Forecasting

Forecast are always wrong, be able to

explain why

12-2
 Forecasting
• Salah satu keputusan penting dalam
perusahaan adalah menentukan tingkat
produksi yang perlu disiapkaan untuk masa
yang akan datang, Penentuan tkt produksi
merupakan penawaran dipengaruhi jumlah
permintaan pasar yang dapat dipenuhi
perusahaan.

12-3
 Forecasting
• Untuk membantu tercapainya suatu
keputusan yang optimal diperlukan suatu
cara yang tepat, sistematis dan dapat
dipertanggungjawabkan. Salah satu alat
yang diperlukan oleh manajemen dan
merupakan bagian yang integral dari proses
pengambilan keputusan ialah metode
peramaalan.
12-4
 What is Forecasting?

♦ Proses memprediksi Sales will be

kejadian di masa $200 Million!

datang.
♦ Menjadi dasar
keputusan bisnis :
♦ Production
♦ Inventory
♦ Personnel
♦ Facilities
 Forecasting
• Forecasting merupakan prakiraan dari kejadian di
masa depan, semakin baik prakiraan tersebut maka
organisasi semakin mampu mempersiapkan diri
untuk menghadapinya.
• Peramalan yang akurat menentukan berapa banyak
inventory yang harus dimiliki pada titik supply
chain (produsen, supplier, distributor)

12-6
Forecasting & Decision Making
• Dalam praktek banyak manager yang
memanfaatkan hasil forecasting untuk
pengambilan kebijakan yang bersifat
strategis:
– Manajer Produksi; memanfaatkan untuk
menentukan kebutuhan bahan baku apa yang
akan dibeli diperiode mendatang.

12-7
 Forecasting & Decision Making
• Manajer keuangan; membuat dan menyusun
penganggaran modal (capital budgeting) untuk
periode mendatang.
• Manajer pemasaran; membuat prediksi penjualan
produk dan penjualan yang harus dicapai dimasa
yang akan datang.
• Manajer SDM; berkepentingan dalam perekrutan
tenaga kerja baru, menyusun anggaran gaji, atau
kegiatan lain.

12-8
Types of Forecasting Methods
Tergantung dari :
– time frame (rentang
waktu)
– demand behavior

12-9
 Time Frame
Berdasarkan horizon waktu, peramalan dibagi 3, yaitu :
1. Peramalan jangka pendek, jangka waktu yg kurang dari 3
bulan misalnya perencanaan pembelian material, penjadwalan
kerja, penugasan karyawan.
2. Peramalan jangka menengah, jangka waktu antara 3
sampai 18 bulan. Misalnya peramalan untuk perencanaan
penjualan, perencanaan produksi dan perencanaan tenaga tidak
tetap.
3. Peramalan jangka panjang mencakup waktu yang lebih
besar dari 18 bulan. Misalnya peramalan penanaman modal,
perencanaan fasilitas dan perencanaan untuk litbang.

12-10
 Pengaruh siklus hidup produk
• Faktor lain yg harus dipertimbangkan saat
membuat peramalan penjualan, terutama
peramalan penjualan jangka panjang, adalah siklus
hidup produk. Penjualan produk bahkan jasa tidak
terjadi pada tingkat yg konstan sepanjang
hidupnya. Hampir semua produk yg berhasil
melalui empat tahapan, yaitu : perkenalan,
pertumbuhan, kematangan dan penurunan.

12-11
 Forecasting Process
1. Identifikasi tujuan 2. Kumpulkan data 3. Plot data dan
dari forecast historis identifikasi pola nya

6. Cek keakuratan 5. Kembangkan / 4. Pilih model forecast

forecast dengan hitung forecast untuk yang sesuai untuk
1/lebih metode periode mendatang data

7.
Apakah No 8b. Pilih metode forecast
akurasinya dapat yang baru atau sesuaikan
diterima? parameter dr model yang
ada
Yes
9. Sesuaikan forecast 10. Monitor hasil dan
8a. Forecast untuk
dengan informasi ukur akurasi forecast
sepanjang horison
waktu perencanaan kualitatif

