PERAMALAN
(FORECASTING)
QUOTES: Forecasting adalah ilmu dan seni yang harus dimiliki oleh seorang manager
RUMUSAN DAN KEGUNAAN
- Proyeksi masa depan dengan pendekatan matematis
Kuantitatif - Membutuhkan data historis
Jenis
- Berdasarkan model subyektif, intuisi
Forecastin Kualitatif - Dilakukan oleh expert
g
- Campuran kedua metode sebelumnya
Kombinasi
JANGKA PENDEK
Mencakup durasi 3 bulan sampai 1 tahun. Aplikasi: penyusunan rencana
pembelian, penjadwalan pekerjaan (job scheduling), penetapan level tenaga
kerja, pemberian tugas, dan tingkat produksi.
JANGKA MENENGAH
Mencakup masa 1 tahun sampai 3 tahun. Aplikasi: rencana penjualan,
perencanaan produksi, budgeting, dan rencana operasi lainnya
JANGKA PANJANG
Mencakup masa 3 tahun atau lebih. Aplikasi: perencanaan produk baru,
capital expenditure, perencanaan lokasi ekspansi,R&D
JENIS-JENIS FORECASTING
PERBEDAAN FORECAST
FORECAST JANGKA PENDEK FORECAST JANGKA MENENGAH DAN
PANJANG
Dilakukan secara detil dan bersifat Dilakukan secara global dan komprehensif
operasional
Menggunakan metode matematis Menggunakan metode yang kompleks, bisa
dengan kompleksitas rendah seperti: dilakukan dengan bantuan model
moving average, exponential matematis. Unsur subjektif dan intuisi
smoothing, trend extrapolation expert sangat berperan.
Lebih akurat, karena durasi yang Lebih fleksibel, karena durasi yang lama
pendek dan kompleksitas rendah dan komplesitas yang tinggi
JENIS-JENIS FORECASTING
PERBEDAAN FORECAST
Kuantitatif
Bersifat obyektif
Terdapat dua kelompok yaitu time series dan causal method
Menggunakan model statistik-matematik
Memerlukan data kuantitatif yang lengkap
Biasa digunakan untuk meramalkan permintaan pada jangka pendek.
1-11
Klasifikasi Metode Forecast (3)
Time Series
Permintaan hanya dilihat sebagai fungsi waktu. Permintaan suatu produk dilihat pertumbuhan
alamiahnya, tanpa dicari apa yang menyebabkan pertumbuhan tersebut.
Tidak mudah mengetahui pola data ini sehingga diperlukan metode untuk mempolakan
kumpulan data tersebut (fitting process).
Fungsi yang terbentuk harus semirip mungkin dengan pola data yang ada
Causal Method
Multi Linear Regression
Metode causal melihat pertumbuhan permintaan sebagai fungsi dari perkembangan faktor-
faktor penyebabnya.
Demand t = Ft (Harga, promosi, jumlah distributor, jumlah pesaing)
1-13
1. Reading the Actual
Data yang digunakan harus data yang masih relevan dan usahakan mencakup
satu musim penuh (satu tahun)
Pola musiman dikenali sebagai trend
karena data tidak cukup banyak
Demand
Periode
Jika data yang dimiliki kurang dari setahun maka diperlukan pengetahuan
tambahan (kualitatif) mengenai pola permintaan produk, misalnya untuk
minuman dingin maka diduga kuat jika memiliki pola musiman.
1-14
2. Corrected History dan Outlier (1)
Rata-rata penghasilan lima orang karyawan PT. XXY adalah 7 juta.
Pernyataan ini diintepretasikan oleh kebanyakan orang bahwa lima orang tersebut
berpenghasilan sekitar 7 juta.
(benar jika data tidak mengandung outlier).
25 2 2 2,5 3,5
7
5
Data Outlier
1-15
2. Corrected History dan Outlier (2)
Outlier adalah data aneh yang muncul sebagai akibat adanya kejadian
dan atau kegiatan yang tidak regular. Misalnya bencana alam, pemilu,
perang, promosi dll.
Jika outlier ikut diperhitungkan maka akan diperoleh hasil peramalan yang tidak
akurat. (bisa merusak pola data secara keseluruhan)
1-18
3.Pemilihan Metode Forecast (2)
1-19
3. Pemilihan Metode Forecast (3)
Data Historis
1-20
3. Pemilihan Metode Forecast
(4)
Forecasting dengan berbagai Metode
7000
Data Historis
6000
Seasonal Linear
Regression 12 Periode
5000
Exponential
Smoothing
Linear Regression
4000 (trend)
3000
2000
1000
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
1-21
3. Pemilihan Metode
Forecast (5)
Best Methods
1-22
4. Corrected Forecast (Adjustment)
Kondisi perekonomian
Siklus hidup produk (trend dampening).
