected Forecast (Adjustment)
 Kondisi perekonomian
 Siklus hidup produk (trend dampening).
 Kompetisi
 Performansi produk
 Kualitas produk
Faktor-faktor yang harus diperhatikan
 Reputasi produk dalam melakukan adjusment pada
 Kepercayaan konsumen statistic forecast

 Harga
 Promosi
 Teknologi baru
 Produk substitusi
 Promosi pesaing
5. Use as Demand Plan
Setelah adjustment, hasil forecast digunakan sebagai input awal dalam perencanaan
produksi dan distribusi

Besarnya demand suatu produk pada masa yang akan datang yang akan “benar-benar”
dipenuhi ditentukan lagi dengan mempertimbangkan ketersediaan sumber daya (mesin,
bahan baku, tenaga kerja, produk lain yang lebih menguntungkan, penjadwalan mesin,…)

Produk Forecast Kapasitas Final forecast

DPX 1000 ton ?

1500 ton
CWF 1200 ton
?

Dalam menentukan komposisi produk yang akan diproduksi dapat

menggunakan metode-metode optimisasi seperti: linear programming,
non linear programming,..
Metode Forecast
Pola Data Konstan
POLA DATA KONSTAN
Metode untuk Pola Permintaan
Konstan
 Simple Average
 Moving Average
 Weighted Moving Average
 Exponensial Smoothing
Simple Average

Prediksi permintaan masa depan didasarkan atas rata-rata dari semua

permintaan pada bulan sebelumnya.

Kelebihan:
Mudah

Kekurangan:
Semua data permintaan masa lalu diberi bobot yang sama.
 seharusnya data yang lebih baru diberi bobot yang lebih besar karena
lebih mewakili masa depan(lebih relevan)
Simple Average
N

A i
Period Demand Forecast
Ft  i 1
1 10 10
N 2 12 11
3 14 12
4 15 12.8
Contoh:
5 16 13.4
6 17 14
F2 = (10 + 12) / 2
7 19 14.7
F3 = (10 + 12 + 14)/3 = 12 8 21 15.5
F4 = (10 + 12 + 14+15)/4 = 12,8 9 23 16.3
Moving Average
Prediksi permintaan menggunakan rata-rata n periode terbaru.

Jan Feb Mar Apr May Jun Jul

Moving Average 3 bulan:

Prediksi permintaan bulan juni:
FJun = (AMar + AApr + AMay)/3
Moving Average

t 1

 Ai Period
1
Demand 3 MA
10
Ft  i t  n Contoh:
n 2 12
3 14
4 15 12,0
5 16 13,66667
6 17 15
7 19 16,0
8 21 17,33333
9 23 19
Simple Moving Average Problem

Week Demand A t-1 + A t-2 + A t-3 +...+A t- n

1 650 Ft =
2 678 n
3 720 • Question: What are the 3-week and
4 785 6-week moving average forecasts
5 859 for demand?
6 920
7 850
8 758
9 892
10 920
11 789
12 844
Simple Moving Average Problem
Week Demand 3-Week 6-Week
1 650
2 678 F4=(650+678+720)/3
3 720 =682.67
4 785 682,67
5 859 727,67 F7=(650+678+720
6 920 788,00 +785+859+920)/6
7 850 854,67 768,67 =768.67
8 758 876,33 802,00
9 892 842,67 815,33
10 920 833,33 844,00
11 789 856,67 866,50
12 844 867,00 854,83
Weighted Moving Average
FJun = (AMar + AApr + AMay)/3
= (3AMar + 3DApr + 3AMay)/9  semua periode diberi bobot yang sama

Kenapa tidak memberikan bobot yang berbeda?

FJun = (2AMar + 3AApr + 4AMay)/9
FJun = 2/9 AMar + 3/9 AApr + 4/9 AMay

Jumlah bobot harus sama dengan 1.