12-12
 Forecasting Approaches

Qualitative Methods Quantitative Methods

♦ Digunakan jika situasi ♦ Digunakan jika situasi
cenderung stabil dan data historis
berubah-ubah dan tersedia
♦ Produk yang sudah ada
data hanya tersedia ♦ Teknologi yang sudah ada
sedikit ♦ Melibatkan teknik
♦ Produk baru matematis
♦ Teknologi baru ♦ e.g., forecasting sales of
♦ Melibatkan intuisi dan color televisions

pengalaman
 Qualitative Methods
Ada 4 teknik peramalan kualitatif :
1. Juri dari opini eksekutif
2. Metode Delphi
3. Komposit tenaga penjualan
4. Survei pasar konsumen

12-14
 Qualitative Methods

Pihak manajemen, pemasaran,

pembelian, dan engineering menjadi
sumber dari peramalan kualitatif

Expert A
12-15 Expert B
 Metode Delphi
• Metode delphi adalah suatu metode dimana dalam
proses pengambilan keputusan melibatkan
beberapa pakar. Adapun para pakar tersebut
tidak dipertemukan secara langsung (tatap
muka), dan identitas dari masing-masing pakar
disembunyikan sehingga setiap pakar tidak
mengetahui identitas pakar yang lain. Hal ini
bertujuan untuk menghindari adanya dominasi
pakar lain dan dapat meminimalkan pendapat
yang bias.

12-16
 Ada empat tahap penting dalam metode Delphi
1. Eksplorasi pendapat Dalam hal ini, tim investigasi mengirimkan
beberapa pertanyaan kepada para pakar terkait dengan masalah yang
dihadapinya. Pertanyaan-pertanyaan tersebut dapat disampaikan secara
tertulis (surat atau email) atau secara lisan (telepon). Para pakar diminta
menjawab semua pertanyaan dan mengirimkannya kembali kepada tim
investigasi.
2. Merangkum pendapat para pakar danmengkomunikasikannya kembali
Semua pendapat yang masuk, dirangkum oleh tim investigasi dan
dikirimkan kembali ke semua pakar, sehingga masing-masing pakar dapat
mengetahui pendapat pakar lain. Setiap pakar diberi kebebasan untuk
tetap mempertahankan pendapatnya atau bahkan merubah pendapatnya
berdasarkan sudut pandang pakar lain, dan mengirimkannya kembali
kepada tim investigasi.
.

12-17
 Ada empat tahap penting dalam metode Delphi

• 3. Mencari informasi mengenai alasan para pakar terkait

atas pendapat yang disampaikan Revisi pendapat pada
tahap dua memberi dua kemungkinan hasil yaitu
pendapat yang konvergen atau divergen. Jika terdapat
pendapat yang agak berbeda dari pendapat lain, tim
investigasi kembali mencari informasi mengenai alasan
pakar atas pendapat yang disampaikan.
• 4. Evaluasi Proses berlangsung hingga tim investigasi
merasa yakin bahwa semua pendapat merupakan hasil
pemikiran yang matang.

12-18
 Kapan sebaiknya metode Delphi
digunakan?

1. Ketika tidak dimungkinkan adanya pertemuan

secara langsung (tatap muka) antara sejumlah pakar
2. Ketika domisili para pakar yang terlibat saling
jauh
3. Ketika adanya kemungkinan dominasi individu
jika ada pertemuan secara langsung
4. Terbatasnya ketersediaan data masa lampau

12-19
 Quantitative Methods

• Peramalan kuantitatif peramalan yang

menggunakan model matematis yang
beragam dengan data masa lalu dan variabel
sebab-akibat untuk peramalan permintaan.

12-20
 Quantitative Methods

• Time series
– Teknik statistik yang menggunakan data historis untuk
memprediksi demand di masa yang akan datang
• Regression methods
– Hubungan matematis antara demand dan faktor yang menyebabkan pola
permintaannya. Model asosiatif (hubungan sebab akibat) seperti regresi
linear, menggabungkan banyak variabel atau faktor yg mungkin
mempengaruhi kuantitas yg sedang di-ramalkan. Sebagai contoh, model
asosia-tif dari penjualan mesin pemotong rumput mungkin memasukkan
faktor spt adanya perumahan baru, anggaran iklan, dan harga pesaing.

