Forecasting Model

1. Ign Prawira 123150072

2. Kanaka Maya 123150082
Kelompok 2 3. Linda 123150089
4. Yudosario Admiko 123150098
5. Moch Arianto Wibowo 123150099
6. Muhammad Abthahi 123150101
7. Yohana Leonarda 123150108
Apakah Forecasting/Peramalan ?

 Proses memprediksi peristiwa masa depan

berdasarkan data historis
 Mengajarkan cara memprediksi
 Dasar dari semua keputusan bisnis
Produksi
Persediaan
Personil
Fasilitas
Langkah dalam Forecasting

1. Tentukan tujuan ramalan

2. Mengidentifikasi barang yang akan
meramalkan
3. Menentukan horizon waktu
4. Pilih model peramalan ( s )
5. Mengumpulkan data
6. Validasi data
7. Membuat perkiraan dan melaksanakan
hasil
Jenis Perkiraan berdasarkan waktu
Horizon
Quantitative
 Jangka Pendek forecast methods

 Umumnya < 3 bulan

 Pengaturan pekerjaan Detailed
use of
 Jangka Menengah forecast system

 3 bulan hingga 2 tahun

 Rencana produksi atau penjualan

 Jangka Panjang forecast

 > 2 tahun Design
of system
 Perencanaan Produk baru Qualitative
Methods
Forecasting sepanjang siklus

Introduction Growth Maturity Decline

Qualitative models Quantitative models

- Executive judgment
- Time series analysis
- Market research
- Regression analysis
- Survey of sales force
- Delphi method
Sales

Time
Apa yang membuat Forecast
baik ?
 Sebaiknya bisa tepat
 Sebaiknya seakurasi mungkin
 Sebaiknya terpercaya
 Sebaiknya memiliki makna hingga
satuan terkecil
 Sebaiknya dapat disajikan secara
tertulis
 Metode harus mudah digunakan dan
memahami dalam kebanyakan kasus
Qualitative Forecasting Methods

Qualitative
Forecasting

Executive Sales Force Market Research Delphi

Judgement Composite /Survey Method

menggunakan masing-masing rencana proses kelompok

pendapat perkiraan pembelian berulang di mana
manajer tingkat penjual dijual di / masa depan sekelompok ahli
tinggi sering wilayahnya dikumpulkan berusaha untuk
dikombinasikan sendiri dan dari pelanggan mencapai
dengan model perkiraan konsensus
statistik digabungkan
untuk perkiraan
keseluruhan
Quantitative Forecasting Methods

Quantitative
Forecasting

Time Series Causal

Naive
Models Models
Moving Average
1. Simple
2. Weighted Linear Regression
1. Simple Linear
Exponential Smoothing
1. Single
2. Multiple Linear
2. Double-1 Brown
3. Double-2 Holt Non Linear Regression
4. Pagel’s Classified
1. Equation
Decomposition 2. Multivariate
1. Multiplicative
2. Additive

Trend Projection
1. Free Hand ( linear )
2. Semi Average ( linear )
3. Moment ( linear )
4. Least Square ( linear )
5. Quadratic ( curve )
Time Series Models: Components

Random Trend
disebabkan oleh
kesempatan dan jangka panjang ke
saat kejadian yang atas atau gerakan
tidak biasa ke bawah

Seasonal Composite

terdiri dari bagian-

pola yang terjadi bagian yang berbeda
setiap tahun atau terpisah atau
elemen
Permintaan produk dengan Waktu lebih
Komponen tren
puncak musiman
Permintaan Produk atau Jasa

baris
variasi permintaan
acak aktual

Tahun Tahun Tahun Tahun

1 2 3 4
Stasioner dan Non - stasioner data Time
Series

 Jika tidak memiliki tren, itu adalah

stasioner
 Jika suatu kurun waktu memiliki
kecenderungan atas atau ke bawah, itu
adalah non-stasioner
1. Pendekatan naif

 Permintaan di periode berikutnya adalah

sama seperti permintaan pada periode
terbaru
 May penjualan = 48 →
June forecast = 48

 Biasanya tidak baik

2a. Simple Moving Average

 Mengasumsikan rata-rata adalah estimator yang

baik dari perilaku masa depan
 Digunakan jika sedikit atau tidak ada tren
 Digunakan untuk menghaluskan

A t + A t -1 + A t -2 + ... + A t -n 1
Ft 1 =
n
Ft+1 = Forecast untuk periode yang akan datang, t+1
n = Jumlah periode untuk rata-rata
At = kejadian yang sebenarnya pada periode t
 A t + A t -1 + A t -2 + ... + A t -n 1
Ft 1 =
n
2a. Simple Moving Average
Anda seorang manager di departemen elektronik Amazon . Anda
ingin meramalkan penjualan ipod untuk bulan 4-6 menggunakan
3 - periode rata-rata bergerak .