Ft = (w1At-3 + w2At-2 + w3At-1)/(w1+w2 +w3)
W = + w1 + w2 + w3 and w’1 =w1 / W
Ft = w’1At-3 + w’2At-2 + w’3At-2
 Weighted Moving Average

22
Periode Demand Simple 3 MA WMA
20 1 10
18 2 12 10
3 14 11
16
4 15 12 12.0 12.4
14 5 16 12.8 13.7 14.0

12 6 17 13.4 15 15.2
7 19 14 16 16.2
10
8 21 14.7 17.3 17.7
0 2 4 6 8 10 9 23 15.5 19 19.4
Dem Simple 3 MA WMA

Bobot 2/9, 3/9, 4/9

Exponential Smoothing

Ft  Ft 1    At 1  Ft 1 
Ft  1   Ft 1   At 1

At-1 Permintaan aktual period t-1

Ft-1 Prediksi permintaan periode t-1
 Smoothing constant 0<  <1
 (Smoothing Constant () between 0.1-0.3)

Forecast is old forecast plus a portion of the error of the last

forecast.
 Exponential Smoothing
22
Per Dem Simple3MA WMA Exp Sm
20
1 10 10.0
18 2 12 10 10.0
3 14 11 10.6
16
4 15 12 12.0 12.4 11.6
14 5 16 12.8 13.7 14.0 12.6
6 17 13.4 15 15.2 13.6
12
7 19 14 16 16.2 14.7
10 8 21 14.7 17.3 17.7 16.0
0 2 4 6 8 10 9 23 15.5 19 19.4 17.5
Dem Simple 3MA
WMA ES =0.3
Contoh 1 Exponential Smoothing
Period Data_3  = 0.1  = 0.2  = 0.3  = 0.4
Starting 120.00 #N/A #N/A #N/A #N/A
1.00 119.58 120.00 120.00 120.00 120.00
2.00 118.79 119.96 119.92 119.87 119.83
3.00 119.01 119.84 119.69 119.55 119.42
4.00 120.21 119.76 119.55 119.39 119.25
5.00 118.82 119.80 119.68 119.63 119.63
6.00 120.67 119.70 119.51 119.39 119.31
7.00 121.13 119.80 119.74 119.77 119.85
8.00 120.82 119.93 120.02 120.18 120.36
9.00 120.12 120.02 120.18 120.37 120.54
10.00 120.73 120.03 120.17 120.30 120.38
11.00 118.60 120.10 120.28 120.43 120.52
12.00 118.62 119.95 119.94 119.88 119.75
13.00 120.54 119.82 119.68 119.50 119.30
14.00 121.53 119.89 119.85 119.81 119.79
15.00 120.35 120.05 120.19 120.33 120.49
16.00 120.07 120.08 120.22 120.34 120.44
17.00 119.33 120.08 120.19 120.25 120.29
18.00 118.93 120.01 120.02 119.98 119.90
19.00 119.45 119.90 119.80 119.66 119.52
20.00 120.17 119.85 119.73 119.60 119.49
Contoh 1 Exponential Smoothing
Contoh 2 Exponential Smoothing
Data_2  = 0.1  = 0.2  = 0.3  = 0.4
109.50 #N/A #N/A #N/A #N/A
109.84 109.50 109.50 109.50 109.50
108.87 109.53 109.57 109.60 109.63
109.93 109.47 109.43 109.38 109.33
114.74 109.51 109.53 109.54 109.57
114.34 110.04 110.57 111.10 111.64
119.43 110.47 111.32 112.07 112.72
118.70 111.36 112.95 114.28 115.40
117.04 112.10 114.10 115.61 116.72
123.17 112.59 114.69 116.04 116.85
121.28 113.65 116.38 118.18 119.38
116.87 114.41 117.36 119.11 120.14
124.41 114.66 117.26 118.44 118.83
121.66 115.63 118.69 120.23 121.06
125.94 116.24 119.29 120.66 121.30
127.17 117.21 120.62 122.24 123.16
127.42 118.20 121.93 123.72 124.76
124.50 119.12 123.03 124.83 125.83
126.29 119.66 123.32 124.73 125.30
131.78 120.33 123.92 125.20 125.70
128.15 121.47 125.49 127.18 128.13
Contoh 2 Exponential Smoothing
Pola Data Trend
POLA DATA TREND
Trend
 Menentukan bagaimana permintaan bertambah (atau
berkurang) dari waktu ke waktu.