12-21
 Time Series
• Mengasumsikan bahwa kejadian di masa lalu akan terjadi
lagi di masa yang akan datang.
• Metode ini menghubungkan peramalan dengan hanya satu
faktor yang mempengaruhinya, yaitu Waktu
• Deret waktu didasarkan pada urutan dari titik-titik data yg
berjarak sama dalam waktu (mingguan, bulanan, kuartalan,
dll).
• Menganalisis deret waktu berarti membagi data masa lalu
menjadi komponen-komponen, kemudian
memproyeksikan-nya ke masa depan. Deret waktu
mem-punyai empat komponen :

12-22
 Pola data metode deret
berkala

1. Pola horisontal (H) terjadi bilamana

data berfluktuasi disekitar nilai
rata-rata yg konstan. Suatu produk yg
penjualannya tdk meningkat atau
menurun selama waktu tertentu
termasuk jenis ini.
 Pola horisontal (H)
Pola horisontal jika data stabil,
lingkungan yg berpengaruh relatif
tetap. Misalnya angka kerusakan
perminggu pada pemasangan
bagian-bagian perakitan mesin
memiliki rata-rata produksi yang
sama, kumpulan penjualan produk
dan jumlah hasil penjualan dari
tingkat usaha yang konstan.
12-24
 Pola data metode deret
berkala

2. Pola musiman (S) terjadi bilamana

suatu deret dipengaruhi oleh faktor
musiman (misalnya kuartal tahun tertentu,
bulanan, atau hari-hari pada minggu
tertentu). Restoran , toko serba ada serta
bioskop mengalami variasi variasi
musiman mingguan.
 Pola musiman (S)
• Musim dingin (seperti olaharaga: ski),
pakaian, musim tanam.
• Kalender tahunan (hari libur, hari besar)
mempengaruhi variabel minat Contoh:
penjualan tiket masuk obyek wisata
dipengaruhi musim libur, 3 hari liburan, dan
kalender sekolah.

12-26
 Pola data metode deret
berkala (2)

3. Pola siklus (C) terjadi bilamana datanya

dipengaruhi oleh fluktuasi ekonomi jangka
panjang seperti yang berhubungan dengan
siklus bisnis. Perbedaan utama pola musiman
dan pola siklus adalah pola musiman
mempunyai gelombang panjang yang tetap dan
terjadi pada jarak waktu yang tetap, sedangkan
pola siklus memiliki jangka waktu yang lebih
panjang dan bervariasi dari siklus ke siklus
lainnya. Siklus ini sering kali berkaitan dengan
berbagai kondisi ekonomi, politik .
 Pola siklus (C)
Terjadinya perubahan dalam penduduk.
Contoh : perang, kelaparan
Teknik peramalan untuk data siklis digunakan jika putaran bisnis
mempengaruhi variabel minat
Contoh : ekonomi, pasar dan faktor persaingan.
Adanya pergantian selera,mode, dll
Contoh : fashion,musik,makanan,dll, wabah penyakit dan
bencana alam
Adanya pergantian siklus produk
Contoh : pengenalan, pertumbuhan, kematangan dan
kejenuhan pasar, dan penurunan.

12-28
 Pola data metode deret
berkala (2)

4. Pola tren (T) terjadi bilamana terdapat

kenaikan atau penurunan jangka panjang
dalam data. Pola ini disebabkan, karena
bertambahnya populasi, pengaruh budaya
 Pola tren (T)
• Teknik peramalan untuk data trend digunakan jika
daya produksi yang meningkat atau kemajuan
teknologi yang mendorong perubahan gaya hidup
Contoh: permintaan komponen elektronik, yang
meningkat dengan adanya komputer dan
pemakaian jalan kereta api yang menurun karena
adanya pesawat terbang.

12-30
 Pendekatan Naif

• Pendekatan naif adalah teknik peramalan yg

mengasumsikan permintaan periode berikutnya sama
dengan permintaan pada periode terakhir. Dengan kata lain,
jika penjualan sebuah produk (mis: telpon genggam
Motorolla) adalah 68 unit pada bulan Januari, kita dapat
meramalkan pen-jualan pada bulan Februari.
• Pendekatan naif ini merupakan model peramalan objektif yg
paling efektif dan efisien dari segi biaya. Paling tidak
pendekatan naif memberikan titik awal untuk perbandingan
dengan model lain yang lebih canggih.

12-31
 Time Series
Terdiri dari :
–moving average
–exponential smoothing
–linear trend line

12-32
 Simple Moving Average
• Simple moving average
– Digunakan jika kita dapat mengasumsikan bahwa
permintaan pasar akan stabil sepanjang masa yang
akan kita ramalkan. Nilai prakiraan untuk suatu
periode merupakan rata2 n periode terakhir. Istilah
rata2 bergerak digunakan karena setiap kali
observasi baru tersedia, angka rata2 baru dihitung
dengan memasukkan data terbaru dan
mengeluarkan data periode terlama. Rata2 yang
baru ini kemudian dipakai sebagai prakiraan utk
periode yang akan datang.

