Isi Materi
• Apakah Peramalan itu?
– Peramalan Horison Waktu
– Pengaruh terhadap Siklus Hidup Produk
• Jenis – jenis Peramalan
• Tujuh Langkah dalam Sistem
Peramalan
Isi Materi (lanjutan)
• Pendekatan Peramalan
– Pendekatan Kualitatif
– Pendekatan Kuantitatif
• Peramalan Berdasarkan TIME-SERIES
– Dekomposisi Time Series
– Pendekatan Naïve
– Moving Averages
– Exponential Smoothing
– Regression and correlation analysis
– Measures of forecast accuracy
Tujuan Pembelajaran (1)
– Moving averages
– Exponential smoothing
– Trend projections
– Analisa Regressi dan korelasi
– Pengukuran akurasi peramalan
FORECASTING
Gila ajah
Penjualan
september 1.200
unit
Apa ??
1.2000
???
7
Peramalan
• Peramalan: Estimasi nilai atau
karakteristik masa depan
– prediksi (prediction)
– peramalan (forecast)
– kecenderungan (trend)
8
Demand
• Faktor yang mempengaruhi demand
– Variasi random
– Rencana konsumen
– Daur hidup produk
– Pesaing
– Perilaku/sikap konsumen
– Waktu
– Siklus bisnis
Input Output
– Iklan Perusahaan Permintaan
– Sales effort
– Reputasi
– Desain produk
– Kebijaksanaan kredit
– Kualitas
9
DATA
SUMBER :
– Arsip perusahaan
– Data pemerintah (laporan Biro Pusat Statistik,
Departemen, dll)
• FAKTOR INTERNAL THD PENJUALAN
– Kualitas, harga, delivery time, promosi, discount, dll
• FAKTOR EKSTERNAL
– Indikator perekonomian : GNP, tingkat pertumbuhan
ekonomi, tingkat inflasi, nilai tukar valuta asing, dll
10
Sistem Peramalan (1)
Data Historis
Knowledge of
changed
condition
Forecast Pembandingan
(Prediction) dengan kondisi
aktual
Feedback on
forecast
accuracy
11
Konsiderasi (1)
• Ongkos dan manfaat
– Ongkos
• Ongkos pengembangan metoda
• Ongkos kegiatan peramalan
• Ongkos akibat kesalahan ramal
– Manfaat
• Mengerti hubungan antara permintaan dan faktor lain
• Kondisi dunia nyata Sistem pengendalian produksi
– "Untuk tujuan apa suatu ramalan dibuat akan menentukan pendekatan yang
diambil"
12
Konsiderasi (2)
• Ketelitian
– Suatu ukuran seberapa tepat ramalan dari kondisi aktual
13
Contoh kasus Peramalan di produk
Tupperware
• Setiap 50 pusat tapperware di dunia
bertanggung jawab membuat proyeksi
penjualan bulanan, kuartalan dan
tahunan secara tekomputerisasi
• Proyeksi di bagi dalam region dan
global, pada Kantor Pusat Tapperware
• Tupperware menggunakan semua
teknik peramalan yang kita bahas disini.
Tiga Kunci Faktor Sukses
Tupperware
• Jumlah “consultants” atau perwakilan
penjualan yang representatif
engineering critical
Defend market position
Drive-thru restaurants Fax machines
3 1/2”
CD-ROM Floppy
disks
Sales
Station
Internet wagons
Color copiers
HDTV
Actual
demand line
Average demand
over four years
Random
variation
Year Year Year Year
1 2 3 4
Permintaan Aktual, Moving
Average, Bobot Moving Average
35 Weighted moving average
30
Actual sales
25
Sales Demand
20
15
10
Moving average
5
0
Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
Month
Realita Peramalan
• Peramalan jarang yang sempurna
• Kebanyakan metoda peramalan di
asumsikan pada kondisi sistem yang
stabil.