Ft = Prediksi permintaan periode t

t = periode
b = kemiringan garis(gradien)
a = Nilai yt pada t = 0

Ft  a  bt
Regresi

b
 xy  n x  y

 x  nx
2 2

a
 y  b x
 y  bx
n
Pola Data Musiman(Tanpa Trend)
POLA DATA MUSIMAN
Musiman
1. Musiman tanpa trend
2. Musiman dengan trend
 trend : kecenderungan naik atau turun
Seasonal Factors
Indeks Seasonal :
Rata-rata tiap musim / rata-rata keseluruhan

 Seasonal factor bulan mei 1.20, berarti permintaan bulan mei 20% lebih
besar diatas rata-rata.
 Seasonal Factor bulan July 0.90, berarti permintaan bulan July 10% dibawah
rata-rata.
Musiman tanpa trend

Sales Factor
Spring 200 200/250 = 0.8
Summer 350 350/250 = 1.4
Fall 300 300/250 = 1.2
Winter 150 150/250 = 0.6

Total 1,000
Avg 1,000/4=250
Musiman tanpa trend
If we expected total demand for the next year to be 1,100,
the average per quarter would be 1,100/4=275

Forecast
Spring 275 * 0.8 = 220
Summer 275 * 1.4 = 385
Fall 275 * 1.2 = 330
Winter 275 * 0.6 = 165
Total 1,100
Holt-Winters Model
The Holt-Winters forecasting model could be used
in forecasting trends. Holt-Winters model consists of
both an exponentially smoothing component (E, w) and a
trend component (T, v) with two different smoothing
factors.
Holt-Winters Model
Ft  k  Et  kTt
Et  wYt 1  (1  w)( Et 1  Tt 1 )
Tt  v( Et  Et 1 )  (1  v)Tt 1
where:
Ft+k= Forecast value k periods from t
1. E1 and T1 are not
Yt-1 = Actual value for period t-1
Et-1 = Estimated value for period t-1
defined.
Tt = Trend for period t
2. E2 = Y2
w = Smoothing constant for estimates
3. T2 = Y2 – Y1
v = Smoothing factor for trend
k = number of periods
Holt-Winters Model

A B C D E
1 w= 0.7 0.5 = v
2 Month Sales E T F Holt-Winter Forecasting
3 1 4.8 N/A N/A
60.0
4 2 4.0 4.0 -0.8 50.0
5 3 5.5 4.8 0.0 3.2 40.0

Sales
Sales
6 4 15.6 12.4 3.8 4.8 30.0
20.0 F
7 5 23.1 21.0 6.2 16.1
8 6 23.3 24.5 4.8 27.2 10.0
0.0
9 7 31.4 30.8 5.6 29.3

10
11
12
13
1
2
3
4
5
6
7
8
9
10 8 46.0 43.1 8.9 36.3
11 9 46.1 47.9 6.9 52.1 Months
12 10 41.9 45.8 2.4 54.8
13 11 45.5 46.3 1.4 48.1
14 12 53.5 51.8 3.5 47.7
15 13 55.24
Winters’ Seasonal Exponential Smoothing

 Allows for both trend and seasonal patterns to be taken

into account.
 This is an extension of the Holt’s method of smoothing.
 In computing the forecast, we add an equation for
seasonality as an index.
 The forecast model is:

Yˆt  x  ( At  xTt ) I t  L  x
Winters’ Seasonal Exponential Smoothing

 The Winters’ model has the following components:

Yt
Smoothing value At    (1   )( At 1  Tt 1 )
I t L

Trend estimate Tt   ( At  At 1 )  (1   )Tt 1

Yt
Seasonality estimate It    (1   ) I t  L
At

Yˆt  x  ( At  xTt ) I t  L  x
Musiman dengan Trend
Musiman dengan Trend
o Method can be combined with other approaches to
apportion annual demand into different seasons.
o First, estimate seasonal factors
o Second, estimate annual demand for next year
o Third, apportion next year’s annual demand using seasonal
factors

Seasonal factor  Si  DDi


Proportion of Annual Demand
Seasonal Adjustment Example

Year 1 2 3 4 Total
1995 12.6 8.6 6.3 17.5 45.0
1996 14.1 10.3 7.5 18.2 50.1
1997 15.3 10.6 8.1 19.6 53.6
Total 42.0 29.5 21.9 55.3 148.7
Si 28% 20% 15% 37%

