21/10/2015
Tujuan Pembelajaran
Forecasting
(Peramalan) 4 1. Memahami 3 horizon waktu beserta model yang
MANAJEMEN OPERASI:
Manajemen Keberlangsungan & Rantai Pasokan
Operations Management:
Sustainability & Supply Chain Management
4-1
Peramalan Memberikan
Keunggulan Bersaing bagi Disney
► Portofolio (investasi, produk, layanan, proyek)
global termasuk taman-taman Disney di Hong
Kong, Paris, Tokyo, Orlando, dan Anaheim
► Pendapatan ditentukan oleh orang – berapa
banyak pengunjung dan seberapa banyak
mereka membelanjakan uangnya
► Laporan manajemen harian hanya berisi
ramalan dan jumlah aktual pengunjung di
masing-masing objek (taman)
4-3
akan digunakan untuk masing-masing horizon
tersebut
2. Menjelaskan kapan seharusnya menggunakan
masing-masing dari 4 model kualitatif
3. Menerapkan metode naive, moving average,
exponential smoothing, dan trend.
4. Menghitung ukuran akurasi peramalan
5. Membuat indeks musiman
6. Menjalankan analisis regresi dan korelasi
7. Menggunakan sinyal pelacakan
4-2
Peramalan Memberikan
Keunggulan Bersaing bagi Disney
► Disney membuat ramalan harian, mingguan,
bulanan, tahunan, dan 5 tahunan
► Ramalan digunakan oleh manajemen tenaga
kerja, pemeliharaan, operasi, keuangan, dan
penjadwalan objek (taman)
► Ramalan digunakan untuk mengatur jam
buka, wahana, pertunjukan, pengaturan staf,
dan tamu yang datang.
4-4
1
 21/10/2015

Peramalan Memberikan Peramalan Memberikan

Keunggulan Bersaing bagi Disney Keunggulan Bersaing bagi Disney

► 20% pelanggan datang dari luar Amerika
► Model ekonomi untuk peramalan
menyertakan unsur produk domestik bruto,
nilai tukar, dan jumlah kunjungan ke Amerika
► Setiap tahun, sebuah tim terdiri dari 35 orang
analisis dan 70 orang petugas lapangan
mensurvei 1 juta pengunjung taman Disney,
karyawan, dan biro-biro perjalanan
profesional
4-5
► Beberapa input untuk model peramalan
termasuk maskapai penerbangan, kebijakan
cadangan negara, tren di Bursa Wall Street,
jadwal liburan dari 3000 distrik sekolah di
seluruh dunia
► Error ramalan rata-rata untuk ramalan 5
tahunan sebesar 5%.
► Error ramalan rata-rata untuk ramalan
tahunan berkisar antara 0% hingga 3%
4-6

Peramalan (Forecasting)
▶ Permalan menjadi dasar semua keputusan bisnis:
▶ Peramalan: ilmu ▶ Produksi
dan seni untuk ▶ Persediaan
memprediksi
kejadian-kejadian ?? ▶ SDM
▶ Fasilitas
di masa ▶ Manfaat peramalan pada 3 fungsi organisasi:
mendatang
▶ Fungsi Keuangan dan akuntansi: menyediakan dasar
▶ Bahan baku: data perencanaan budget dan pengendalian biaya.
historis ▶ Fungsi Pemasaran: merencanakan produk baru.
▶ Fungsi Produksi dan Operasi: perencanaan produksi,
penjadwalan, inventori, proses, layout fasilitas; dan SDM.

7 4-7 8 4-8

2
 21/10/2015

3 Horizon Waktu Permalan 2. Jangka menengah (medium-term): 3 bulan

1. Jangka pendek (short-term): umumnya
kurang dari 3 bulan hingga 1 tahun.
▶ Berkaitan dengan permintaan (pembelian,
tingkat produksi, penjadwalan produksi,
3. Jangka panjang (long-term): lebih dari 3 tahun
penjadwalan tenaga kerja)
▶ Banyak menggunakan metode kuantitatif
(rata-rata bergerak, exponential smoothing).
▶ Ketepatan ramalan lebih akurat dibandingkan
dengan peramalan jangka menengah dan
panjang.
9 4-9
hingga 3 tahun.
▶ Untuk perencanaan penjualan, anggaran
produksi, anggaran kas, berbagai rencana
operasi.
▶ Ketepatan peramalan lebih rendah dibanding
peramalan jangka pendek.
▶ Mempertimbangkan isu-isu yang komprehensif.
▶ Mendukung keputusan manajemen untuk
perencanaan produk baru, belanja modal,
pengembangan lokasi dan fasilitas, perencanaan
proses, R & D
▶ Ketepatan peramalan lebih rendah dibanding
peramalan jangka menengah.
4 - 10

Pengaruh Product Life Cycle Product Life Cycle

Introduction Growth Maturity Decline

Introduction – Growth – Maturity – Decline Periode terbaik

untuk meningkat-
Praktik untuk
mengubah harga
Waktu yang buruk
untuk mengubah
Pengendalian
biaya menjadi
kan market share atau imej kualitas imej, harga, atau kritis
► Product life cycle berpengaruh terutama untuk kualitas

Strategi perusahaan
R&D engineering Penguatan ceruk Biaya bersaing
peramalan jangka panjang. sangat kritis pasar kritis
Mempertahankan
► Fase pengenaIan dan pertumbuhan memerlukan Internet search engines
posisi pasar Drive-through
restaurants
peramalan yang lebih panjang dibandingkan fase DVDs
Xbox 360
matang dan penurunan iPods
Boeing 787
► Peramalan terhadap produk yang sedang melewati Sales
siklus hidup, sangat berguna untuk memproyeksikan: 3D printers

► Penetapan jumlah tenaga kerja 3-D game Analog

Electric vehicles TVs
players
► Tingkat inventori
► Kapasitas pabrik
4 - 11 4 - 12