12-33
Simple Moving Average

iΣ
= 1D
i
MAn =
n
where

n = jumlah periode
dalam rata-rata
bergerak
Di = permintaan periode i

12-34
 3-month Simple Moving Average
3

ORDERS MOVING i = 1 Di
MONTH PER MONTH AVERAGE
Σ
MA3 =
Jan 120 – 3
Feb 90 –
Mar 100 – 90 + 110 + 130
Apr 75 103.3 = 3
May110 88.3
June 50 95.0
July 75 78.3
= 110 orders
Aug 130 78.3 for Nov
Sept 110 85.0
Oct 90 105.0
Nov - 110.0
12-35
 5-month Simple Moving Average

ORDERS MOVING 5
MONTH PER MONTH AVERAGE
i = 1 Di
Σ
Jan 120 –
Feb 90 – MA5 =
5
Mar 100 –
Apr 75 –
90 + 110 + 130+75+50
May110 – = 5
June 50 99.0
July 75 85.0
Aug 130 82.0 = 91 orders
Sept 110 88.0 for Nov
Oct 90 95.0
Nov - 91.0
12-36
 Smoothing Effects
150 –

125 –
5-month

100 –

75 –
Orders

50 –
3-month
25 –
Actual

0–
| | | | | | | | | | |
Jan Feb Mar Apr May June July Aug Sept Oct Nov
Month
12-37
 Simple moving average
• Metode SMA memiliki kelemahan karena
diaanggab menggunakan bobot yang sama
pada setiap periode. Dalam banyak hal,
periode yang diramalkan banyak
mengandung informasi yang sama dengan
dengan periode terakhir dibandingkan
dengan periode sebelumnya. Maka periode
yang terakhir harus mendapat bobot yang
lebih besar dibanding periode sebelumnya.
Maka dikembangkan metode rata2
tertimbang atau Weighted moving average

12-38
 Weighted moving average

• Weighted moving average

– Digunakan untuk menempatkan
penekanan yang lebih pada nilai terkini.
Praktik ini membuat teknik peramalan
lebih tanggab terhadap perubahan karena
periode yang lebih dekat mendapatkan
bobot yang lebih berat.

12-39
 Weighted Moving Average
n

Adjusts moving WMAn = Σ Wi Di

i=1
average
method to dimana
more closely Wi = bobot pada periode i,
reflect data diantara 0 and 100 persen
fluctuations
Σ Wi = 1.00

12-40
Weighted Moving Average Example

MONTH WEIGHT DATA

August 17% 130
September 33% 110
October 50% 90 3

November Forecast WMA3 = iΣ

=1W D
i i

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

= 103.4 orders
12-41
 Exponential Smoothing

Metode ini digunakan untuk data yang

mempunyai pola acak dan mempunyai
kecenderungan trend.
Penghalusan eksponensial merupakan metode
peramalan rata-rata bergerak dgn
pembobotan dimana titik data dibobotkan oleh
fungsi eksponensial.

12-42
 Exponential Smoothing (cont.)
Ft +1 = α Dt + (1 - α)Ft
where:
Ft +1 = forecast for next period
Dt = actual demand for present period
Ft = previously determined forecast for
present period ( hasil forecasting sebelumnya)
α = weighting factor, smoothing constant
dimana : α adalah sebuah bobot atau konstanta
penghalusan yg dipilih oleh peramal yg mempunyai
nilai antara 0 dan 1.

12-43
Effect of Smoothing Constant

0.0 ≤ α ≤ 1.0
If α = 0.20, then Ft +1 = 0.20 Dt + 0.80 Ft

If α = 0, then Ft +1 = 0 Dt + 1 Ft = Ft
Forecast does not reflect recent data
If α = 1, then Ft +1 = 1 Dt + 0 Ft = Dt
Forecast based only on most recent data