D1  42.0  0.28
S1 
 D 148.7
Proportion of Annual Demand
Seasonal Adjustment Example
• The Data has an annual trend, which is estimated using
regression.
• Annual Demand = 40.97 + 4.30 x
• Annual Forecast for 1998 (year 4)
 40.97 + 4.30 (4) = 58.17

Year 1 2 3 4 Total
Si 28% 20% 15% 37%
1998 16.43 11.54 8.57 21.63 58.17
Musiman dengan trend
Period Q Demand
1 1 600
2
3
2
3
1,550
1,500
Indeks Seasonal
4 4 1,500
5 1 2,400 Year
6 2 3,100 Q 1 2 3 Avg Factor
7 3 2,600 1 600 2,400 3,800 2,267 0.816
8 4 2,900 2 1,550 3,100 4,500 3,050 1.097
9 1 3,800 3 1,500 2,600 4,000 2,700 0.972
10 2 4,500 4 1,500 2,900 4,900 3,100 1.115
11 3 4,000
12 4 4,900 Average 2,779

Sum 33,350
Regresi Linier + Musiman
A B A/B
Period Q Demand Factor Deseas Linear
1 1 600 0,816 735,3 896,9
2 2 1.550 1,097 1.412,9 1.239,1
3 3 1.500 0,972 1.543,2 1.581,3
4 4 1.500 1,115 1.345,3 1.923,5
5 1 2.400 0,816 2.941,2 2.265,7
6 2 3.100 1,097 2.825,9 2.607,9
7 3 2.600 0,972 2.674,9 2.950,1
8 4 2.900 1,115 2.600,9 3.292,3
9 1 3.800 0,816 4.656,9 3.634,6
10 2 4.500 1,097 4.102,1 3.976,8
11 3 4.000 0,972 4.115,2 4.319,0
12 4 4.900 1,115 4.394,6 4.661,2
13 5.003,4
14 5.345,6
15 5.687,8
16 6.030,0

Slope 342,21
Int 554,68
7,000
Demand
Deseasonalized
6,000
Linear

5,000

4,000

3,000

2,000

1,000

-
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Regresi Linier + Musiman (Seasonal Linear
Regression)
Period Q Demand Factor Deseas Linear Factor Forec.
1 1 600 0.816 735.3 896.9 0.816 732
2 2 1,550 1.097 1,412.9 1,239.1 1.097 1,359
3 3 1,500 0.972 1,543.2 1,581.3 0.972 1,537
4 4 1,500 1.115 1,345.3 1,923.5 1.115 2,145
5 1 2,400 0.816 2,941.2 2,265.7 0.816 1,849
6 2 3,100 1.097 2,825.9 2,607.9 1.097 2,861
7 3 2,600 0.972 2,674.9 2,950.1 0.972 2,868
8 4 2,900 1.115 2,600.9 3,292.3 1.115 3,671
9 1 3,800 0.816 4,656.9 3,634.6 0.816 2,966
10 2 4,500 1.097 4,102.1 3,976.8 1.097 4,363
11 3 4,000 0.972 4,115.2 4,319.0 0.972 4,198
12 4 4,900 1.115 4,394.6 4,661.2 1.115 5,197
13 5,003.4 0.816 4,083
14 5,345.6 1.097 5,864
15 5,687.8 0.972 5,529
16 6,030.0 1.115 6,723

Slope 342.21
Int 554.68
8,000

7,000

6,000

5,000

Demand
4,000
Forecast

3,000

2,000

1,000

-
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Period Q Demand Factor Deseas Linear Factor Forec.
1 1 636
2 2 1.585
3 3 1.508
4 4 1.537
5 1 2.404
6 2 3.129
7 3 2.608
8 4 2.950
9 1 3.840
10 2 4.535
11 3 4.025
12 4 4.911
13
14
15
16
Pola Data Intermitent
Metode Croston
Langkah Utama metode Croston
 Metode Croston terdiri dari dua langkah utama yaitu:
 Mengestimasi rata-rata non zero demand.
 Mengestimasi rata-rata interval antar permintaan.
(mengestimasi setiap berapa periode ada permintaan ?)