3
 21/10/2015

Product Life Cycle Jenis-jenis Peramalan

Introduction Growth Maturity Decline
Desain dan
pengembangan
Peramalan kritis Standarisasi Diferensiasi
produk kecil
1. Economic forecasts
Reliabilitas produk Perubahan produk
produk kritis
Sreing terjadi
dan prosedur lebih sedikit, lebih
banyak perubahan
Minimasi biaya
► Berhubungan dengan siklus bisnis – tingkat
Perbaikan dan Over kapasitas
perubahan desain minor inflasi, pertumbuhan ekonomi, ketersediaan
Strategi/Isu-isu OM

pilihan produk di industri

produk dan prose bersaing Kapasitas optimum
Produksi berjalan Peningkatan Peningatan
Memangkas lini
untuk
pendanaan, dan lain-lain.
singkat kapasitas stabilitas proses mengurangi
Bia produksi tinggi Lebih fokus pada Produksi berjalan item-item yang
tidak
2. Technological forecasts
Model terbatas produk lama
memberikan
Perhatian pada Meningkatan Perbaikan produk margin yang ► Memprediksi tingkat kemajuan teknologi
kualitas distribusi dan biaya baik
dipangkas
Mengurangi ► Dampak pengembangan produk baru
kapasitas
3. Demand forecasts
► Memprediksi penjualan produk dan jasa yang
ada sekarang.
4 - 13 4 - 14

Pentingnya Peramalan 7 Langkah Peramalan

secara Strategik 1. Menetapkan tujuan (penjadwalan?,
inventori?, budget? SCM?)
► Supply-Chain Management – relasi 2. Memilih unsur yang akan diramal
suplier yang baik, keunggulan dalam (permintaan aggregat?, permintaan per
inovasi produk, biaya dan kecapatan
kelompok produk?, permintaan per
wilayah? kebutuhan SDM?)
terhadap pasar
3. Menentukan horison waktu
► SDM – rekrut, training, PHK 4. Memilih model / metode pendekatan
► Kapasitas– Kekurangan kapasitas dapat 5. Mengumpulkan data
mengakibatan pengiriman yang tidak
6. Membuat peramalan
dapat dipercaya, kehilangan pelanggan,
dan kehilangan market share 7. Validasi dan implementasi hasil
4 - 15 4 - 16

4
 21/10/2015

Realitas! Pendekatan Peramalan

▶ Tidak ada peramalan yang sempurna.
▶ Tidak ada metode pendekatan
peramalan yang paling baik.
▶ Peramalan menghabiskan biaya dan
waktu mulai dari perencanaan hingga
pengawasan.
▶ Perencanaan keluarga produk atau
agregatif umumnya lebih akurat
dibandingkan peramalan produk
individual.
4 - 17
Metode Kualitatif
► Bersifat lebih subyektif
► Digunakan bila dalam situasi yang tidak
begitu jelas dan data yang tersedia minim
► Contoh: peramalan produk baru, teknologi
baru
► Termasuk di dalamnya: intuisi, pengalaman
► Contoh:peramalan penjualan di
internet
4 - 18

Forecasting Approaches Ikhtisar Metode Kualitatif

Metode Kuantitatif
► Bersifat lebih obyektif 1. Opini juri eksekutif
► Digunakan untuk situasi stabil ► Pendapat kelompok dari para ahli
dengan data tersedia yang cukup tingkat tinggi, terkadang juga ditambah
dengan model statistik
► Contoh: peramalan produk yang ada,
teknologi saat ini. 2. Metode Delphi
► Panel ahli, pertanyaan iteratif
► Termasuk di dalamnya peramalan
dengan teknik matematik
► Contoh: peramalan televisi warna
4 - 19 4 - 20

5
 21/10/2015

Opini Juri Eksekutif

► Grup kecil terdiri dari pakar dan manajer
3. Gabungan tenaga penjual ► Bekerjasama mengestimasi permintaan
► Estimasi dari tenaga penjual individual ► Mengkombinasikan pengalaman manajerial
ditelaah kewajarannya, kemudian dan model statistik
digabung (diagregasi) ► Dapat dilakukan dengan relatif cepat
4. Suvei Pasar ► Sisi negatif: muncul
“pikiran kelompok”
► Bertanya langsung pada pelanggan

4 - 21 4 - 22

Metode Delphi Gabungan Tenaga Penjual

► Proses grup iteratif,
dikerjakan terus Pembuat Keputusan
(Mengevaluasi ► Masing-masing tenaga penjual
hingga konsensus responden dan memproyeksikan penjualannya
membuat keputusan
dicapai
► Mengkombinasikan penjualan tingkat
Staf (mengadmi-
nistrasi survey) wilayah dan tingkat nasional
► 3 tipe peserta: ► Penjual merepresentasikan apa yang
► Pembuat diinginkan konsumen
keputusan
► Staf ► Cenderung sangat optimistik
Responden
(Memberikan pendapat/
► Responden pertimbangan)
4 - 23 4 - 24

6
 21/10/2015

Survei Pasar Ikhtisar Metode Kuantitatif

► Menanyakan kepada konsumen
tentang rencana pembelian 1. Metode Naive
► Sangat berguna untuk perancangan 2. Moving average
dan perencanaan permintaan dan Model Time-
desain produk 3. Exponential Series
smoothing
► Seringkali apa yang dikatakan
konsumen berbeda dengan 4. Proyeksi Trend
kenyataannya Model
5. Regresi Linier Asosiatif
► Cenderung optimistik
4 - 25 4 - 26

Peramalan Time-Series Komponen Time-Series

▶ Kumpulan data numerik yang diperoleh
dari waktu ke waktu dalam selang yang
tetap
Trend Cyclical
▶ Diperoleh dari observasi terhadap variabel yang
menjadi interes dalam periode waktu reguler
▶ Ramalan hanya didasarkan atas nilai
masa lalu, dan tidak ada variabel penting
lain yang mempengaruhi hasil
▶ Mengasumsikan bahwa faktor-faktor yang
berpengaruh pada masa lalu dan saat ini akan
tetap berpengaruh untuk masa yang akan Seasonal Random
datang

4 - 27 4 - 28

7
 21/10/2015

Komponen Permintaan Komponen Trend

Trend
component ▶ Data secara konsisten menunjukkan pola
Demand for product or service

