3 PERAMALAN (FORECASTING)

Mata Kuliah:
Perencanaan dan Pengendalian Produksi
TA 2022-2023 PROGRAM STUDI TEKNIK INDUSTRI
 Linear Trend Line

• Merupakan model regresi linear yang menghubungkan demand

dengan waktu. Ketika demand menunjukkan trend, maka least
square regression line atau linear trend line dapat digunakan
untuk meramalkan demand.

• Dimana:
a = intercept (pada periode 0)
b = slope (kemiringan garis)
x = periode waktu
y = peramalan permintaan pada periode x
x = rata-rata nilai x
y = rata-rata nilai y
Contoh Linear Trend Line
• Persamaannya menjadi:

• Untuk menghitung peramalan

periode 13:
 Seasonal Adjustment

• Pola musiman (seasonal) merupakan pengulangan peningkatan

atau penurunan demand.
• Beberapa demand produk mengikuti perilaku musiman seperti
pakaian hangat meningkat di musim gugur dan dingin dan
menurun di musim semi dan panas.
• Permintaan lain seperti mainan, peralatan olahraga dan lain-lain
meningkat ketika musim liburan.
• Ada beberapa metode yang merefleksikan pola musiman pada
peramalan time series, di sini akan dibahas metode termudah
yaitu seasonal factor.
• Seasonal factor adalah nilai numerik yang dikalikan
dengan peramalan normal untuk mendapatkan
peramalan yang disesuaikan dengan musiman.
• Satu metode untuk mengembangkan demand untuk
faktor musiman adalah membagi demand untuk setiap
periode musiman dengan total demand tahunan
berdasarkan formula berikut:

• Hasil seasonal factor antara 0 dan 1

 Contoh Seasonal Adjustment

Perternakan Wishbone Farms memelihara kalkun untuk dijual ke

perusahaan daging olahan. Peak season adalah selama kuarter
ke-4 dari Oktober sampai Desember.
• Karena terdapat 3 tahun demand, maka dapat dihitung seasonal
factor dengan membagi total quarterly demand untuk 3 tahun
dengan total demand:
• Selanjutnya adalah mengalikan ramalan permintaan dengan
setiap seasonal factor untuk mendapatkan ramalan permintaan
setiap kuarter. Kita menginginkan ramalan permintaan tahun
2011. Pada kasus ini karena data demand memiliki trend maka
dihitung linear trend line untuk data 3 tahun itu untuk mendapat-
kan estimasi peramalan:

• Hasil ramalan adalah 58,17 atau 58.170 kalkun.

• Dengan menggunakan ramalan permintaan tahunan,
maka ramalan yang di adjust dengan musiman SFi
untuk tahun 2011 adalah:
 Metode Box – Jenkins
(Auto Regresive Integrated Moving Average=ARIMA

Postulate General
Class of
Identification
Model

Identify Models to be
No
Tentatively entertained

Estimate Parameters in
Tentatively Entertained
Estimation a
Model
nd Testing

DiagnosticChecking
(Is the model adequate?)

Use Model for Aplication

Forecasting
 Identification

• Time Series Data:

– Stasioner vs Non Stasioner

– Ada aspek atau dibangkitkan “proses Auto Regresi”.

• Auto Regresi: hubungan antara peubah dimana peubah tidak bebas adalah
juga peubah bebas, hanya berbeda periode. Mis: Hubungan tkt penjualan
pada periode ke-t dengan tkt penjualan pada periode ke – (t-n).
Ft +1 = X t +  (1 −  ) X t −1 +  (1 −  ) 2 X t −2 +  (1 −  )3 X t −3 + ......
– Ada aspek atau dibangkitkan “proses Moving Average”:
• Proses MA: bahwa penjualan pada periode tertentu merupakan fungsi dari
faktor “random error” periode2 sebelumnya.