• Baik keluarga dan aggregat produk
lebih akurat dari peramalan produk
secara individu
Pendekatan peramalan
Metoda kualitatif Metoda kuantitatif
• Digunakan pada • Digunakan pada
situasi vague dan situasi stabil dan
data sedikit historical data tetap
– Produk baru – Produk eksis
– Teknologi baru – Teknologi sekarang
• Melibatkan intuisi, • Melibatkan teknik
pengalaman matematik
– Mis. permalan – Mis. peramalan
penjualan di Internet penjualan tv bewarna
Tinjauan metoda kualitatif
• Juri dari opini eksekutif
– Pandangan dari eksekutif tingkat tinggi, kadang-
kadang ditampilkan dalam model statistik
• Metode Delphi
– Panel para pakar, kesepakatan bersama
• Armada Penjualan
– Prediksi dari individu penjual yang di review
tanggungjawabnya, kemudian agregat.
• Survei Pasar Konsumen
– Langsung bertanya kepada konsumen
Pandangan Eksekutif
• Melibatkan kelompok Juri kecil manager
tingkat atas
– Kelompok kerja bersama untuk
memprediksi permintaan
• Kombinasi pengalaman managerial dengan
model statistik
• Relatif lebih cepat
• Kurang menguntungkan ‘Group-think’
– Responden
Respondents
• Menurunkan (Sales will be 45, 50, 55)
‘group-think’
Survey pasar pelanggan
How many hours will
• Menanyakan pada you use the Internet
pelanggan untuk next week?
rencana pembelian
• Apa yang dikatakan
pelanggan dan
realisasi jarang
berbeda
• Kadang kadang sukar
untuk menjawab
© 1995 Corel
Corp.
Tinjauan Pendekatan Kuantitatif
• Pendekatan Naïve
• Moving averages
• Exponential smoothing Model Time-
series
• Trend projection
Model Model
Time Series Asosiasi
Trend Cyclical
Seasonal Random
Komponen Trend
• Tidak terputus, semua pattern naik atau
turun
• Biasanya ttg populasi, teknologi dll.
• Durasi dalam beberapa tahun
Response
Mo., Qtr.
Pola Umum Seasonal
Perioda Panjang “Season” Jumlah pola
dalam “Seasons”
Minggu Hari 7
Bulan Hari 28 – 31
Thun Kuartal 4
Tahun Bulan 12
Tahun Minggu 52
Komponen Cyclical
• Pergerakan berulang naik dan turun
• Interaksi faktor faktor yang mempengaruhi
ekonomi
• Biasanya berdurasi 2-10 tahun
Cycle
Response
terduga
– Tsunami
– Tornado
• Additive model
– Yi = Ti + Si + Ci + Ri (jika data kuartalan atau
bulanan )
Pendekatan Naive
• Asumsikan perminataan
berikutnya sama dengan
perioda sebelumnya
– Mis, Bila bulan Mai
penjualan 48, maka bln
Juni akan 48
• Kadang-kadang biaya
efisien dan efektif
© 1995 Corel Corp.
Metoda Moving Average
• MA adalah rata rata aritmetik series
• Digunakan bila sedikit dan tidak ada trend
• Kadang kadang pakai juga utk smoothing
– Seluruhnya disediakan untuk impresi data masa
lalu
• Persamaan
Penjualan
8 Actual
6
Peramalan
4
2
95 96 97 98 99 00
Thn
Bobot Metoda Moving Average
• Digunakan bila trend adalah saat ini
– Data usang biasanya kurang penting
• Bobot berdasarkan intuisi
– Biasanya antara 0 & 1, & jumlah 1.0
• Persamaan
Σ(Bobot perioda n) (Permintaan perioda n)
WMA =
Σ Bobot
Pemintaan aktual, Moving Average,
Moving Average Berbobot
35 Weighted moving average
30
Actual sales
25
Sales Demand
20
15
10
Moving average
5
0
Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
Month
Kelemahan Metoda
Moving Average
• Penigkatan n membuat peramalan
kurang sensitif untuk perubahan
• Trend peramalan tidak terlalu baik
• Memerlukan banyak data historik
Weights
= Prior Period 2 periods ago 3 periods ago
(1 - ) (1 - )2
= 0.10 10%
= 0.90
Effek Peramalan Konstanta
Smoothing
Ft = At - 1 + (1- ) At - 2 + (1- )2At - 3 + ...