Seasonal peaks naik atau turun

▶ Perubahan disebabkan oleh populasi,
Actual teknologi, umur, budaya, dll
demand
▶ Umumnnya terjadi

Quantity
Average untuk beberapa tahun
demand over
Random four years
variation
| | | |
1 2 3 4 Time
Year
4 - 29 4 - 30

Komponen Musiman Komponen Musiman

(Seasonal) (Seasonal)
 Fluktuasi ke atas atau ke bawah
dengan pola biasa
 Disebabkan oleh musim, adat-
kebiasaan, dll.
 Terjadi dalam interval 1 tahun

4 - 31 4 - 32

8
 21/10/2015

Komponen Musiman
Komponen Siklus
(Seasonal)
 Pergerakan ke atas atau ke bawah secara
berulang
 Dipengaruhi oleh faktor siklus bisnis,
politik, ekonomi
 Berlangsung dalam jangka waktu bertahun-
tahun
 Seringkali merupakan
hubungan sebab-
akibat
4 - 33 4 - 34

Komponen Random Metode Naif (Naive)

 Flukstuasi tidak menentu, tidak
sistematis, ‘residual’
 Disebabkan oleh variasi random atau
kejadian-kejadian yang sulit diramal
 Berdurasi pendek dan
tidak berulang
▶ Metode ini mengasumsikan bahwa
(ramalan) permintaan pada periode ini (Ft)
sama dengan (aktual) permintaan periode
sebelumnya (At-1).
Ft = At-1
▶ Metode ini cukup sederhana dan efektif,
namun ramalan yang dihasilkan sangat
kasar.
▶ Cukup baik sebagai starting point untuk
peramalan.

M T W T F
4 - 35 4 - 36

9
 21/10/2015

Metode Moving Average Metode Moving Average

(Rata-rata Bergerak) (Rata-rata Bergerak)
▶ Baik digunakan jika memenuhi asumsi: item yang
diramal (misalnya: permintaan) akan stabil sepanjang Penjualan Moving Average
masa peramalan. Bulan Aktual 3 Bulanan

▶ Ramalan untuk periode ke-t (Ft) dengan rata-rata January 10

bergerak n periode: February 12
n

A
March 13
t i April 16 (10 + 12 + 13)/3 = 11 2/3
Ft  i 1 May 19 (12 + 13 + 16)/3 = 13 2/3
n June 23 (13 + 16 + 19)/3 = 16
di mana t > n, dan At adalah nilai aktual pada periode ke-t. July 26 (16 + 19 + 23)/3 = 19 1/3
▶ Untuk n = 1, metode rata-rata bergerak ini disebut
sebagai pendekatan naif
4 - 37 4 - 38

Metode Moving Average Metode Moving Average

(Rata-rata Bergerak) (Rata-rata Bergerak)
Ramalan
dengan MA
30 – 450 — MA MA
28 – 3 mingguan 6 mingguan
Penjualan
26 – Aktual 430 —

Kedatangan Pasien
24 –
Penjualan

22 – 410 —
20 –
18 – 390 —
16 –
14 – 370 — Nilai Aktual
12 –
10 –
| | | | | | | | | | | | | | | | | |
J F M A M J J A S O N D 0 5 10 15 20 25 30
Minggu ke-
4 - 39 4 - 40

10
 21/10/2015

Metode Weighted Moving Average Metode Weighted

BobotMoving Average (Rata-
Periode
(Rata-rata Bergerak dengan Pembobotan) rata Bergerak3 dengan Pembobotan)
Bulan Terakhir
▶ Merupakan koreksi dari rata-rata bergerak 2 2 Bulan yang lalu
untuk lebih fokus pada nilai terkini, yaitu 1 3 Bulan yang lalu
dengan memberinya bobot lebih besar 6 Jumlah bobot
dibandingkan nilai yang lebih lama.
Penjualan Moving Average
▶ Ramalan untuk periode ke-t (Ft) dengan rata- Bulan Aktual 3 Bulanan
rata bergerak terboboti n periode:
n January 10
 (n  1  i)  A
i 1
t i February
March
12
13
Ft  n April 16 [(3 x 13) + (2 x 12) + (10)]/6 = 121/6
 i 1
(n  1  i) May 19 [(3 x 16) + (2 x 13) + (12)]/6 = 141/3
June 23 [(3 x 19) + (2 x 16) + (13)]/6 = 17
di mana t > n, dan At adalah nilai aktual pada July 26 [(3 x 23) + (2 x 19) + (16)]/6 = 201/2
periode ke-t.
4 - 41 4 - 42

MA & WMA MA & WMA

Weighted
▶ Kelemahan Moving Average:
▶ Terlalu banyak membutuhkan data
30 – moving
average
Permintaan Penjualan

25 – masa lalu.
20 – Penjualan ▶ Tidak bisa menggambarkan tren dengan
Aktual
15 – baik karena hasil prediksinya tidak
Moving mungkin memberikan nilai yang lebih
10 – average
tinggi atau lebih rendah dari nilai-nilai
5 – sebelumnya. Mengapa?
| | | | | | | | | | | |
J F M A M J J A S O N D
4 - 43 4 - 44

11
 21/10/2015

Metode Penghalusan Eksponensial Metode Penghalusan Eksponensial

(Exponential Smoothing)
▶ Merupakan pengembangan dari metode rata-rata
bergerak, yaitu dengan menggunakan pembobotan
berupa konstanta penghalusan (smoothing constant).
▶ Kelebihan metode ini: tidak banyak menggunakan data
masa lalu.
▶ Ramalan untuk periode ke-t (Ft) dengan metode
penghalusan eksponensial:
Ft  Ft 1    ( At 1  Ft 1 )
di mana:
  : konstanta penghalusan sebagai bobot (0    1)
 At : nilai aktual item yang diramal pada periode ke-t
(Exponential Smoothing)
▶ Di bidang bisnis,  biasanya berkisar dari 0,05
hingga 0,5.
▶ Untuk memberi bobot lebih pada data sekarang atau
jika rata-rata cenderung berubah, maka gunakan 
yang besar.
▶ Untuk memberi bobot yang lebih pada masa lalu,
atau rata-rata cenderung stabil, maka gunakan 
yang kecil.
▶ Jika  = 1, maka metode ini memberikan hasil yang
sama dengan metode naif.

