IEH2K2 – Perencanaan dan Pengendalian Produksi

Peramalan Permintaan (1)

Prodi S1 Teknik Industri

Fakultas Rekayasa Industri

1
 PLO & CLO
PLO 5
Menguasai prinsip dan teknik
perancangan sistem terintegrasi
dengan pendekatan sistem
PLO-10
Mampu memilih sumberdaya
dan memanfaatkan perangkat
perancangan dan analisis
rekayasa berbasis teknologi
informasi dan komputasi yang
sesuai untuk melakukan
aktivitas rekayasa.
CLO 1
Mampu mengidentifikasi
permintaan dan menghitung
peramalan permintaan untuk
keperluan perencanaan produksi
CLO 5
Mampu menguasai sistem
spreadsheet (Excel) untuk
membantu merencanakan dan
mengendalikan sistem produksi
menjadi lebih efektif dan efisien
2
 Metode Peramalan

Moving Simple Double Weighted

Average Moving Moving Moving
Method Average Average Average

Exponential Simple Double

Exponential Exponential
Smoothing Smoothing Smoothing

Seasonal
Regresi Konstan Linier Kuadratis
Index

3
 Metoda Peramalan

Smoothing
• Moving average method
• Simple moving average
• Double moving average
• Weighted moving average

• Exponential smoothing
• Simple exponential smoothing
• Double exponential smoothing
Regresi
• Konstan
• Linier
• Kuadratis
• Seasonal
SMOOTHING
 Simple Moving Average
Hasil peramalan Ft adalah rata- rata dari n observasi sebelumnya
atau demand aktual Dt :
1
Ft +1 = ( D t + D t −1 +  + D t +1− n )
n
1 t
Ft +1 =  Di
n i = t +1− n
Note :n observasi masa lalu mempunya bobot yang sama.

4
 Simple Moving Average

• Termasuk n observasi yang sekarang

• Bobot sama
• Mengabaikan observasi yang lampau

weight

1/n

n ... 2 1
3
Hari ini
5
 6

CONTOH SIMPLE MOVING AVERAGE (SMA)

• Diberikan data histori permintaan TV sebagai

berikut:

Berapa perkiraan jumlah permintaan TV dengan SMA (4) dan

SMA (5)?
 Perhitungan SMA

SMA (4)
F5= ¼ (D4+ D4-1 + D4-2 + D4+1-4 ) = ¼ (D4+D3+D2+D1)
= ¼ (157+136+159 + 140) = 148

F7= ¼ (D6+ D6-1 + D6-2 + D6+1-4 ) = ¼ (D6+D5+D4+D3)

= ¼ (131+173+157 + 136) = 149,25

Hasil peramalan permintaan dengan SMA(4)

Hasil perhitungan SMA (4) dan SMA (5)

8
 Double Moving Average
❑ DMA melakukan moving average secara double
❑ Notasi yang diberikan DMA (MxN), artinya M periode moving average
yang pertama dan N periode moving average yang ke-dua.
❑ Formula:
S't = 1/N (Xt+ Xt-1+ Xt-2 +….+ Xt-N+1)
S" t= 1/N (S't+ S't-1+ S't-2 +….+ S't-N+1)

at = S't+ (S't- S" t) = 2 S't – S" t

bt = 2 (S't – S" t)
(N-1)
Ft+m = at + bt . m
t adalah jumlah periode
 Contoh DMA (3x3)
t Dt S’(t)=DMA(3) S“(t) a(t) b(t) F(t)
1 140
2 159
3 136 145.00
4 157 150.67
5 173 155.33 150.33 160.33 5.00
6 131 153.67 153.22 154.11 0.44 165.33
7 177 160.33 156.44 164.22 3.89 154.56
8 188 165.33 159.78 170.89 5.56 168.11
9 154 173.00 166.22 179.78 6.78 176.44
10 179 173.67 170.67 176.67 3.00 186.56
11 179.67
F12=F10+2=a10+b10 . 2 = 176,67+(3 . 2) = 182,67
F13=F10+3 =a10+b10 . 3 = 176,67+(3 . 3) = 185,67
F15=F10+5=a10+b10 . 5 = 176,67+(3 . 5) = 191,67
 Weighted Moving Average

➢ SMA dan DMA berasumsi bahwa semua data

memiliki bobot (pengaruh) yang sama terhadap
besarnya data di masa depan.