Ft +1 = Ft +  ( X t − Ft ) atau Ft +1 = Ft +  ( t )
Ft +1 = Ft −1 +  ( t −1 ) +  ( t )
Ft +1 = Ft − 2 +  ( t − 2 ) +  ( t −1 ) +  ( t ).....dst
 Model Box-Jenkins
ARIMA (p,d,q)(P,D,Q)S

• Jika p = 0, maka tidak ada aspek Autoregresi

Jika p > 0, maka ada aspek Autoregresi, pada
ordo ke-k. (p=k)
• Jika d = 0, maka pola data Stasioner
Jika d > 0, maka pola data Non-stasioner atau
ada aspek Trend atau musiman
• Jika q = 0, maka tidak ada aspek moving-average
Jika q > 0, maka ada aspek moving-average,
pada ordo ke-k (q=k).
• Jika tidak stasioner, berapa nilai parameter d ??
Untuk itu dilakukan Diferensiasi (Pembedaan)
• Diferensiasi
– Mengkonversi Deret Data Asal Xt menjadi X’t=Xt – Xt-k
(l=1,2,…L).
l= 1, diferensiasi 1 kali.
– Jika pada l=1, koeff.autokorelasi X’t atau r’l sdh tidak nyata,
maka berearti d=1, jika tidak lakukan diferensiasi ke-dua, dst.
– d=1, berarti data asal Xt mempunyai aspek trend Linier.
 ARIMA (0,d,0)

• Backward operator = B
BX t = X t −1
B 2 X t = B ( BX t ) = B ( X t −1 ) = X t − 2

First Difference :
X 't = X t − X t −1 = X t − BX t = (1 − B ) X t

Second Difference :
X "t = X 't − X 't −1 = ( X t − X t −1 ) − ( X t −1 − X t − 2 )
X "t = ( X t − 2 X t −1 + X t − 2 ) = (1 − 2 B + B 2 ) X t
ARIMA(0, d ,0) :
(1 − B ) d X t = et
 Apakah Ada Aspek atau Proses Auto Regresi ?

• Analisa terhadap data yang Stasioner atau yang sudah di Stasioner

kan.
• Terhadap data yg stasioner dicari nilai :
– Koeffisien Autokorelasi dan
– Koefisien Partial Autokorelasi
• Plot nilai Koef Autokorelasi (ACF) dan Partial Auto Korelasi (PACF)
• Ciri bahwa pola time series adalah Arima(p,0,0) atau (AR(p):
– An ACF with large spikes at initial lags that decay to zero or a PACF
with a large spike at the first and possibly at the second lag indicates
an autoregressive process.
• Ciri untuk p=1
– Autokorelasi menurun secara eksponensial
– Partial autokorelasi pada k=1 significant.
• Untuk p=2
– Partial autokorelasi sampai dengan k=2 significant
AUTOREGRESSIVE processes and the ACF
and PACF

For a pure AR(p) process:

The sample autocorrelation function (ACF) tends to taper

off gradually as k increases

The sample partial autocorrelation function (PACF) will

tend to show a cut off point, corresponding to
the fact that the sample partial autocorrelations are
non-zero for k  p, but will be approximately zero for k>p.
 AR(p) atau ARIMA (p,0,0)

X t =  '+1 X t −1 + 2 X t −2 + ... +  p X t − p + et

atau
(1 − 1 B − 2 B − ... −  p B ) X t =  '+et
2 p

BX t = X t −1
 Y2, an AR(1) series

1.0
ACF-Y2

0.5

0.0

-0.5

0 5 10
1.0
PACF-Y2

0.5

0.0

-0.5

0 5 10
 Apakah Ada Aspek atau Proses Moving Average ?

• Analisa terhadap data yang Stasioner atau yang sudah

di Stasioner kan.
• Terhadap data yg stasioner dicari nilai :
– Koeffisien Autokorelasi dan
– Koefisien Partial Autokorelasi
• Plot nilai Koef Autokorelasi dan Partial Auto Korelasi
• Ciri pola deret data adalah Arima (0,0,q) atau MA(q):
– An acf with a large spike at the first and possibly at the secon
d lag and a pacf with large spikes at initial lags that decay to z
ero indicates a moving average process
MA processes and the ACF and PACF

In terms of the estimated ACF and PACF functions, the distinguishing

features of a pure MA (q) process are

• ACF has a cut-off point, such that the estimated autocorrelations, rk ,are
close to zero for all k > q

• the estimated PACF tends to taper off gradually as k increases.

