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, . . .?
60,60,60,60,60, 60 , 60 , 60 , . . .?
59,60,61,58,60, 60 , 60 , 60 , . . .?
Perubahan kecil pada demand planning menyebabkan perubahan besar pada produksi
dan distribusi.
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
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
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)
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)
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,…)
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.
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
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
Ft Ft 1 At 1 Ft 1
Ft 1 Ft 1 At 1
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
Yˆt x ( At xTt ) I t L x
Winters’ Seasonal Exponential Smoothing
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
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 ?)
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
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 )
Periode
Aggregation dan Disaggregation (4)
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 Produk B
Periode
Demand Pr oduk A
Periode
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
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
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”
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.
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