Setiap berapa periode ada permintaan? Jika ada

permintaan berapa besarnya permintaan?
Ide Dasar metode Croston
 Ide metode ini adalah menggunakan single eksponensial smoothing untuk
mengestimasi rata-rata permintaan (nonzero demand) dan selang antar
periode yang memiliki permintaan
Periode X(t)
1 0
2 0
3 19
4 0 Selang antar periode yang memiliki permintaan (setelah
5 0
tiga periode terdapat permintaan lagi)
6 0
7 4
8 18
9 17
10 0
11 0
12 0
13 0
14 0
15 3
16 0
17 0
18 19
19 0
20 0
21 0
22 5
23 4
24 5
 Contoh Metode Croston
Y(t) = Rata-rata nonzero demand
α 0,3
P(t) = Rata-rata panjang interval nonzero demand
(setiap berapa periode ada permintaan?) Periode X(t) Y(t) Q P(t) M(t)/P(t)
X(t) = Permintaan periode t 1 0 0,0 1 0,0 0,0
2 0 0,0 2 0,0 0,0
Q = Banyaknya periode setelah periode terakhir yang 3 19 5,7 1 0,6 9,5
memiliki permintaan (nonzero demand period) 4 0 5,7 2 0,6 9,5
5 0 5,7 3 0,6 9,5
6 0 5,7 4 0,6 9,5
Jika tidak ada permintaan 7 4 5,2 1 1,6 3,2
Y(t)=Y(t-1) 8 18 9,0 1 1,4 6,3
9 17 11,4 1 1,3 8,8
P(t)=P(t-1) 10 0 11,4 2 1,3 8,8
Q(t)=Q(t-1)+1 11 0 11,4 3 1,3 8,8
12 0 11,4 4 1,3 8,8
13 0 11,4 5 1,3 8,8
Jika Ada permintaan 14 0 11,4 6 1,3 8,8
Y(t)=α X(t)+(1- α) Y(t-1) 15 3 8,9 1 2,7 3,3
16 0 8,9 2 2,7 3,3
P(t)= α Q +(1- α) P(t-1) 17 0 8,9 3 2,7 3,3
Q(t)=1 18 19 11,9 1 2,8 4,3
19 0 11,9 2 2,8 4,3
20 0 11,9 3 2,8 4,3
21 0 11,9 4 2,8 4,3
22 5 9,8 1 3,2 3,1
23 4 8,1 1 2,5 3,2
24 5 7,2 1 2,1 3,5
Contoh Metode Croston
α 0,3

Periode X(t) Y(t) Q P(t) Y(t)/P(t)

1 0 0,0 1 0,0 0,0
2 0 0,0 2 0,0 0,0
3 19 5,7 1 0,6 9,5
4 0 5,7 2 0,6 9,5
5 0 5,7 3 0,6 9,5
6 0 5,7 4 0,6 9,5
7 4 5,2 1 1,6 3,2 Setiap 2,1 periode ada satu order (permintaan)
8 18 9,0 1 1,4 6,3
9 17 11,4 1 1,3 8,8
sebesar 7,2.
10 0 11,4 2 1,3 8,8  (rata-rata setiap permintaan setiap periode
11 0 11,4 3 1,3 8,8 7,2/2,1 = 3,5)
12 0 11,4 4 1,3 8,8
13 0 11,4 5 1,3 8,8
14 0 11,4 6 1,3 8,8
Karena pada periode ke-24 ada permintaan
15 3 8,9 1 2,7 3,3 sedangkan setiap 2,1 periode hanya ada satu
16 0 8,9 2 2,7 3,3 permintaan maka:
17 0 8,9 3 2,7 3,3
18 19 11,9 1 2,8 4,3
Permintaan pada periode ke-25 = 0
19 0 11,9 2 2,8 4,3 Permintaan periode ke-26 = 0
20 0 11,9 3 2,8 4,3 Permintaan periode ke-27 = 7,2
21 0 11,9 4 2,8 4,3
22 5 9,8 1 3,2 3,1
23 4 8,1 1 2,5 3,2
24 5 7,2 1 2,1 3,5
Causal Forecasting Model
 Besarnya permintaan diprediksi berdasarkan faktor-faktor yang menentukan
besarnya permintaan misalnya : harga, harga produk pesain, biaya promosi,
diskon, pendapatan dll.
 Permintaan yang diramalkan menjadi Dependent Variable sedangkan faktor
faktor yang mempengaruhi sebagai Independent Variable
 Metode yang digunakan untuk causal method adalah multilinear regression.
 Perbedaan informasi yang diperlukan time series dan causal method untuk
menentukan permintaan pada periode yang diramalkan
 Time series : bulan depan periode ke berapa?
 Casual method : berapa nilai dari faktor-faktor yang menentukan permintaan pada bulan
depan?