4 - 45 4 - 46

Metode Penghalusan Eksponensial Metode Penghalusan Eksponensial

(Exponential Smoothing) (Exponential Smoothing)
▶ Dampak dari berbagai nilai :
Prediksi permintaan = 142 mobil 225 –

Permintaan aktual = 153 Permintaan  = .5

Konstanta smoothing  = .20 200 –
Aktual

Ramalan = 142 + .2(153 – 142) Permintaan 175 –

= 142 + 2.2  = .1
= 144.2 ≈ 144 mobil 150 – | | | | | | | | |
1 2 3 4 5 6 7 8 9
Tri Wulan
4 - 47 4 - 48

12
 21/10/2015

Metode Exponential Smoothing Metode Exponential Smoothing

dengan Penyesuaian Tren (FIT) dengan Penyesuaian Tren (FIT)
▶ Exponential smoothing  firts ▶ Contoh peramalan terhadap data yang
mengandung trend yang dihitung
order smoothing menggunakan metode exponential smoothing
▶ Exponential smoothing dengan dengan  = 0,4:
penyesuaian tren  second order Periode At Ft
smoothing 1 100 100 (given)
2 200 100
▶ Kelemahan metode rata-rata 3 300 140
bergerak (termasuk exponential 4 400 204
smoothing): tidak bisa merespon 5 500 282
tren.
4 - 49 4 - 50

Metode Exponential Smoothing Metode Exponential Smoothing

dengan Penyesuaian Tren (FIT)
▶ Perbaikan exponential smoothing dengan
penyesuaian tren (FIT) adalah dengan
menyesuaikan lag positif atau negatif pada
tren:
FITt = Ft + Tt
Ft =   At-1 + (1 – )  (Ft-1 + Tt-1)
dengan Penyesuaian Tren (FIT)
Ft : ramalan dengan exponential smoothing pada
periode t dengan menambahkan unsur tren:
(1 – )  Tt-1.
Tt : Tren dengan exponential smoothing pada periode t
 : Konstanta penghalusan untuk rata-rata (0    1)

Tt =   (Ft – Ft-1) + (1 – )  Tt-1  : Konstanta penghalusan untuk tren (0    1)

Step 1: Hitung Ft
Step 2: Hitung Tt Ft pada persamaan di atas sama dengan Ft untuk exponential
Step 3: Hitung ramalan FITt = Ft + Tt smoothing plus (1 – ) Tt-1  tunjukkan!!

4 - 51 4 - 52

13
 21/10/2015

Metode Exponential Smoothing Metode Exponential Smoothing

dengan Penyesuaian Tren (FIT) dengan Penyesuaian Tren (FIT)
(Untuk:  = 0,2;  = 0,4)

Bulan ke Permintaan Bulan ke Permintaan

(t) Aktual (At) Ft Tt FITt (t) Aktual (At) Ft Tt FITt
1 12 11 2 13.00 1 12 11 2 13.00
2 17 2 17
3 20 3 20
4 19 4 19
5 24 5 24 Step 1: Ramalan bulan ke-2
6 21 6 21
F2 = A1 + (1 - )(F1 + T1)
7 31 7 31
8 28 8 28 F2 = (.2)(12) + (1 - .2)(11 + 2)
9 36 9 36 = 2.4 + 10.4 = 12.8 unit
10 10

4 - 53 4 - 54

Metode Exponential Smoothing Metode Exponential Smoothing

dengan Penyesuaian Tren (FIT) dengan Penyesuaian Tren (FIT)

Bulan ke Permintaan Bulan ke Permintaan

(t) Aktual (At) Ft Tt FITt (t) Aktual (At) Ft Tt FITt
1 12 11 2 13.00 1 12 11 2 13.00
2 17 12.80 2 17 12.80 1.92
3 20 3 20
4 19 4 19
5 24 Step 2: Tren bulan ke-2 5 24 Step 3: FIT bulan ke-2
6 21 6 21
T2 = (F2 - F1) + (1 - )T1 FIT2 = F2 + T1
7 31 7 31
T2 = (.4)(12.8 - 11) + (1 - .4)(2) FIT2 = 12.8 + 1.92
8 28 8 28
9 36 = .72 + 1.2 = 1.92 unit 9 36 = 14.72 unit
10 10

4 - 55 4 - 56

14
 21/10/2015

Metode Exponential Smoothing Metode Exponential Smoothing

dengan Penyesuaian Trend (FIT) dengan Penyesuaian Tren (FIT)
35 –
Bulan ke Permintaan
(t) Aktual (At) Ft Tt FITt 30 – Permintaan Aktual (At)

Permintaan Produk
1 12 11 2 13.00 25 –
2 17 12.80 1.92 14.72
3 20 15.18 2.10 17.28 20 –
4 19 17.82 2.32 20.14
15 –
5 24 19.91 2.23 22.14
6 21 22.51 2.38 24.89 10 – Ramalan ES dengan Tren (FITt)
7 31 24.11 2.07 26.18 dengan  = .2 dan  = .4
8 28 27.14 2.45 29.59 5 –
9 36 29.28 2.32 31.60
0 – | | | | | | | | |
10 32.48 2.68 35.16
1 2 3 4 5 6 7 8 9
4 - 57 Waktu (bulan) 4 - 58

Pengaruh Musiman Pengaruh Musiman

Triwulan Tahun 1 Tahun 2 Tahun 3 Tahun 4 Triwulan Tahun 1 Tahun 2 Tahun 3 Tahun 4
1 45 70 100 100 1 45 70 100 100
2 335 370 585 725 2 335 370 585 725
3 520 590 830 1160 3 520 590 830 1160
4 100 170 285 215 4 100 170 285 215
Total 1000 1200 1800 2200 Total 1000 1200 1800 2200
Rata-rata 250 300 450 550 Rata-rata 250 300 450 550

