Forecasting

Resa Huda Firmansyah - 216020201111004

Yusisca Yofa Yulanda - 216020200111003
 Apa itu
Forecasting ?
Forecasting adalah seni dan ilmu memprediksi
peristiwa di masa depan.
Forecasting melibatkan pengambilan data historis
(seperti penjualan masa lalu) dan
memproyeksikannya ke masa depan dengan
model matematika-ematis
 Forecasting Time Horizons

? 1 2 3
Short-range Medium-range Long-range
Forecast Forecast Forecast
Start
 Jenis-Jenis Forecasting

Economic Technological Demand

Forecasting Forecasting Forecasting
The Strategic Importance of
Forecasting

Supply- Sumber
Chain Daya Kapasitas
Management Manusia
 Seven Steps in
Forecasting System
1. Tentukan penggunaan peramalan
2. Pilih item yang akan diprakirakan
3. Tentukan cakrawala waktu peramalan
4. Pilih model peramalan
5. Kumpulkan data yang diperlukan untuk
membuat peramalan
6. Buat peramalan
7. Validasi dan terapkan hasilnya
Pendekatan Forecast

Kualitatif Kuantitatif
Pendekatan Kualitatif

Pendapat Metode
Eksekutif Delphi

Komposit
Tenaga Survey Pasar
Penjualan
 Pendekatan Kuantitatif

Model Deret Model

Waktu Asosiatif
Pendekatan naif, rata-rata
Regresi Linier
bergerak, penghalusan
eksponensial, proyeksi tren
Peramalan Deret Waktu

Tren Musiman

Siklus Variasi Acak

Moving Average
Exponential
Smoothing
Measuring Forecast Error

Ukur Arti Persamaan

Deviasi absolut rata-rata Berapa banyak peramalan

(MAD) yang meleset dari target

Kesalahan kuadrat rata-rata Kuadrat dari beberapa

(MSE banyak peramalan yang
meleset dari target

Kesalahan Persentase Kesalahan persentase

Absolut rata-rata (MAPE) rata-rata
Trend Projection

ŷ= a + bx
ŷ= Nilai komputasi variabel yang akan diprediksi
(disebut variabel dependen)
a = intersepsi sumbu
b = kemiringan garis regresi (atau tingkat perubahan
dalam y untuk diberikan perubahan x)
x = variabel independen (yang dalam hal ini adalah
waktu)
 Metode
Peramalan
Asosiatif
Regresi dan Analisis
Korelasi
Analisis Regresi
Linier
ŷ= a + bx
ŷ= nilai variabel dependen
a= intersepsi sumbu
b= kemiringan garis regresi
x= variabel independen
Analisis Regresi Berganda

ŷ= a + b1x1 + b2x2

y = variabel dependen, penjualan

a = konstan, intersepsi y
x1 dan x2 = nilai dari dua variabel independen, penggajian area dan suku
bunga, masing-masing
b1 dan b2 = koefisien untuk dua variabel independen
Tracking Signal

Sinyal positif
permintaan lebihmenunjukkan
besar dari bahwa
peramalan.
Sinyal negatifkurang
permintaan menunjukkan bahwa
dari peramalan
Jurnal 1
Judul
Analysis and Forecasting Of the Production Quantity in a Manufacturing
Industry Using Historical Data

Penerbit
Climate Econometrics and Institute for New Economic Thinking at the
Oxford Martin School, University of Oxford, UK

Penulis
Okolie Paul Chukwulozie*, Azaka Onyemazuwa Andrew, Okoli
Ndubuisi Celestine, Sinebe Jude Ebieladoh

Tahun
2015
Pendahuluan
Tujuan utama dari forecasting dalam suatu organisasi adalah untuk
meramalkan masa depan kuantitas produksi dan untuk manajemen
persediaan untuk menyeimbangkan konflik tidak ingin menyimpan terlalu
banyak stok.