• Ciri untuk q=1
– Partial Autokorelasi menurun secara eksponensial
– Autokorelasi pada k=1 significant.
• Untuk q=2
– Autokorelasi sampai dengan p=2 significant
 MA(2) series

1.0
ACF-Y1

0.5

0.0

-0.5

0 5 10
1.0
PACF-Y1

0.5

0.0

-0.5

0 5 10
 MA(q) atau ARIMA (0,0,q)

X t =  + et − 1et −1 −  2et −2 − ... +  q X t −q

atau
X t =  + (1 − 1 B −  2 B − ... −  q B )et
2 q

Bet = et −1
• Pola deret data adalah kombinasi Proses
Autoregresi dan Moving Average : Arima
(p,0,q) atau ARMA (p,q).
– The acf and the pacf both exhibiting large
spikes that gradually die out indicates that
both autoregressive and moving averages
processes are present.
ARMA Proces atau ARIMA (1,0,1)
X t =  '+1 X t −1 + et − 1et −1
atau
(1 − 1 B ) X t =  '+ (1 − 1 B )et
AR(1) MA(1)

ARIMA Proces atau ARIMA (1,1,1)

(1 − B)(1 − 1 B) X t =  '+(1 − 1 B)et

1st Difference AR(1) MA(1)

atau
X t = (1 + 1 ) X t −1 − 1 X t − 2 +  '+ et − 1et −1
 Characteristics of ARMA models

Model ACF PACF

White noise All zero All zero

MA(1) Zero after 1 lag Declines from 1st lag

MA(2) Zero after 2 lags Declines from 2nd lag

MA(q) Zero after q lags Declines from gth lag

AR(1) Geometric decline from 1 lag Zero after 1 lag

AR(2) Geometric decline from 2 lags Zero after 2 lags

AR(p) Geometric decline from pth lag Zero after p lags

ARMA(1,1) Geometric decline from 1 lag Declines from 1st lag

ARMA(p,q) Geometric decline from pth lag Declines from gth lag
 Apakah Ada Aspek Musiman??

• Hasil plotting Koef Autokorelasi menunjukkan bahwa pada selang

k (time lag) tertentu terdapat nilai rk yang menonjol / significant.
• Untuk musiman
• Triwulan➔ S=4
• Bulanan➔ S= 12
• Apabila data bersifat Musiman, identifikasi nilai P,D,& Q
• Untuk nilai D:
– Lakukan Deseasonality , dengan melakukan diferensiasi pertama dengan
time Lag = S
Diferensiasi pertama: X’t=Xt – Xt-S
– Apabila pada diferensiasi ke-1, aspek musiman sudah hilang, maka D=1.
• Untuk nilai P dan Q, dicari dengan cara yang sama seperti p dan q –
akan tetapi dilakukan terhadap Data yang sudah dihilangkan aspek
musimannya.
 Contoh ARIMA: Data Closing Stock DEF Corporation
Periode Closing Stock Periode Closing Stock Periode Closing Stock Periode Closing Stock Periode Closing Stock
1 136,0 31 140,0 61 136,8 91 129,6 121 135,2
2 132,8 32 144,8 62 135,2 92 131,2 122 136,8
3 130,4 33 140,0 63 132,8 93 130,4 123 134,4
4 128,8 34 139,2 64 144,0 94 131,2 124 136,0
5 136,8 35 139,2 65 137,6 95 136,0 125 137,6
6 135,2 36 136,8 66 138,4 96 135,2 126 138,4
7 134,4 37 140,8 67 136,0 97 136,8 127 137,6
8 139,2 38 141,6 68 135,2 98 136,8 128 138,4
9 136,8 39 139,2 69 138,4 99 133,6 129 137,6
10 136,0 40 142,4 70 134,4 100 135,2 130 137,6
11 133,6 41 140,8 71 138,4 101 136,0 131 140,0
12 139,2 42 140,0 72 139,2 102 137,6 132 135,2
13 137,6 43 132,0 73 141,6 103 131,2 133 135,2
14 139,2 44 142,4 74 134,4 104 136,0 134 135,2
15 139,2 45 138,4 75 135,2 105 136,0 135 136,0
16 136,0 46 138,4 76 136,0 106 133,6 136 132,0
17 138,4 47 136,8 77 135,2 107 129,6 137 133,6
18 137,6 48 139,2 78 136,0 108 132,8 138 134,4
19 139,2 49 135,2 79 132,8 109 135,2 139 133,6
20 134,4 50 138,4 80 133,6 110 132,0 140 133,6
21 136,8 51 140,8 81 134,4 111 132,8 141 132,8
22 139,2 52 135,2 82 133,6 112 132,8 142 132,0
23 139,2 53 133,6 83 131,2 113 136,0 143 136,0
24 140,0 54 134,4 84 132,0 114 136,8 144 133,6
25 139,2 55 134,4 85 131,2 115 136,8 145 133,6
26 140,8 56 137,6 86 132,8 116 133,6 146 135,2
27 139,2 57 134,4 87 132,0 117 134,4 147 139,2
28 138,4 58 140,8 88 133,6 118 130,4 148 136,8
29 136,0 59 137,6 89 131,2 119 132,8 149 136,0
30 142,4 60 132,8 90 131,2 120 134,4 150 134,4
1. Time Series Plot
 2. Identifikasi Data Stationer/Non-stationer