Permintaan Aktual 45
Indeks Musiman = Indeks Musiman = = 0.18
Permintana Rata-rata 250

4 - 59 4 - 60

15
 21/10/2015

Pengaruh Musiman Pengaruh Musiman

Triwulan Tahun 1 Tahun 2 Tahun 3 Tahun 4 Triwulan Tahun 1 Tahun 2 Tahun 3 Tahun 4
1 45/250 = 0.18 70 100 100 1 45/250 = 0.18 70/300 = 0.23 100/450 = 0.22 100/550 = 0.18
2 335 370 585 725 2 335/250 = 1.34 370/300 = 1.23 585/450 = 1.30 725/550 = 1.32
3 520 590 830 1160 3 520/250 = 2.08 590/300 = 1.97 830/450 = 1.84 1160/550 = 2.11
4 100 170 285 215 4 100/250 = 0.40 170/300 = 0.57 285/450 = 0.63 215/550 = 0.39
Total 1000 1200 1800 2200
Rata-rata 250 300 450 550
Triwulan Rata-rata Indeks Musiman
1 (0.18 + 0.23 + 0.22 + 0.18)/4 = 0.20
2
45 3
Indeks Musiman = = 0.18
250 4

4 - 61 4 - 62

Pengaruh Musiman Pengaruh Musiman

Triwulan Tahun 1 Tahun 2 Tahun 3 Tahun 4 Triwulan Tahun 1 Tahun 2 Tahun 3 Tahun 4
1 45/250 = 0.18 70/300 = 0.23 100/450 = 0.22 100/550 = 0.18 1 45/250 = 0.18Permintaan
Perkiraan 70/300 =Tahunan
0.23 100/450
= 2600 = 0.22 100/550 = 0.18
2 335/250 = 1.34 370/300 = 1.23 585/450 = 1.30 725/550 = 1.32 2 335/250 = 1.34
Rata-rata 370/300 Triwulanan
Permintaan = 1.23 585/450 = 1.30
= 2600/4 = 650725/550 = 1.32
3 520/250 = 2.08 590/300 = 1.97 830/450 = 1.84 1160/550 = 2.11 3 520/250 = 2.08 590/300 = 1.97 830/450 = 1.84 1160/550 = 2.11
4 100/250 = 0.40 170/300 = 0.57 285/450 = 0.63 215/550 = 0.39 4 100/250 = 0.40 170/300 = 0.57 285/450 = 0.63 215/550 = 0.39

Triwulan Rata-rata Indeks Musiman Triwulan Rata-rata Indeks Musiman Ramalan

1 (0.18 + 0.23 + 0.22 + 0.18)/4 = 0.20 1 (0.18 + 0.23 + 0.22 + 0.18)/4 = 0.20
2 (1.34 + 1.23 + 1.30 + 1.32)/4 = 1.30 2 (1.34 + 1.23 + 1.30 + 1.32)/4 = 1.30
3 (2.08 + 1.97 + 1.84 + 2.11)/4 = 2.00 3 (2.08 + 1.97 + 1.84 + 2.11)/4 = 2.00
4 (0.40 + 0.57 + 0.63 + 0.39)/4 = 0.50 4 (0.40 + 0.57 + 0.63 + 0.39)/4 = 0.50

4 - 63 4 - 64

16
 21/10/2015

Pengaruh Musiman Pengaruh Musiman

Triwulan Tahun 1 Tahun 2 Tahun 3 Tahun 4 Triwulan Tahun 1 Tahun 2 Tahun 3 Tahun 4
1 45/250 = 0.18Annual
Perkiraan
Projected 70/300
Permintaan =Tahunan
Demand0.23 100/450
= 2600 = 0.22 100/550 = 0.18
= 2600 1 45/250 = 0.18 70/300 = 0.23 100/450 = 0.22 100/550 = 0.18
2 335/250 = 1.34
Rata-rata
Average 370/300
Permintaan
Quarterly = 1.23= 2600/4
585/450
Triwulanan
Demand = 1.30
= 2600/4
= 650 = 650725/550 = 1.32 2 335/250 = 1.34 370/300 = 1.23 585/450 = 1.30 725/550 = 1.32
3 520/250 = 2.08 590/300 = 1.97 830/450 = 1.84 1160/550 = 2.11 3 520/250 = 2.08 590/300 = 1.97 830/450 = 1.84 1160/550 = 2.11
4 100/250 = 0.40 170/300 = 0.57 285/450 = 0.63 215/550 = 0.39 4 100/250 = 0.40 170/300 = 0.57 285/450 = 0.63 215/550 = 0.39

Triwulan Rata-rata Indeks Musiman Ramalan Triwulan Rata-rata Indeks Musiman Ramalan
1 (0.18 + 0.23 + 0.22 + 0.18)/4 = 0.20 650(0.20) = 130 1 (0.18 + 0.23 + 0.22 + 0.18)/4 = 0.20 650(0.20) = 130
2 (1.34 + 1.23 + 1.30 + 1.32)/4 = 1.30 2 (1.34 + 1.23 + 1.30 + 1.32)/4 = 1.30 650(1.30) = 845
3 (2.08 + 1.97 + 1.84 + 2.11)/4 = 2.00 3 (2.08 + 1.97 + 1.84 + 2.11)/4 = 2.00 650(2.00) = 1300
4 (0.40 + 0.57 + 0.63 + 0.39)/4 = 0.50 4 (0.40 + 0.57 + 0.63 + 0.39)/4 = 0.50 650(0.50) = 325

4 - 65 4 - 66

Pengaruh Musiman Forecasting Error

2014 Ramalan ▶ Forcasting error (error peramalan) pada periode ke-t
140 – 2013 Permintaan adalah Et:
130 – 2012 Permintaan Et = At – Ft
2011 Permintaan
120 – ▶ Estimasi forcasting error digunakan untuk:
Permintaan

110 – ▶ Memonitor nilai aktual yang tidak teratur atau outlier,

100 – yang seharusnya di evaluasi secara hati-hati dan
90 –
bahkan ditolak dari data.
80 – ▶ Menentukan kapan metode forecasting tidak dapat
digunakan untuk menelusuri nilai aktual sehingga
70 – harus diatur ulang.
| | | | | | | | | | | |
J F M A M J J A S O N D ▶ Menentukan nilai-nilai parameter (seperti n dan )
Waktu yang menyediakan forecasting dengan error paling
4 - 67 4 - 68
kecil.