Kompetisi
Performansi produk
Kualitas produk Faktor-faktor yang harus
diperhatikan dalam melakukan
Reputasi produk adjusment pada statistic
forecast
Kepercayaan konsumen
Harga
Promosi
Teknologi baru
Produk substitusi
Promosi pesaing
1-23
5. Use as Demand Plan
Setelah adjustment, hasil forecast digunakan sebagai input awal dalam
perencanaan produksi dan distribusi
Besarnya demand suatu produk pada masa yang akan datang yang akan
benar-benar dipenuhi ditentukan lagi dengan mempertimbangkan
ketersediaan sumber daya (mesin, bahan baku, tenaga kerja, produk lain yang
lebih menguntungkan, penjadwalan mesin,)
Foreca Kapasita
Produk Final forecast
st s
1000
DPX
ton ?
1500 ton
1200
CWF
ton ?
1-26
POLA DATA
KONSTAN
1-27
Simple Average
Prediksi permintaan masa depan didasarkan atas rata-rata
dari semua permintaan pada bulan sebelumnya.
Kelebihan:
Mudah
Kekurangan:
Semua data permintaan masa lalu diberi bobot yang sama.
(seharusnya data yang lebih baru diberi bobot yang lebih besar
karena lebih mewakili masa depan(lebih relevan))
Simple Average
N
A i
Period
1
Demand Forecast
10 10
Ft i 1 2 12 11
N 3 14 12
4 15 12.8
5 16 13.4
Contoh: 6 17 14
7 19 14.7
F2 = (10 + 12) / 2
8 21 15.5
F3 = (10 + 12 + 14)/3 = 12 9 23 16.3
F4 = (10 + 12 + 14+15)/4 =
12,8
Moving Average
Prediksi permintaan menggunakan rata-rata n periode terbaru.
t 1
A i
Ft i t n
n
Contoh:
Simple Moving Average Problem
F4=(650+678+720)/
3
=682.67
F7=(650+678+720
+785+859+920)/6
=768.67
Weighted Moving Average
FJun = (AMar + AApr + AMay)/3
= (3AMar + 3DApr + 3AMay)/9 semua periode diberi bobot yang sama
Forecast is old forecast plus a portion of the error of the last forecast.
Exponential Smoothing
Substitusikan Ft 1 At 2 1 Ft 2
Ft At 1 1 Ft 1
Kita dapatkan
Ft At 1 1 At 2 1 Ft 2
2
Ft At 1 1 At 2 1 At 3 1 At 3 1 At 3 ...
2 3 4
=0.3
Exponential Smoothing
=0.5
POLA DATA TREND
1-40
Trend
Menentukan bagaimana permintaan bertambah (atau
berkurang) dari waktu ke waktu.
Ft a bt
Computing Values
b
xy n x y
x nx
2 2
a
y b x
y bx
n
POLA DATA MUSIMAN
1-43
Musiman
1.Musiman tanpa trend
2.Musiman dengan trend
trend : kecenderungan naik atau turun
Seasonal Factors
Indeks Seasonal :
Rata-rata tiap musim / rata-rata keseluruhan
Seasonal factor bulan mei 1.20, berarti permintaan bulan mei 20% lebih besar
diatas rata-rata.
Seasonal Factor bulan July 0.90, berarti permintaan bulan July 10% dibawah
rata-rata.
Musiman tanpa trend
Sales Factor
Spring 200 200/250 = 0.8
Summer 350 350/250 = 1.4
Fall 300 300/250 = 1.2
Winter 150 150/250 = 0.6
Total 1,000
Avg1,000/4=250
Musiman tanpa trend
If we expected total demand for the next year to be
1,100, the average per quarter would be 1,100/4=275
Forecast
Spring 275 * 0.8 = 220
Summer 275 * 1.4 = 385
Fall 275 * 1.2 = 330
Winter 275 * 0.6 = 165
Total 1,100
Musiman dengan trend
Indeks Seasonal
Regresi Linier + Musiman
Regresi Linier + Musiman(Seasonal Linear
Regression)
Causal Forecasting Model
Causal Model adalah suatu model forecasting yang memandang sesuatu yang
akan kita ramalkan dipengaruhi oleh faktor faktor yang harus didefinisikan terlebih
dahulu.