12-44
 Exponential Smoothing (α=0.30)
PERIOD MONTH DEMAND
F2 = αD1 + (1 - α)F1
1 Jan 37 = (0.30)(37) + (0.70)(37)
2 Feb 40 = 37
3 Mar 41
4 Apr 37 F3 = αD2 + (1 - α)F2
5 May 45 = (0.30)(40) + (0.70)(37)
6 Jun 50
= 37.9
7 Jul 43
8 Aug 47
F13 = αD12 + (1 - α)F12
9 Sep 56
= (0.30)(54) + (0.70)(50.84)
10 Oct 52
11 Nov 55 = 51.79
12 Dec 54
12-45
Exponential Smoothing (cont.)
FORECAST, Ft + 1
PERIOD MONTH DEMAND (α = 0.3) (α = 0.5)
1 Jan 37 – –
2 Feb 40 37.00 37.00
3 Mar 41 37.90 38.50
4 Apr 37 38.83 39.75
5 May 45 38.28 38.37
6 Jun 50 40.29 41.68
7 Jul 43 43.20 45.84
8 Aug 47 43.14 44.42
9 Sep 56 44.30 45.71
10 Oct 52 47.81 50.85
11 Nov 55 49.06 51.42
12 Dec 54 50.84 53.21
13 Jan – 51.79 53.61
12-46
 70 –
Exponential Smoothing (cont.)
60 –
Actual α = 0.50
50 –

40 –
Orders

30 – α = 0.30

20 –

10 –

0–
| | | | | | | | | | | | |
1 2 3 4 5 6 7 8 9 10 11 12 13
Month
12-47
 Teknik untuk menghitung Musiman
Gerakan musiman merupakan gerakan yang teratur dalam arti
naik-turunnya terjadi pada waktu-waktu yang sama. Disebut
gerakan musiman oleh karena terjadinya bertepatan dengan
pergantian musiman dalam suatu tahun
Gerakan yang terjadi secara teratur waktu yang singkat juga
disebut gerakan musiman.
Pengetahuan tentang gerakan musiman ini sangat penting
sebagai dasar penentuan langkah-langkah kebijakan dalam rangka
mencegah hal-hal yang tidak diinginkan.

Contoh:
- Pemilik bioskop menyediakan karcis lebih banyak pada malam
minggu,
- Pemilik restoran menyediakan makanan yang lebih banyak pada
malam minggu, khususnya pada bulan muda
- Naik turunnya jumlah orang ke luar negeri
12-48
 Rata-rata bergerak Terpusat
• Perhitungan Nilai yang dihasilkan untuk rata2
bergerak terpusat sama dengan ramalan rata2
bergerak.
• Namun nilainya tidak diproyeksikan seperti dalam
ramalan.
• Sebaliknya nilainya diposisikan di tengah periode
yang digunakan untuk menghitung rata2 bergerak.
• Implikasinya adalah bahwa rata2 yang paling
mewakili titik tersebut dalam deret.

12-49
 Contoh
Periode Permintaan Rata2
Terpusat
Tiga
Periode
1 40

2 46 42,67 Rata2 =
40+46+42/5 =
42.67
3 42

12-50
• Rata2 tiga periode adalah 42.67.
• Rata2 ini diposisikan pada periode ke 2, yang paling mewakili.
• Rasio permintaan untuk periode ke 2 adalah estimasi relatif
musiman pada titik ini.
• Rasionya adalah 46/42.67 = 1,08 deretnya sekitar 8 % di atas
rata2 pada titik itu.
• Untuk mencapai estimasi musiman yang tepat pada setiap musim
estimasi ini biasanya diperlukan untuk menghitung rasio
musiman bagi sejumlah musim kemudian merata ratakan rasio
ini.
• Dalam hal menonton bioskop misalnya, rata2 dari rasio dari lima
atau 6 jumat untuk relatif jumat, rata2 5 atau 6 sabtu untuk relatif
sabtu.

12-51
 Contoh
• Manajer tempat parkir telah menghitung
relatif harian untuk sejumlah mobil perhari
di temapt parkir. Perhitungannya diulang di
sini (sekitar 3 minggu yang ditunjukkan
pada ilustrasi ).
• Ia menggunakan rata2 bergerak terpusat
tujuh periode karena ada 7 hari (musim)
perminggu.