r1 - r8 di luar batas 95% → Signifikan

(Data tidak stationer)

Differensiasi
3. Differensiasi ke-1

Data Stationer
 4. Model Estimation

Moving Average – MA (1) → ARIMA (0,1,1)

5. Model Checking

Sudah signifikan
6. Forecasting
Persamaan ARIMA (0,1,1)

(1 − B ) X t =  '+(1 − 1 B )et
 Kriteria Performa Peramalan

• Ukuran akurasi hasil peramalan : ukuran kesalahan

peramalan yaitu tingkat perbedaan antara hasil
peramalan dengan permintaan yang sebenarnya terjadi.

• Terdapat 4 ukuran yang biasa digunakan:

1. MAD (Mean Absolute Deviation)
2. MSE (Mean Square Error)
3. MFE (Mean Forecast Error)
4. MAPE (Mean Absolute Percentage Error)
 MAD (Mean Absolute Deviation)

• Adalah rata-rata kesalahan mutlak selama periode

tertentu tanpa memperhatikan apakah hasil peramalan
lebih besar atau lebih kecil dibandingkan kenyataannya.

• Rumus MAD

• Dimana:
At = Permintaan Aktual pada periode t
Ft = Peramalan Permintaan (Forecast) pada periode t
n = Jumlah periode peramalan yang terlibat
 MSE (Mean Square Error)

• Dihitung dengan menjumlahkan kuadrat semua

kesalahan peramalan pada setiap periode dan
membaginya dengan jumlah periode peramalan.

• Rumus MSE

• Dimana:
At = Permintaan Aktual pada periode t
Ft = Peramalan Permintaan (Forecast) pada periode t
n = Jumlah periode peramalan yang terlibat
 MFE (Mean Forecast Error)

• Untuk mengetahui apakah suatu hasil ramalan selama

periode tertentu terlalu tinggi atau terlalu rendah.
• Bila hasil peramalan tidak bias, nilai MFE akan
mendekati nol.
• Rumus MFE

• Dimana:
At = Permintaan Aktual pada periode t
Ft = Peramalan Permintaan (Forecast) pada periode t
n = Jumlah periode peramalan yang terlibat
 MAPE (Mean Absolute Percentage Error)

• Merupakan ukuran kesalahan relatif, menyatakan

persentase kesalahan hasil peramalan terhadap
permintaan aktual selama periode tertentu.
• Rumus MAPE

• Dimana:
At = Permintaan Aktual pada periode t
Ft = Peramalan Permintaan (Forecast) pada periode t
n = Jumlah periode peramalan yang terlibat
 Contoh

Permintaan Ramalan Deviasi Deviasi Kuadrat Persentase Persentase

Aktual Absolut Kesalahan Kesalahan Kesalahan
Absolut
120 125 -5 5 25 -4,17 4,17
130 125 +5 5 25 3,85 3,85
110 125 -15 15 225 -13,64 13,64
140 125 +15 15 225 10,71 10,71
110 125 -15 15 225 -13,64 13,64
130 125 +5 5 25 3,85 3,85
-------- ---------- ----------- ---------
-10 60 750 49,86

MAD = 60 / 6 = 10
MSE = 750 / 6 = 125
MAPE = 49,86 / 6 = 8,31%
MFE = -10 / 6 = -1,67