Sesuatu yang akan kita ramalkan disebut sebagai Dependent Variable sedangkan
faktor faktor yang mempengaruhi disebut sebagai Independent Variable
Model ini lebih sering pula disebut sebagai Multiple Regression, dimana 1 D.V,
didefinisikan oleh n I.V dimana n > 1. Tapi ada beberapa special case untuk causal
model, antara lain :
Simple Regression 1 DV didefinisikan 1 IV + error masuk ke Time Series
Non Seasonal Pattern
Econometric Models Multiple Regression yang dibangun dan dimodelkan
khusus untuk perhitungan indikator ekonomi
Example (Causal Forecasting Models)
Forecasts
Demands
Evaluasi Forecasts
Forecast error: et At Ft
n
Mean Absolute MAD (1 / n) ei
Deviation
i 1
n
MSE (1 / n) ei
Mean Squared 2
Error
i 1
n
Mean Absolute MAPE (1 / n) ei / Di 100
Percent Error i 1
Forecast Accuracy
Data Historis Vs Peramalan
(C oa ted Ivory Board Lokal)
6000
5000
4000
Demand
3000
2000
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
Periode
Dat a Hi s t or i s St at i s t i c For ecast
1-56
Error Measures
Cumulative measures summed or averaged over all data
Error Total (ET)
Mean Percentage Error (MPE)
Mean Absolute Percentage Error (MAPE)
Mean Squared Error (MSE)
Root Mean Squared Error (RMSE)
1-57
Error Total dan Mean Percentage Error
1-58
MSE, RMSE, MAPE, MAD
Average of squared errors Average of squared errors
n 2 1 n 2
1
MSE e RMSE et
n t 1
nt 1 t Always positive
Measures magnitude of errors
Always positive Units are demand units squared
Measures magnitude of errors
Units are demand units squared
Average of absolute percentage errors Smoothed absolute errors
1 n MAD (10.3)MAD 0.3e
MAPE PE t t 1 t
nt 1 t
Always positive
Always positive Measures magnitude of errors
Measures magnitude of errors Looks at the recent past
Units are percentage
1-59
Forecast Error
Jangan gunakan Error Total (ET) dan Mean Percentage Error (MPE)
sebagai ukuran keakuratan forecast. ET dan MPE bisa mempunyai
nilai yang kecil namun tidak menunjukkan kalau forecast tersebut
akurat.
Expost
Periode Historical Data Forecast Error
1 14 25 -11
2 11 1 10
3 12 15 -3
4 15 33 -18
5 16 2 14
6 14 21 -7
7 15 33 -18
8 12 7 5
9 13 25 -12
10 16 5 11
11 17 2 15
12 15 1 14
Error Total 0
1-60
MAD or MSD ?
Penggunaan MSD Sebagai
parameter penentuan
model trend terbaik
dikarenakan alasan
minimasi variansi. Artinya
kita tidak menghendaki
model equations yang tiba
tiba errornya drop terlalu
tinggi. Mungkin untuk Terdapat dua buah metode forecasting, katakanlah
jelasnya berikut dapat Metode 1 dan 2. Error (selisih mutlak antara data aktual
dilihat pada tabulasi ini dan fit) dapat dilihat pada tabulasi di samping. Mari kita
hitung MAD :
MAD not always become the MAD = ERROR METODE / n
small value when MSD did. MAD1 = 17/5 = 5.67
So do the opposite. When MAD2 = 23/3 = 7.67
Tampak dari sini MAD metod 1 lebih kecil daripada
Its happen what model you metode 2. Tapi sekarang coba perhatikan perbandingan
will choose ? MSD-nya :
MSD = (Error Metode)2 / n
MSD1 = (1 + 4 + 1 + 1 + 121 + 1) / 5 = 129 / 5 = 25.8
MSD2 = (9 + 16 + 36 + 9 + 9 + 9) / 5 = 88 / 5 = 17.6
HOT ISSUE IN FORECASTING
Agrregate Forecasting is more accurate than single forecast
For MTS, Colllaboration idea has been developed to minimizing error and
uncertainty
Watch out with Bullwhip phenomenon, when all part in your Supply Chain
doing a forecast with same purposes !
Forecasting can become an operational activity, or just can become a strategic
activity ! Clearly your forecasting goals !
Combination of subjective and objective methods is the most methods that
implement by many company nowadays
Final Thoughts- Big Picture
Time is the enemy of the logistics planner because time
means uncertainty.
Forecasting is often essential but think in terms of
reducing the importance / impact of the forecast.
How ? Remember reduction in the cycle time, demand
management, Information systems, and JIT ideas.
Kesimpulan (1)
Terdapat 5 pola permintaan yaitu konstan, trend, seasonal, seasonal
trend dan sporadic.
Untuk setiap pola permintaan terdapat beberapa metode forecast yang
dapat digunakan.
Data yang tidak baik(mengandung outlier, tidak lengkap, tidak relevan)
tidak akan bisa menghasilkan ramalan yang baik.
Data aneh yang merupakan kejadian khusus harus dikoreksi lebih
dahulu sebelum melakukan forecast.
Penggunaan data yang banyak tidak selalu memberikan peramalan yang
akurat. Hal ini terjadi jika data tersebut sudah tidak relevan lagi atau
kondisi sudah jauh berubah
1-64
Kesimpulan(2)
Asumsi dasar forecast adalah bahwa pola permintaan akan terus berlanjut di
masa depan. Jika kondisi berubah maka diperlukan adjustment.
Tidak ada metode yang selalu terbaik untuk semua pola permintaan produk.
Metode forecast yang dipilih merupakan metode yang memiliki error terkecil.
Jangan pergunakan error total (ET) dan mean percentage error (MPE) sebagai
ukuran keakuratan forecast.
Kesalahan yang kecil pada tahap perencanaan mempunyai dampak yang
besar pada distribusi dan produksi.Oleh karena itu, tujuan utama demand
planning adalah menghasilkan ramalan permintaan yang seakurat mungkin.
1-65
Terima Kasih
1-66