12-52
Hari Volume Total Rata2 Volume/Rata2 Bergerak
Bergerak Bergerak
Terpusat
Selasa 67
Rabu 75
Kamis 82
Jumat 98 71,86 98/71,86 =1,36 ( Jumat )
Sabtu 90 70,86 90/70,86=1,27
Minggu 36 70,57 36/70,57=0,51
Senin 55 503: 7 = 71,00 55/71,00=0,77
Selasa 60 496:7 = 71,14 60/71,14=0,84 ( Selasa )
Rabu 73 494 dst 70,57 73/70,57=1,03
Kamis 85 497 71,14 85/71,14=1,19
Jumat 99 498 70,71 99/70,71=1,40 ( Jumat )
Sabtu 86 494 71,29 86/71,29=1,21
Minggu 40 498 71,71 40/71,71=0,56
Senin 52 495 72,00 52/72,00=0,72
Selasa 64 499 71,57 64/71,57=0,89 ( selasa )
Rabu 76 502 71,86 76/71,86=1,06
Kamis 87 504 72,43 87/72,43=1,20
Jumat 96 501 72,14
12-53
96/72,14=1,33 ( Jumat )
Sabtu 88 503
Estimasi Relatif Jumat adalah ( 1,36 + 1,40 + 1,33 )/3 = 1,36
Relatif untuk hari-hari lainnya dapat dihitung dengan cara
yanga sama.
Estimasi relatif selasa adalah ( 0,84 + 0 89 )/2 = 0,87
Jumlah periode yang diperlukan adalah rata2 bergerak
terpusat sama dengan jumlah musim yang digunakan.
Contohnya dengan data bulanan diperlukan rata2 bergerak 12
bulan.
Ketika jumlah periode genap, diperlukan satu tahap
tambahan karena pertengahan dari periode genap terletak
diantara dua periode.
Tahap tambahan perlu mengambil rata2 bergerak terpusat
dua periode dari rata2 bergerak terpusat angka genap,
sehingga mengakibatkan rata2 yang menyejajarkan dengan
titik data.
12-54
 Linear Trend Line
• Adalah suatu metode peramalan
serangkaian waktu yg sesuai dengan
garis tren terhadap serangkaian titik-titik
data masa lalu, kemudian diproyeksikan
ke dalam peramalan masa depan untuk
peramalan jangka menengah dan jangka
panjang.
Linear Trend Line

12-56
Least Squares Example
 Least Squares Example
(cont.)
78
x = = 6.5
12
557
y = = 46.42
12
∑xy - nxy 3867 - (12)(6.5)(46.42)
b = 2 2 = =1.72
∑x - nx 650 - 12(6.5)2

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

12-58
 Linear trend y = 35.2 + 1.72x
linefor period 13 y = 35.2 + 1.72(13)
Forecast = 57.56 units
70 –

60 –
Actual
50 –
Demand

40 –

30 – Linear trend line

20 –

10 –
| | | | | | | | | | | | |
0– 1 2 3 4 5 6 7 8 9 10 11 12 13
Period

12-59
 Regression Methods
• Dalam banyak kasus suatu variabel tidak hanya
dipengaruhi suatu variabel melainkan beberapa
variabel. Misalkan volume ekspor karet Indonesia
tidak hanya dipengaruhi oleh nilai tukar saja tapi juga
oleh variabel lain seperti permintaan karet dunia , vol
ekspor karet negara lain, pajak ekspor. Atau harga
saham perusahaan dipengaruhi oleh suku bunga
deposito, nilai tukar, dividen dan harga saham periode
berikutnya. Suatu persamaan model yang memiliki
beberapa variabel bebas disebut model regresi
berganda.
12-60
 Linear Regression

y = a + bx a = y-bx

b= Σ xy - nxy
Σ x2 - nx2
where
a = intercept
b = slope of the line

x =Σ = mean of the x
x data
Σn
y = y = mean of the y data
12-61n
Linear Regression Example
x y
(WINS) (ATTENDANCE) xy x2
4 36.3145.2 16
6 40.1240.6 36
6 41.2247.2 36
8 53.0424.0 64
6 44.0264.0 36
7 45.6319.2 49
5 39.0195.0 25
7 47.5332.5 49
49 346.7 2167.7 311

12-62
Linear Regression Example (cont.)
49
x = = 6.125
8
y = 346.9 = 43.36
8
∑xy - nxy2
b =
∑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
12-63
 Linear Regression Example (cont.)
Regression equation Attendance forecast for 7 wins
y =60,000
18.46–+ y = 18.46 +
4.06x 4.06(7)
50,000 – = 46.88, or
46,880

40,000 –
Attendance, y

30,000 –

20,000 – Linear regression line, y

= 18.46 + 4.06x
10,000 –

| | | | | | | | | | |
0 1 2 3 4 5 6 7 8 9 10
12-64
Wins, x
 Correlation and Coefficient of
Determination
Correlation, r
Measure of strength of relationship
Varies between -1.00 and +1.00
Coefficient of determination, r2
Percentage of variation in dependent
variable resulting from changes in the
independent variable