Tujuan dari penelitian ini adalah untuk menerapkan beberapa metode

forecasting yang ada untuk menunjukkan jumlah sebenarnya dari produk
dalam proporsi yang tepat dan pada waktu yang tepat di industri manufaktur
plastik Louis Carter berdasarkan data pada tahun 2011-2013.
Permasalahan

Karya penelitian ini difokuskan pada penggunaan teknik peramalan untuk

memodelkan dan menganalisis produksi produk plastik di industri plastik
Louis Carter.

Data hasil produksi dikumpulkan dari perusahaan selama tiga tahun pada
2011-2013.

Model peramalan yang diterapkan digunakan untuk meramalkan hasil

produksi masa depan produk.
Pengumpulan dan Analisis Data
Data yang dikumpulkan adalah catatan harian produksi pipa plastik selama
sebulan selama tiga tahun. Metode yang digunakan adalah teknik time series
untuk memodelkan jumlah pipa (ukuran dan bentuk) yang akan diproduksi di
industri dengan menggunakan alat prediksi yaitu: alat Excel dan Minitab untuk
pengembangan model dan peramalan hasil.
Metode Analisis Data
Dalam metode analisis data, beberapa kelompok data dianalisis dengan
menggunakan model peramalan untuk memprediksi jumlah aktual yang
dibutuhkan untuk diproduksi di setiap ukuran pipa plastik selama sebulan di
industri manufaktur. Penggunaan tool Minitab dilakukan untuk menguji variabel
fitness. Pada tabel 2 ditunjukan perkiraan rata-rata produksi yang memberikan laba.

Minitab Logo
Metode Analisis Data
Analisis Hasil
Pembahasan hasil didasarkan pada hasil yang ditemukan dari analisis, tabel dan
grafik yang dikembangkan: Model peramalan diterapkan menggunakan metode
peramalan yang berbeda untuk memprediksi output produksi masa depan produk
mereka dalam output produksi bulanan.

Analisis time series decomposition produk menunjukkan pengaruh musiman

tertinggi untuk produk Y1 pada bulan Juni dengan indeks musiman 1,7. Dari hasil
penelitian, tren pergerakan ke bawah menunjukkan penurunan terus menerus
dalam output produksi masa depan mereka pada produk Y1,

Oleh karena itu perusahaan disarankan untuk meninjau kembali rencana atau
strategi mereka dan keputusan manajerial atau menghentikan produksi produk
untuk menghindari kerugian.
Kesimpulan
Penerapan metode peramalan dan tekniknya akan membantu manajer
produksi untuk memahami tren dan bagaimana masa depan.

Ini akan membantu manajer produksi untuk memahami masa depan dan
kebutuhan untuk mengembangkan rencana atau strategi tentang bagaimana
menangani output produksi masa depan sehingga dapat meminimalkan biaya
dan memaksimalkan keuntungan.

Rencana yang dikembangkan akan membantu manajer produksi dalam

perencanaan dan pengendalian produksi pada jenis produk yang diselidiki.
Jurnal 2
Judul
A Review Of Demand Forecasting Models And Methodological Developments
Within Tourism And Passenger Transportation Industry.

Penerbit
Emerald Publishing Limited

Penulis
Iman Ghalehkhondabi, Ehsan Ardjmand, William A. Young and Gary R. Weckman

Tahun
2018
Pendahuluan
Membaiknya kondisi ekonomi setelah krisis 2009 memungkinkan lebih banyak
orang di seluruh dunia berencana untuk bepergian ke daerah lain.

Tren yang berkembang untuk industri pariwisata ini, dan pentingnya dalam
pembangunan ekonomi banyak negara, membuat instansi pemerintah dan swasta
terkait untuk memiliki rencana manajemen permintaan yang sesuai. Kesalahan
perhitungan volume permintaan di masa depan dapat menjadi mahal, baik dalam
kasus underestimasi dan overestimasi.

Industri pariwisata secara logis tergantung pada transportasi penumpang, dan

penting untuk memiliki analisis kebutuhan transportasi saat membuat strategi
pengembangan pariwisata.

Memiliki perkiraan yang akurat dari permintaan pariwisata adalah penting untuk
membuat rencana pengembangan dan operasional untuk meningkatkan
profitabilitas perusahaan industri pariwisata dan transportasi penumpang.
Tujuan Penelitian
Tujuan dari makalah ini adalah untuk meninjau literatur saat ini
di bidang demand forecasting pariwisata.