17
 21/10/2015

Forecasting Error Forecasting Error

Ramalan Deviasi Ramalan Deviasi
Aktual ES Absolut ES Absolut
Barang dengan untuk dengan untuk
Bulan Tak Terkirim  = .10  = .10  = .50  = .50
1 180 175 5.00 175 5.00
2 168 175.5 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
CFE : Cumulative Forcasting Error MAD : Mean Absolute Deviation 82.45 98.62
MSE: Mean Square Error MAPE: Mean Absolute Percent
Error
4 - 69 4 - 70

Forecasting Error Forecasting Error

∑ |E t|
∑ (Et)2
Ramalan Deviasi Ramalan Deviasi Ramalan Deviasi Ramalan Deviasi
MADAktual
= ES Absolut ES Absolut MSE = Aktual ES Absolut ES Absolut
Barang n dengan untuk dengan untuk Barang
n dengan untuk dengan untuk
Bulan Tak Terkirim  = .10  = .10  = .50  = .50 Bulan Tak Terkirim  = .10  = .10  = .50  = .50
Untuk
1
 180
= .10 →175 5.00 175 5.00
Untuk
1
 180
= .10 →175 5.00 175 5.00
2 MAD
168 = 82.45/8
175.5 = 10.31
7.50 177.50 9.50 2 MSE168= 1,526.54/8
175.5 =7.50
190.82 177.50 9.50
3 159 174.75 15.75 172.75 13.75 3 159 174.75 15.75 172.75 13.75
Untuk
4 175
= .50 →173.18 1.82 165.88 9.12 Untuk
4 175
= .50 →173.18 1.82 165.88 9.12
5 190 173.36 16.64 170.44 19.56 5 190 173.36 16.64 170.44 19.56
6 MAD
205 = 98.62/8
175.02 = 12.33
29.98 180.22 24.78 6 MSE205= 1,561.91/8
175.02 = 195.24
29.98 180.22 24.78
7 180 178.02 1.98 192.61 12.61 7 180 178.02 1.98 192.61 12.61
8 182 178.22 3.78 186.30 4.30 8 182 178.22 3.78 186.30 4.30
82.45 98.62 82.45 98.62
MAD 10.31 12.33

4 - 71 4 - 72

18
 21/10/2015

Forecasting Error Forecasting Error

n
∑ [ |Et| 100] / At
t=1 Ramalan Deviasi Ramalan Deviasi Ramalan Deviasi Ramalan Deviasi
MAPE =
Aktual ES Absolut ES Absolut Aktual ES Absolut ES Absolut
Barang n
dengan untuk dengan untuk Barang dengan untuk dengan untuk
Bulan Tak Terkirim  = .10  = .10  = .50  = .50 Bulan Tak Terkirim  = .10  = .10  = .50  = .50
Untuk
1
 180
= .10 →175 5.00 175 5.00 1 180 175 5.00 175 5.00
2 168MAPE = 44.75/8
175.5 7.50= 5.59%
177.50 9.50 2 168 175.5 7.50 177.50 9.50
3 159 174.75 15.75 172.75 13.75 3 159 174.75 15.75 172.75 13.75
Untuk
4 175
= .50 →173.18 1.82 165.88 9.12 4 175 173.18 1.82 165.88 9.12
5 190 173.36 16.64 170.44 19.56 5 190 173.36 16.64 170.44 19.56
6 205 MAPE = 54.05/8
175.02 29.98= 6.76%
180.22 24.78 6 205 175.02 29.98 180.22 24.78
7 180 178.02 1.98 192.61 12.61 7 180 178.02 1.98 192.61 12.61
8 182 178.22 3.78 186.30 4.30 8 182 178.22 3.78 186.30 4.30
82.45 98.62 82.45 98.62
MAD 10.31 12.33 MAD 10.31 12.33
MSE 190.82 195.24 MSE 190.82 195.24
4 - 73 MAPE 5.59% 6.76%4 - 74

Proyeksi Tren Proyeksi Tren

▶ Merupakan peramalan tren dengan

Nilai-nilai untuk Variabel Dependen

pendekatan regresi deret waktu dan metode Observasi Aktual Deviasi7
estimasi Least Square. (nilai y)

Yˆt  a  b X t Deviasi5 Deviasi6

Deviasi3
di mana:
Ŷt : hasil prediksi (ramalan) pada periode ke-t. Deviasi4
Yt : nilai aktual pada periode ke-t.
Xt : transformasi waktu untuk periode ke-t (Xt =...,1,2,3,...) Deviasi1
(error) Deviasi2
a : konstanta regresi (intercept) Garis Tren, ^y = a + bx
b : koefisien regresi (slope

Periode Waktu
4 - 75 4 - 76

19
 21/10/2015

Proyeksi Tren Proyeksi Tren: Regresi Linier

Nilai-nilai untuk Variabel Dependen Periode Permintaan
Tahun Waktu (x) Energi Listrik (y) x2 xy
Observasi Aktual Deviasi7
(nilai y) 2006 1 74 1 74
2007 2 79 4 158
Deviasi5 Deviasi6 2008 3 80 9 240
2009 4 90 16 360
Deviasi3
Metode Kuadrat Terkeci (Least
square) meminimalkan jumlah error 2010 5 105 25 525
(deviasi) kuadrat (sum squared error) 2011 6 142 36 852
Deviation 4
2012 7 122 49 854
Deviasi1 ∑x = 28 ∑y = 692 ∑x2 = 140 ∑xy = 3,063
Deviasi2 x=4 y = 98.86
Garis Tren, ^y = a + bx
∑xy - nxy 3,063 - (7)(4)(98.86)
b= = = 10.54
∑x2 - nx2 140 - (7)(42)
Periode Waktu
4 - 77 a = y - bx = 98.86 - 10.54(4) = 56.70 4 - 78