12-65
 Correlation
n∑ xy - ∑ x∑ y
r=
[n∑ x2 - (∑ x)2] [n∑ y2 - (∑ y)2]

(8)(2,167.7) - (49)(346.9)
r= [(8)(311) - (49)2] [(8)(15,224.7) - (346.9)2]

r = 0.947

Coefficient of determination
r2 = (0.947)2 = 0.897
12-66
 Multiple Regression
Study the relationship of demand to two or more independent variables

y = β0 + β1x1 + β2x2 … + βkxk

where
β0 = the intercept
β1, … , βk = parameters for the
independent variables
x1, … , xk = independent variables

12-67
 Menghitung Kesalahan Peramalan

Kesalahan Peramalan = Permintaan Aktual – Nilai Peramalan

= At - Ft

Ada beberapa perhitungan yg biasa digunakan untuk

menghitung kesalahan dlm peramalan.
Tiga dari perhitungan yang paling terkenal adalah :
Deviasi mutlak rata-rata (Mean Absolute Deviation = MAD).
Kesalahan kuadrat rata-rata ( Mean Squared Error = MSE)
Kesalahan persen mutlak rata-rata (Mean Absolute Percent =
MAPE).
 Deviasi mutlak rata-rata (Mean
Absolute Deviation = MAD).
• The Mean Absolute Deviation (MAD) mengukur ketepatan
ramalan dengan merata-rata kesalahan dugaan (nilai
absolut )
• MAD adalah nilai yg dihitung dengan mengambil jumlah
nilai absolut dari setiap kesalahan peramalan dibagi
dengan jumlah periode data (n).
MAD paling berguna ketika orang yang menganalisa
ingin mengukur kesalahan ramalan dalam unit yang sama
sebagai deret asli.

12-69
 Deviasi Mutlak Rata-rata (MAD)

Mean Absolute Deviation (MAD)

∑ | Aktual – Peramalan |
MAD =
n

12-70
 Kesalahan kuadrat rata-rata ( Mean Squared
Error = MSE)
• The Mean Squared Error (MSE) adalah metode lain
untuk mengevaluasi metode peramalan.
Masing-masing kesalahan atau sisa dikuadratkan.
Kemudian dijumlahkan dan dibagi dengan jumlah
observasi. Pendekatan ini mengatur kesalahan
peramalan yang besar karena kesalahan-kesalahan itu
dikuadratkan. Suatu teknik yang menghasilkan
kesalahan moderat mungkin lebih baik untuk salah
satu yang memiliki kesalahan kecil tapi
kadang-kadang menghasilkan sesuatu yang sangat
besar.
12-71
• MSE merupakan rata2 selisih kuadrat antara nilai
Kesalahan kuadrat rata-rata ( Mean Squared
Error = MSE)

Mean Squared Error (MSE)

∑| Kesalahan Peramalan |2
MSE =
n -1

12-72
 Kesalahan persen mutlak rata-rata (Mean
Absolute Percent = MAPE).
• Ada kalanya persamaan sangat berguna untuk menghitung
kesalahan- kesalahan peramalan dalam bentuk presentase
daripada jumlah.
• The Mean Absolute Percentage Error (MAPE) dihitung
dengan menggunakan kesalahan absolut pada tiap periode
dibagi dengan nilai observasi yang nyata untuk periode itu.
Kemudian, merata- rata kesalahan persentase absolut tersebut.
• Pendekatan ini berguna ketika ukuran atau besar variabel
ramalan itu penting dalam mengevaluasi ketepatan ramalan.
• MAPE mengindikasi seberapa besar kesalahan dalam
meramal yang dibandingkan dengan nilai nyata pada deret.
• Metode MAPE digunakan 12-73jika nilai Yt besar.
 Kesalahan persen mutlak rata-rata (Mean
Absolute Percent = MAPE).

Mean Absolute Persen Error

MAPE = ∑ | Aktual i- ramalan i | / aktual ke i x 100

12-74
 Menghitung Kesalahan
Peramalan
Dari sudut pandang perhitungan perbedaan dari
ukuran2 ini adalah :
•bobot MAD merata pada semua kesalahan
•bobot kesalahan MSE sesuai dengan nilai
kuadrat
•bobot MAPE sesuai dengan kesalahan relatif.