➢ WMA berasumsi setiap data akan memberi

pengaruh berbeda terhadap besarnya data yang akan
datang

➢ Dengan demikian tiap data diberi bobot yang

berbeda.
 Weighted Moving Average

Data pada (t-1) memiliki pengaruh yang lebih besar daripada (t-
2), maka diberi bobot yang lebih besar.

Ft =W1.At-1+W2.At-2+……..+Wn.At-n
Wt=bobot diberikan pada perioda waktu
kejadian t
Jumlah total bobot harus = 1
At =data aktual
 Contoh WMA
Terdapat data permintaan selama 3 minggu, berikut bobot data.
Tentukan perkiraan besarnya permintaan pada minggu ke-4
dengan WMA.

Minggu 1 2 3
Permintaan 550 650 750
Bobot 0,4 0,5 0,1

F4 = 0,4 (550) + 0,5 (650) + 0,1 (750)

= 620
 Exponential Smoothing I

Termasuk semua data observasi masa lalu

Bobot observasi yang sekarang lebih besar dibanding
observasi yang lampau
bobot
Decreasing weight given
to older observations

Hari ini
14
 Exponential Smoothing

F t =  D t +  (1 −  ) D t −1 +  (1 −  ) 2 D t − 2 + 
F t =  D t + (1 −  )  D t −1 +  (1 −  ) D t − 2 +  

F t = D t + (1 − ) F t −1

15
 Exponential Smoothing

F t =  D t + (1 −  ) F t −1
Peramalan yang baru adalah jumlah dari peramalan masa lalu dan
demand aktual
Catatan :
Hanya 2 nilai (Dt and Ft-1 ) yang dibutuhkan, bandingkan dengan n untuk
moving average
Parameter  didefinisikan secara empiris
Rule of thumb:  < 0.5
Umumnya,  = 0.2 atau  = 0.3 akan memberikan hasil peramalan yang
baik
Peramalan untuk k periode masa datang adalah : Ft + k = Ft
16
 Simple Exponential Smoothing

Ft = Ft-1 + α (Dt-1 – Ft-1)

α adalah smoothing Constant

Contoh SES:
Tentukan peramalan dengan SES untuk α =0,2 dan α =0,4 pada
data demand lalu sebagai berikut:
 Solusi SES
Week 1 2 3 4 5
demand 850 725 670 685
(aktual)
forecast 850 850 825 794 772,2
α =0,2
forecast 850 850 800 748 722,8
α =0,4
Asumsi: Hasil peramalan Hasil peramalan
F1=A1 Demand t=5 Demand t=5
α =0,4 α =0,2
F1=850
F2=850+0,2(850-850)=850
F3=850+0,2(725-850)= 825
 Double Exponential Smoothing
➢ Satu parameter (Metode Linier Brown)
➢ Hampir sama dengan double moving average
➢Disesuaikan dengan penambahan satu parameter
S't= α . Dt +(1- α). S't-1
S" t= α . S’t +(1- α). S" t-1
Ft+m=at + bt . m

at= 2 S't – S" t ; bt= (S't – S" t)

(1- α)
S't= single exponential smoothing
S" t= double exponential smoothing
m = jumlah periode yang akan diramal
Tentukan DES dengan 1 parameter untuk alpha=0,3
 Ukuran Kinerja Peramalan

Mean Square Error (MSE)

2
n
 (dt −D't )
MSE = t =1
n
dengan:
dt = data aktual pada periode t
Dt‘ = nilai ramalan pada periode t
n = banyaknya periode

21
 Ukuran Kinerja Peramalan

Standard error of estimate (SEE)

(dt −D't )
2
n
SEE =  (n − f )
t=1
dengan:
f = derajat kebebasan
1 : untuk data konstan
2 : untuk data linier
3 : untuk data kuadratis

22
 Ukuran Kinerja Peramalan

• Persentase Kesalahan

d −
t D't
PEt = ( )x100%
dt
• Mean Absolute Percentage Error (MAPE)
n
 PEt
MAPE = t =1
n

23