Proyeksi Tren Proyeksi Tren

Periode Permintaan Garis Tren,
Tahun Waktu (x) Energi Listrik (y) x2 xy 160 – y^ = 56.70 + 10.54x
1999 1 74 1 74 150 –
140 –

Permintaan Listrik
2000 2 79 4 158
2001Garis tren:
3 80 9 240 130 –
2002 4 90 16 360 120 –
^ 110 –
2003 y 5= 56.70 + 10.54x
105 25 525
2004 6 142 36 852 100 –
2005 7 122 49 854 90 –
Sx = 28 Sy = 692 Sx2 = 140 Sxy = 3,063 80 –
x=4 y = 98.86 70 –
60 –
Sxy - nxy 3,063 - (7)(4)(98.86) 50 –
b= = = 10.54
Sx2 - nx2 140 - (7)(42) | | | | | | | | |
2006 2007 2008 2009 2010 2011 20012 2013 2014
a = y - bx = 98.86 - 10.54(4) = 56.70 Tahun
4 - 79 4 - 80

20
 21/10/2015

Least Squares Requirements Associative Forecasting

Used when changes in one or more independent
1. We always plot the data to insure a variables can be used to predict the changes in
linear relationship the dependent variable
2. We do not predict time periods far
beyond the database Most common technique is linear
regression analysis
3. Deviations around the least squares
line are assumed to be random
We apply this technique just as we did
in the time-series example

4 - 81 4 - 82

Associative Forecasting Associative Forecasting

Forecasting an outcome based on predictor
Example
variables using the least squares technique NODEL’S SALES
(IN $ MILLIONS), y
AREA PAYROLL
(IN $ BILLIONS), x
NODEL’S SALES
(IN $ MILLIONS), y
AREA PAYROLL
(IN $ BILLIONS), x
2.0 1 2.0 2

^ 3.0 3 2.0 1
y = a + bx 2.5 4 3.5 7

where y^ = value of the dependent variable (in our example, 4.0 –

sales)

Nodel’s sales
(in$ millions)
3.0 –
a = y-axis intercept
b = slope of the regression line 2.0 –
x = the independent variable
1.0 –

| | | | | | |

0 1 2 3 4 5 6 7
Area payroll (in $ billions)
4 - 83 4 - 84

21
 21/10/2015

Associative Forecasting Associative Forecasting

Example Example
SALES, y PAYROLL, x x2 xy SALES, y PAYROLL, x x2 xy
2.0 1 1 2.0 2.0 1 1 2.0
3.0 3 9 9.0 3.0 3
ŷ = 1.75
9
+ .25x 9.0
2.5 4 16 10.0 2.5 4 16 10.0
2.0 2 4 4.0 2.0 2 Sales = 1.75
4 + .25(payroll)
4.0
2.0 1 1 2.0 2.0 1 1 2.0
3.5 7 49 24.5 3.5 7 49 24.5
Σy = 15.0 Σx = 18 Σx2 = 80 Σxy = 51.5 Σy = 15.0 Σx = 18 Σx2 = 80 Σxy = 51.5

x=
å x = 18 = 3 y=
å y = 15 = 2.5 x=
å x = 18 = 3 y=
å y = 15 = 2.5
6 6 6 6 6 6 6 6

b=
å xy - nxy =
51.5 - (6)(3)(2.5)
= .25 a = y - bx = 2.5 - (.25)(3) = 1.75 b=
å xy - nxy =
51.5 - (6)(3)(2.5)
= .25 a = y - bx = 2.5 - (.25)(3) = 1.75
åx 2
- nx 2 80 - (6)(32 ) åx 2
- nx 2 80 - (6)(32 )
4 - 85 4 - 86

Associative Forecasting Associative Forecasting

Example Example
SALES, y PAYROLL, x x2 xy
2.0 1 1 2.0
4.0 –
3.0 3
ŷ = 1.75
9
+ .25x 9.0 If payroll next year is estimated to be $6 billion,
Nodel’s sales

then:
(in$ millions)

2.5 3.0 – 4 16 10.0

2.0 2 Sales = 1.75
4 + .25(payroll)
4.0
2.0 2.0 – 1 1 2.0
3.5 7 49 24.5
1.0 – Sales (in $ millions) = 1.75 + .25(6)
Σy = 15.0 Σx = 18 Σx2 = 80 Σxy = 51.5
| | | | | | |
= 1.75 + 1.5 = 3.25
x=
0 å x 1= 18 =23 3 å
4 y 5 15 6
y =(in $ billions)
= = 2.5
7
Area payroll
6 6 6 6 Sales = $3,250,000
b=
å xy - nxy = 51.5 - (6)(3)(2.5) = .25 a = y - bx = 2.5 - (.25)(3) = 1.75
å x - nx
2
80 - (6)(3 )
2 2

4 - 87 4 - 88

22
 21/10/2015

Associative Forecasting Standard Error of the Estimate

Example
► A forecast is just a point estimate of a
future value
If payroll4.0
next
– year is estimated to be $6 billion, ► This point is
then: 3.25 actually the
Nodel’s sales
(in$ millions)

3.0 –
4.0 –
mean of a 3.25
2.0 –

Nodel’s sales
3.0 –
probability

(in$ millions)
Regression line,
Sales (in$ millions) = 1.75 + .25(6)
1.0 – distribution 2.0 – ŷ =1.75+.25x
= 1.75 + 1.5 = 3.25
| | | | | | | 1.0 –
0 1 2 3 4 5 6 7
Sales = $3,250,000
Area payroll (in $ billions) | | | | | | |
0 1 2 3 4 5 6 7
Figure 4.9 Area payroll (in $ billions)

4 - 89 4 - 90

Standard Error of the Estimate Standard Error of the Estimate

Computationally, this equation is

S y,x =
å( y - y ) c
2
considerably easier to use
n-2

S y,x =
åy 2
- aå y - bå xy
where y = y-value of each data point
n-2
yc = computed value of the dependent variable,
from the regression equation
n = number of data points We use the standard error to set up
prediction intervals around the point
estimate
4 - 91 4 - 92