Demand forecasting pada

Transportasi dan Pariwisata
Memperkirakan volume angkutan penumpang merupakan bagian yang tidak
terpisahkan dari peramalan permintaan pariwisata dan merupakan faktor
penting dalam perencanaan strategis pada industri pariwisata.

Berdasarkan penelitian, menunjukkan semakin pentingnya unsur transportasi di

domain ini maupun pariwisata itu sendiri.

Gambar 1 menggambarkan jumlah penelitian dengan topik “perkiraan”, dan kata

"pariwisata", "transportasi", "perjalanan" dan "penumpang" dalam judulnya
menggunakan Thomson Reuters' Mesin pencari Web of Science antara tahun
1998 dan 2017
Metode
● Time series models
Peramalan kedatangan wisatawan di Spanyol dipelajari oleh de Oliveira dan
Eduardo (2009). Mereka memodelkan permintaan pariwisata sebagai
komponen terpilah menurut variabel seperti: negara tempat tinggal, tujuan
perjalanan, jenis transportasi dan akomodasi.

● Autoregressive moving average

(ARMA), autoregressive integrated
moving average (ARIMA) and SARIMA
Anvari dkk. (2016) memprediksi permintaan penumpang untuk wilayah
metropolitan di Istanbul, Turki. Kontribusi utama pekerjaan adalah untuk
menerapkan tes statistik bukan penilaian manusia, yang menyederhanakan
proses pemilihan model yang akurat. Penulis percaya bahwa model yang
diusulkan adalah berlaku dalam masalah peramalan yang berbeda, terlepas
dari jenis masalahnya.
Metode
● Regression models
Digunakan oleh Manrai dan Srinidhi untuk memprediksi permintaan India
International terkait transportasi udara. Studi menunjukkan bahwa
permintaan perjalanan udara dipengaruhi oleh karakteristik ekonomi makro
negara, termasuk parameter seperti populasi dan pendapatan. Penerapan
model mereka menunjukkan bahwa perjalanan udara akan meningkat
permintaannya hingga tahun 2020.

● Support vector machines

Mei (2015) mengusulkan model SVR yang lebih baik untuk memprediksi
permintaan pariwisata bulanan untuk Cina. Model SVR tradisional
ditingkatkan oleh peneliti GA (genetic algorithm) melalui penyortiran
non-dominasi untuk mengurangi kompleksitas algoritme, dapat
memperkirakan lebih akurat, dan membuat populasi terdiversifikasi.

● ANN models
Menggunakan Model ANN untuk memperkirakan permintaan penumpang
maskapai penerbangan di industri perjalanan udara domestik Australia
(Srisaeng dkk., 2015a); dan mengusulkan model sistem inferensi neuro-fuzzy
adaptif untuk memprediksi permintaan maskapai berbiaya rendah domestik
Australia
Analisis Komparatif &
Kesimpulan
Kontribusi makalah ini ada dua:
Pertama, aplikasi yang canggih dan studi metodologis dalam pariwisata dan
permintaan perkiraan penumpang transportasi dapat ditinjau.
Kedua, menampilkan pengaplikasian beberapa metode yang berbeda
berdasarkan keunggulan masing-masing yang menunjukkan bahwa tidak
ada metode tunggal yang dapat secara universal menjadi lebih disukai
daripada yang lain.

Penelitian ini dapat menjadi sumber yang bermanfaat bagi peneliti dan
praktisi seperti instansi pemerintah dan bisnis swasta untuk meninjau
peramalan perkembangan metodologi dan aplikasinya dalam pariwisata dan
transportasi penumpang perkiraan permintaan.

Terlihat bahwa peningkatan variabel penawaran pariwisata – seperti

kapasitas penerbangan internasional dan jumlah kamar hotel – secara
positif akan mempengaruhi permintaan pariwisata. Dari perspektif jangka
pendek, telah ditunjukkan bahwa permintaan dapat memiliki siklus fluktuasi
selama hari kerja.
Thanks!
Do you have any questions?