Ft  aX 1  bX 2  cX 3  ...
Harga Promosi Harga pesaing
Aggregation and
Disaggregation
Peramalan Agregat
 Jika Anda diminta memprediksi permintaan BBM jenis
premium di kota surabaya, manakah yang akan anda
lakukan?
 Meramalkan permintaan setiap SPBU di kota Surabaya
kemudian hasilnya dijumlah
 Mmenjumlah permintaan di setiap SPBU kemudian data
tersebut digunakan untuk meramalkan??
Si A yang tinggal di Surabaya setiap bulan pasti menghabiskan 10 liter
untuk pulang pergi ke tempat kerja, Si A pasti beli bensin di Surabaya
tapi sangat sulit dipastikan si A akan beli di SPBU mana

Untuk menjawab pertanyaan berapa permintaan premium di

Surabaya?  jumlahkan permintaan semua SPBU di kota Surabaya
periode kemudian ramalkan
Peramalan Agregat
 Jika anda diminta untuk menentukan berapakah velg mobil
honda jazz yang harus diadakan oleh perusahaan pada tiga
bulan depan? (semua jenis honda jazz menggunakan velg yang
sama) manakah yang akan anda lakukan
 Meramalkan permintaan setiap jenis honda jazz(tipe dan warna)
kemudian hasil peramalan dijumlah untuk menentukan banyaknya velg
yang harus diadakan
 Menjumlah permintaan semua jenis honda jazz kemudian data tersebut
digunakan untuk meramalkan
Aggregation dan Disaggregation
(1)
 Dapat mengurangi aktivitas yang harus dilakukan untuk melakukan
forecast.
 Jika dilakukan dengan benar dapat menghasilkan forecast yang lebih
akurat jika dibandingkan dengan forecast pada level yang lebih detail
(Risk Pooling).

A+B A B

20 80
70 30
60 40
100
55 45
35 65
… …
Aggregation dan Disaggregation
(2)
 Forecast yang dilakukan berdasarkan level yang berbeda akan memberikan
hasil yang berbeda.
 Disaggregation dilakukan berdasarkan proporsi sales history.
Aggregation dan Disaggregation (3)
Demand
Permintaan pada Semua
Region ( A + B + C )

Permintaan pada Region A

Permintaan pada Region B

Permintaan pada Region C

Periode
Aggregation dan Disaggregation (4)

Aggregasi Produk yang Memiliki Pola

Permintaan yang Tidak Sama
Demand Demand

Aggregasi Aggregasi

Produk A
Produk A

Produk B
Produk B
Periode Periode

Demand Demand
Aggregasi Aggregasi

Produk A
Produk A

Produk B
Produk B

Periode Periode
 Aggregation dan Disaggregation (5)
Hasil Peramalan
Demand
Aggregasi Demand
Aggregasi Produk yang Memiliki Pola Permintaan yang Berbeda
Produk A dan B

Demand Aggr egasi

Aggr egasi Demand

Pr oduk A da n B

Demand Produk B

Periode

Demand Pr oduk A

Periode

Di saggr egasi Hasi l Per amal an

Demand

Demand Produk B

Demand Produk A

Periode
Evaluasi Forecasts

Forecasts

Demands
Evaluasi Forecasts
Forecast error: et  At  Ft
n
Mean Absolute
Deviation
MAD  (1 / n) ei
i 1
n
MSE  (1 / n) ei
Mean Squared 2
Error
i 1

 n

Mean Absolute
Percent Error
MAPE  (1 / n) ei / Di  100
 i 1 
Forecast Accuracy

D a t a H is t o r is V s P e r a m a la n
(C o a t e d Iv o r y B o a r d L o k a l)
6000

5000

4000
Dem and

3000

2000

1000 Error = Expost Forecast-Actual Demand

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

P e rio d e
Data Historis Statistic Forecast
Forecast Error

 CFE : Indicates bias or direction of errors.