Weights
= Prior Period 2 periods ago 3 periods ago
(1 - ) (1 - )2
= 0.10 10% 9%
= 0.90
250
Impact of
200 Forecast (0.5)
Actual Tonage
100
50
0
1 2 3 4 5 6 7 8 9
Quarter
Memilih
Mencari Mean Absolute Deviation (MAD) yang minimum
forecast errors
Maka: MAD =
n
Model Linear Regression
• Memperlihatkan hubungan linearantara
varabel dependent dan independent
– Contoh: Sales & advertising (not time)
Y-intercept Slope
Y^ i = a + b X i
Dependent Independent (explanatory)
(response) variable variable
Persamaan Linear Regression
Persamaan: Ŷi = a + bx i
n
x i y i − nx y
Slope: b = i =1
n
x − nx
2
i
2
i =1
Y-Intercept: a = y − bx
Tabel Komputasi
2 2
Xi Yi Xi Yi X iY i
2 2
X1 Y1 X1 Y1 X 1Y 1
2 2
X2 Y2 X2 Y2 X 2Y 2
: : : : :
2 2
Xn Yn Xn Yn X nY n
2 2
ΣXi ΣYi ΣXi ΣYi Σ X iY i
Koefisien Interpretasi
• Slope (b)
– Perkiraan perubahan Y dengan b utk tiap 1 unit
meningkatkan nilai X
• jika b = 2, maka penjualan (Y) diharapkan meningkat 2
untuk tiap 1 unit meningkatkan nilai advertising (X)
• Y-interprestasi (a)
– Rerata nilai Y ketika X = 0
• Jika a = 4, maka penjualan rerata (Y) adalah yg
diharapkan menjadi ketika advertising (X) adlh 0
Variasi Random Error
S y,x = i =1
n−2
n n n
y 2
i − a y i − b xi y i
= i =1 i =1 i =1
n−2
Correlation
n n n
n x i yi − x i yi
r= i = i = i =
n n n n
n x i − x i n yi − yi
i = i = i = i =
Coefficient of Correlation and
Regression Model
Y r=1 Y r = -1
Y^i = a + b X i
Y^i = a + b X i
X X
Y r = .89 Y r=0
Y^i = a + b X i Y^i = a + b X i
X X
r2 = square of correlation coefficient (r), is the percent of the variation
in y that is explained by the regression equation
Guidelines for Selecting
Forecasting Model
• You want to achieve:
– No pattern or direction in forecast error
^
• Error = (Yi - Yi) = (Actual - Forecast)
• Seen in plots of errors over time
– Smallest forecast error
• Mean square error (MSE)
• Mean absolute deviation (MAD)
Pattern of Forecast Error
0 0
(y − ŷ ) forecast errors
i i
2
2
MSE = i =1
=
n n
• Mean Absolute Deviation (MAD)
n
| y − yˆ | | forecast errors |
i i
MAD = i =1
=
n n
n
Selecting Forecasting Model
Example
You’re a marketing analyst for Hasbro Toys. You’ve forecast sales with a
linear model & exponential smoothing. Which model do you use?