23
 21/10/2015

Standard Error of the Estimate Correlation

S y,x =
åy 2
- aå y - bå xy
=
39.5 -1.75(15.0) - .25(51.5) ► How strong is the linear relationship
n-2 6-2 between the variables?
= .09375 ► Correlation does not necessarily imply
= .306 (in $ millions) causality!
4.0 –
3.25 ► Coefficient of correlation, r, measures
Nodel’s sales
3.0 –

(in$ millions)
The standard error 2.0 –
degree of association
of the estimate is ► Values range from -1 to +1
1.0 –
$306,000 in sales
| | | | | | |
0 1 2 3 4 5 6 7
Area payroll (in $ billions)

4 - 93 4 - 94

Correlation Coefficient Correlation Coefficient

Figure 4.10
y y

nå xy - å xå y
r=
é ùé ù
x x

êënå x - ( )
å x úûêënå y 2 - ( å y úû )
(e) Perfect positive
2 2 (a) Perfect negative
correlation correlation
2 y y

y
x x
(b) Negative correlation (d) Positive correlation

x
(c) No correlation

High Moderate Low Low Moderate High

| | | | | | | | |

–1.0 –0.8 –0.6 –0.4 –0.2 0 0.2 0.4 0.6 0.8 1.0
Correlation coefficient values

4 - 95 4 - 96

24
 21/10/2015

Correlation Coefficient Correlation

y x x2 xy y2
2.0 1 1 2.0 4.0 ► Coefficient of Determination, r2,
3.0
2.5
3
4
9
16
9.0
10.0 6.25
9.0
measures the percent of change in y
2.0 2 4 4.0 4.0 predicted by the change in x
2.0 1 1 2.0 4.0
3.5 7 49 24.5 12.25
► Values range from 0 to 1
Σy = Σx = Σx2 = Σxy = Σy2 =
15.0 18 80 51.5 39.5
► Easy to interpret
(6)(51.5) – (18)(15.0)
r=
é(6)(80) – (18)2 ùé(16)(39.5) – (15.0)2 ù For the Nodel Construction example:
ë ûë û
r = .901
309 - 270 39 39
= = =
43.3
= .901 r2 = .81
(156)(12) 1,872

4 - 97 4 - 98

Multiple-Regression Analysis Multiple-Regression Analysis

In the Nodel example, including interest rates in the
If more than one independent variable is to be model gives the new equation:
used in the model, linear regression can be
extended to multiple regression to accommodate ŷ = 1.80 +.30x1 - 5.0x2
several independent variables
An improved correlation coefficient of r = .96 suggests
ŷ = a + b1x1 + b2 x2 this model does a better job of predicting the change
in construction sales
Computationally, this is quite
complex and generally done on the Sales = 1.80 + .30(6) - 5.0(.12) = 3.00
computer Sales = $3,000,000

4 - 99 4 - 100

25
 21/10/2015

Monitoring and Controlling Monitoring and Controlling

Forecasts Forecasts
Tracking Signal Tracking Cumulative error
signal =
► Measures how well the forecast is predicting MAD
actual values
► Ratio of cumulative forecast errors to mean =
å(Actual demand in period i -Forecast demand in period i)
absolute deviation (MAD) å Actual -Forecast
► Good tracking signal has low values n
► If forecasts are continually high or low, the
forecast has a bias error

4 - 101 4 - 102

Tracking Signal Tracking Signal Example

ABSOLUTE CUM ABS TRACKING
Figure 4.11 ACTUAL FORECAST CUM FORECAST FORECAST SIGNAL (CUM
QTR DEMAND DEMAND ERROR ERROR ERROR ERROR MAD ERROR/MAD)
Signal exceeding limit
1 90 100 –10 –10 10 10 10.0 –10/10 = –1
Tracking signal 2 95 100 –5 –15 5 15 7.5 –15/7.5 = –2
Upper control limit
+ 3 115 100 +15 0 15 30 10. 0/10 = 0

4 100 110 –10 –10 10 40 10. 10/10 = –1

0 MADs Acceptable 5 125 110 +15 +5 15 55 11.0 +5/11 = +0.5

range 6 140 110 +30 +35 30 85 14.2 +35/14.2 = +2.5

–
Lower control limit At the end of quarter 6, MAD =
å Forecast errors = 85 = 14.2
n 6
Time Cumulative error 35
Tracking signal = = = 2.5 MADs
MAD 14.2
4 - 103 4 - 104

26
 21/10/2015

Adaptive Smoothing Focus Forecasting

► Developed at American Hardware Supply,
► It’s possible to use the computer to based on two principles:
continually monitor forecast error and 1. Sophisticated forecasting models are not
adjust the values of the  and  always better than simple ones
coefficients used in exponential 2. There is no single technique that should be
smoothing to continually minimize used for all products or services
forecast error ► Uses historical data to test multiple
► This technique is called adaptive forecasting models for individual items
smoothing ► Forecasting model with the lowest error used
to forecast the next demand

4 - 105 4 - 106

Forecasting in the Service Fast Food Restaurant Forecast

Sector 20% –

Percentage of sales by hour of day

Figure 4.12

► Presents unusual challenges

15% –
► Special need for short term records
► Needs differ greatly as function of 10% –
industry and product
► Holidays and other calendar events 5% –

► Unusual events
11-12 1-2 3-4 5-6 7-8 9-10
12-1 2-3 4-5 6-7 8-9 10-11
(Lunchtime) (Dinnertime)
Hour of day
4 - 107 4 - 108

27
 21/10/2015

FedEx Call Center Forecast

12% – Figure 4.12

10% –

8% –

6% –

4% –

2% – All rights reserved. No part of this publication may be reproduced, stored in a retrieval system, or
transmitted, in any form or by any means, electronic, mechanical, photocopying, recording, or
otherwise, without the prior written permission of the publisher.
0% – Printed in the United States of America.
2 4 6 8 10 12 2 4 6 8 10 12
A.M. P.M.
Hour of day

4 - 109 4 - 110

28