12-75
 Menghitung Kesalahan Peramalan
Secara keseluruhan manajer operasi harus menetapkan kepentingan relatif
dari kinerja historis versus kemampuan merespons dan apakah menggunakan
MAD, MSE dan MAPE untuk mengukur kinerja historis.
•MAD paling mudah dihitung tetapi bobot kesalahan bersifat linear.
•MSE mengkuadratkan kesalahan sehingga memberikan beban lebih besar
pada kesalahan yang lebih besar.
•MAPE harus digunakan saat ada kebutuhan untuk menempatkan kesalahan
dalam perspektif yang tepat.
Contoh : kesalahan 10 dalam ramalan 15 sangat besar, sebaliknya kesalahan
10 dari 10000 tidak berarti.
Oleh karena itu untuk menempatkan kesalahan besar dalam perspektif yang
tepat, menggunakan MAPE.

12-76
• Deviasi Mutlak Rata-rata (MAD)

• Contoh :
Selama 8 kuartal terakhir, Perusahaan X membongkar
muat sejumlah besar biji-bijian dari kapal. Manajer
operasi pelabuhan ingin menguji penggunaan
penghalusan eksponensial utk melihat seberapa baik
teknik ini bekerja dlm memprediksi tonase biji-bijian
yg dibongkar/muat. Ia menebak peramalan
bongkar/muat biji-bijian pada kuartal pertama adalah
175 ton. Dua nilai yg diuji α=0,1 dan α=0,5.
• Penyelesaian :

Tonase Peramalan yg
Peramalan yg dibulatkan dgn
Kuartal Bongkar/ dibulatkan
α =0,1
Muat dgn α =0,5
1 180 175 175
2 168 175+0,1(180-175)=175,50 177,50
3 159 175,50+0,1(168-175,50)=174,75 172,75
4 175 174,75+0,1(159-174,75)=173,18 165,88
5 190 173,18+0,1(175-173,18)=173,36 170,44
6 205 173,36+0,1(190-173,36)=175,02 180,22
7 180 175,02+0,1(205-175,02)=178,02 192,61
8 182 178,02+0,1(180-178,02)=178,22 186,30
9 ? 178,22+0,1(182-178,22)=178,59 184,15
• Perhitungan MAD :
Deviasi Deviasi
Tonase B/M Peramalan Peramalan
Kuartal Absolut Absolut
Aktual α= 0,1 α= 0,5
α=0,1 α=0,5
1 180 175 5,00 175 5,00

2 168 175,50 7,50 177,50 9,50

3 159 174,75 15,75 172,75 13,75

4 175 173,18 1,82 165,88 9,12

5 190 173,36 16,64 170,44 19,56

6 205 175,02 29,98 180,22 24,78

7 180 178,02 1,98 192,61 12,61

8 182 178,22 3,78 186,30 4,30

Jumlah Deviasi Absolut 82,45 98,62

MAD 10,31 12,33
 Kesalahan Kuadrat Rata-rata
Kuartal Tonase B/M Aktual
(MSE)
Peramalan α=01 (Kesalahan) 2

1 180 175 52 = 25

2 168 175,50 (-7,5)2=56,25

3 159 174,75 248,06

4 175 173,18 3,33

5 190 173,36 276,89

6 205 175,02 898,70

7 180 178,02 3,92

8 182 178,22 14,31

Jumlah Kesalahan dikuadratkan = 1.526,46

MSE=(Jumlah Kesalahan dikuadratkan)/n = 190,80

 Kesalahan Persen Mutlak
Rata-rata (MAPE) MAPE 100
Kuartal Tonase B/M Aktual Peramalan α=01
(Kesalahan/Aktual)
1 180 175 (5/180)(100)=0,0278

2 168 175,50 0,0446

3 159 174,75 0,0990

4 175 173,18 0,0105

5 190 173,36 0,0876

6 205 175,02 0,1462

7 180 178,02 0,0110

8 182 178,22 0,0208

Jumlah kesalahan = 0,4475
MAPE=(Jumlah Kesalahan)/n = 0,0559
 Menghitung Kesalahan
Peramalan
• Dari perhitungan di atas diperoleh hasil yang
berbeda-beda. Tergantung kepada kebijakan
manajemen mentolelir kesalahan prakiraan.
Meskipun demikian dalam metode yang sesuai
disarankan untuk menggunakan lebih dari satu
metode, kemudian diuji dan dipilih metode yang
memiliki kesalahan prakiraan terkecil.
•TERIMA
KASIH
12-83