n
(y i − ŷ i )
= i =
MAD
forecast error
=
MAD
Tracking Signal Computation
Mo Fcst Act Error RSFE Abs Cum MAD TS
Error |Error|
1 100 90
2 100 95
3 100 115
4 100 100
5 100 125
6 100 140
Tracking Signal Computation
Mo Forc Act Error RSFE Abs Cum MAD TS
Error |Error|
1 100 90 -10
2 100 95
3 100 115 Error = Actual - Forecast
= 90 - 100 = -10
4 100 100
5 100 125
6 100 140
Tracking Signal Computation
Mo Forc Act Error RSFE Abs Cum MAD TS
Error |Error|
1 100 90 -10 -10
2 100 95
3 100 115 RSFE = Errors
= NA + (-10) = -10
4 100 100
5 100 125
6 100 140
Tracking Signal Computation
Mo Forc Act Error RSFE Abs Cum MAD TS
Error |Error|
1 100 90 -10 -10 10
2 100 95
3 100 115 Abs Error = |Error|
= |-10| = 10
4 100 100
5 100 125
6 100 140
Tracking Signal Computation
Mo Forc Act Error RSFE Abs Cum MAD TS
Error |Error|
1 100 90 -10 -10 10 10
2 100 95
3 100 115 Cum |Error| = |Errors|
= NA + 10 = 10
4 100 100
5 100 125
6 100 140
Tracking Signal Computation
Mo Forc Act Error RSFE Abs Cum MAD TS
Error |Error|
1 100 90 -10 -10 10 10 10.0
2 100 95
3 100 115 MAD = |Errors|/n
= 10/1 = 10
4 100 100
5 100 125
6 100 140
Tracking Signal Computation
Mo Forc Act Error RSFE Abs Cum MAD TS
Error |Error|
1 100 90 -10 -10 10 10 10.0 -1
2 100 95
3 100 115 TS = RSFE/MAD
= -10/10 = -1
4 100 100
5 100 125
6 100 140
Tracking Signal Computation
Mo Forc Act Error RSFE Abs Cum MAD TS
Error |Error|
1 100 90 -10 -10 10 10 10.0 -1
2 100 95 -5
3 100 115
4 100 100 Error = Actual - Forecast
= 95 - 100 = -5
5 100 125
6 100 140
Tracking Signal Computation
Mo Forc Act Error RSFE Abs Cum MAD TS
Error |Error|
1 100 90 -10 -10 10 10 10.0 -1
2 100 95 -5 -15
3 100 115
4 100 100 RSFE = Errors
= (-10) + (-5) = -15
5 100 125
6 100 140
Tracking Signal Computation
Mo Forc Act Error RSFE Abs Cum MAD TS
Error |Error|
1 100 90 -10 -10 10 10 10.0 -1
2 100 95 -5 -15 5
3 100 115
4 100 100 Abs Error = |Error|
= |-5| = 5
5 100 125
6 100 140
Tracking Signal Computation
Mo Forc Act Error RSFE Abs Cum MAD TS
Error |Error|
1 100 90 -10 -10 10 10 10.0 -1
2 100 95 -5 -15 5 15
3 100 115
4 100 100 Cum Error = |Errors|
= 10 + 5 = 15
5 100 125
6 100 140
Tracking Signal Computation
Mo Forc Act Error RSFE Abs Cum MAD TS
Error |Error|
1 100 90 -10 -10 10 10 10.0 -1
2 100 95 -5 -15 5 15 7.5
3 100 115
4 100 100 MAD = |Errors|/n
= 15/2 = 7.5
5 100 125
6 100 140
Tracking Signal Computation
Mo Forc Act Error RSFE Abs Cum MAD TS
Error |Error|
1 100 90 -10 -10 10 10 10.0 -1
2 100 95 -5 -15 5 15 7.5 -2
3 100 115
4 100 100 TS = RSFE/MAD
= -15/7.5 = -2
5 100 125
6 100 140
Plot of a Tracking Signal
Signal exceeded limit
Tracking signal
Upper control limit
+
0 Acceptable range
-
Lower control limit
Time
Tracking Signals
160 3
140 2
Tracking Singal
Actual Demand
120 Forecast
100 1
80 Actual demand 0
60 Tracking Signal
-1
40
20 -2
0 -3
0 1 2 3 4 5 6 7
Time
Forecasting in the Service
Sector
• Presents unusual challenges
– special need for short term records
– needs differ greatly as function of industry and
product
– issues of holidays and calendar
– unusual events