 MAD : Indicates magnitude of errors.
 MSE : Emphasizes large errors.
 MAPE : Allows comparison of forecasts using
different data.
 Error Total dan Mean Percentage Error

Sum of all errors Average of percent errors

n
ET  e 1 n
MPE   PE
t nt 1 t
t 1
 Uses raw (positive or negative) errors  Can be positive or negative
 ET can be positive or negative  Measures bias, should stay close to zero
 Measures bias of the forecast
 Should stay close to zero
MSE, RMSE, MAPE, MAD
Average of squared errors Average of squared errors

n 2 1 n 2
1
MSE  e RMSE   et
n t 1
nt 1 t
 Always positive
 Always positive
 Measures “magnitude” of errors
 Measures “magnitude” of errors  Units are “demand units squared”
 Units are “demand units squared”

Average of absolute percentage errors Smoothed absolute errors

1 n MADt  (10.3)MAD 0.3e

MAPE   PE t 1 t
nt 1 t
 Always positive
 Always positive  Measures magnitude of errors
 Measures magnitude of errors  Looks at the recent past
 Units are “percentage”
 Forecast Error

Jangan gunakan Error Total (ET) dan Mean Percentage Error (MPE) sebagai ukuran
keakuratan forecast. ET dan MPE bisa mempunyai nilai yang kecil namun tidak
menunjukkan kalau forecast tersebut akurat.

Periode Historical Data Expost Forecast Error

35
1 14 25 -11
30
2 11 1 10
25
3 12 15 -3
20
4 15 33 -18
15
5 16 2 14
10
6 14 21 -7
5
7 15 33 -18
0
8 12 7 5
1 2 3 4 5 6 7 8 9 10 11 12
9 13 25 -12
Data Historis Ex-post Forecast
10 16 5 11

11 17 2 15

12 15 1 14

Error Total 0
MAD or MSD ?
Error metode 1 Error Metode 2
1 3
0 3
2 4
11 2
1 3
1 3

Metode 1 Metode 2 keputusan

MAD 16 18 Pilih metode 1
MSD 128 56 Pilih metode 2
Forecasting adalah penting akan
tetapi yang jauh lebih penting adalah
usaha untuk mengurangi pentingnya
forecasting
Kesimpulan (1)
• Terdapat 5 pola permintaan yaitu konstan, trend, seasonal, seasonal trend
dan sporadic.
• Untuk setiap pola permintaan terdapat beberapa metode forecast yang dapat
digunakan.
• Data yang tidak baik(mengandung outlier, tidak lengkap, tidak relevan)
tidak akan bisa menghasilkan ramalan yang baik.
• Data “aneh” yang merupakan kejadian khusus harus dikoreksi lebih dahulu
sebelum melakukan forecast.
• Penggunaan data yang banyak tidak selalu memberikan peramalan yang
akurat. Hal ini terjadi jika data tersebut sudah tidak relevan lagi atau kondisi
sudah jauh berubah
Kesimpulan(2)
• Asumsi dasar forecast adalah bahwa pola permintaan akan terus berlanjut di
masa depan. Jika kondisi berubah maka diperlukan adjustment.
• Tidak ada metode yang selalu terbaik untuk semua pola permintaan produk.
• Metode forecast yang dipilih merupakan metode yang memiliki error
terkecil. Jangan pergunakan error total (ET) dan mean percentage error
(MPE) sebagai ukuran keakuratan forecast.
• Kesalahan yang kecil pada tahap perencanaan mempunyai dampak yang
besar pada distribusi dan produksi.Oleh karena itu, tujuan utama demand
planning adalah menghasilkan ramalan permintaan yang seakurat mungkin.
Terima Kasih