Sales Moving Average

Bulan (000) (n=3)
1 4 NA
2 6 NA
3 5 NA
4 ? (4+6+5)/3=5
5 ?
6 ?
2b. Weighted Moving Average
 Memberikan penekanan lebih ke data terakhir

Ft 1 = w1A t + w 2 A t -1 + w 3A t -2 + ... + w n A t -n 1

Berat atau Bobot

menurun untuk data lebih tua
hingga 1.0

Simple moving average models

Berat/bobot semua untuk periode
sebelumnya dianggap sama
 Ft 1 = w1A t + w 2 A t -1 + w 3A t -2 + ... + w n A t -n 1
2b. Weighted Moving Average: 3/6, 2/6, 1/6

Bulan Sales Weighted

(000) Moving
Average
1 4 NA
2 6 NA
3 5 NA
4 3 31/6 = 5.167 31/6 =
(4x1/6)+(6x2/6)+(5x3/6)

5 7 25/6 = 4.167 25/6 =

(6x1/6)+(5x2/6)+(3x3/6)

6 32/6 = 5.333
3a. Exponential Smoothing

 Mengasumsikan pengamatan terbaru memiliki

nilai prediktif tertinggi
 memberikan bobot lebih untuk periode waktu yang terbaru atau
baru-baru ini

Ft+1 = Ft + a(At - Ft)

et

Ft+1 = Nilai Forecast untuk waktu t+1

At = Nilai Aktual pada waktu t
Butuh persetujuan
a = konstanta pemulusan perkiraan Ft untuk memulai.
3a. Exponential Smoothing – Example 1
Ft+1 = Ft + a(At - Ft)
i Ai

Week Demand
1 820 Ambil data permintaan mingguan
Apa yang perlu dilakukan
2 775
pemulusan eksponensial forecasts
3 680 untuk periods 2-10
4 655 gunakan a=0.10?
5 750
Asumsikan F1=D1
6 802
7 798
8 689
9 775
10
3a. Exponential Smoothing – Example 1
Ft+1 = Ft + a(At - Ft)
i Ai Fi

Week Demand a = 0.1 0.6

1 820 820.00 820.00
2 775 820.00 820.00
3 = F1+ a(A793.00
680 F2815.50 1–F1) =820+.1(820–820)
4 655 801.95 725.20=820
5 750 787.26 683.08
6 802 783.53 723.23
7 798 785.38 770.49
8 689 786.64 787.00
9 775 776.88 728.20
10 776.69 756.28
3a. Exponential Smoothing – Example 1
Ft+1 = Ft + a(At - Ft)
i Ai Fi

Week Demand a = 0.1 0.6

1 820 820.00 820.00
2 775 820.00 820.00
3 680 815.50 793.00
F3 = F2+ a(A2–F2) =820+.1(775–820)
4 655 801.95 725.20
5 750 787.26 683.08=815.5
6 802 783.53 723.23
7 798 785.38 770.49
8 689 786.64 787.00
9 775 776.88 728.20
10 776.69 756.28
3a. Exponential Smoothing

Bagaimana menentukan α
tergantung pada penekanan dimana Anda
ingin menempatkan pada data terbaru

Meningkatkan α membuat forecast lebih

sensitif terhadap data terbaru
Forecast Effects of
Smoothing Constant a
Ft+1 = Ft + a (At - Ft)
or Ft+1 = a At + a(1- a) At - 1 + a(1- a)2At - 2 + ...
w1 w2 w3

Berat / Bobot
a= Period 2 period lalu 3 period lalu
Sebelumnya
a a(1 - a) a(1 - a)2

a= 0.10
10% 9% 8.1%
a= 0.90 90% 9% 0.9%
Time Series Decomposition
 Serangkaian waktu dapat dipecah
menjadi komponen individu
 Dua Pendekatan :
1. Multiplicative decomposition
Forecast = Trend x Seasonality x Cycles x Random

2. Additive decomposition
Forecast = Trend + Seasonality + Cycles + Random
Trend Projection

 Free Hand ( Garis Lurus )

Karena linear trend dengan metode ini hanya perkiraan dari persamaan garis lurus , kita harus menentukan
mencegat dan kemiringan garis , tanpa matematika atau formula statistika

 Semi Average ( Garis Lurus )

Kemiringan garis dihitung dengan mengambil perbedaan antara rata-rata dan membaginya dengan setengah
dari jumlah total pengamatan.

 Moment ( Garis Lurus )

digunakan dalam analisis regresi

 Least Square ( Garis Lurus )

kuadrat , juga digunakan dalam analisis regresi , menentukan perkiraan garis tren unik yang meminimalkan
mean square error antara perkiraan garis tren dan nilai-nilai yang diamati sebenarnya untuk time series.

 Quadratic ( Kurva Lengkung )

Sebuah fungsi polinomial terbaik mencontohkan kondisi bisnis
Menggunakan Metode Peramalan

 Mengumpulkan data historis

 Pilih model
 Moving average methods
 Tentukan n (jumlah periode)
 Untuk weighted moving average: tentukan weights
 Exponential smoothing
 tentukan a

 Pilihan harus menghasilkan forecast yang

baik … Tapi apa yang dimaksud forecast yg baik?
Forecast yang baik

Memiliki kesalahan kecil

 kesalahan = permintaan - Forecast
Software ( alat bantu ) menghitung Forecast :
software QM for Windows
Ukuran Prakiraan Kesalahan
et
n

a. MAD = Mean Absolute Deviation A

t=1
t - Ft
MAD =
n

b. MSE = Mean Squared Error 

 t t
A - F 2

t =1
MSE =
n

c. RMSE = Root Mean Squared Error RMSE = MSE

 Nilai Ideal =0 (ini menunjukan tidak ada kesalahan

dalam perhitungan forecasting )
Forecast Bias

 Bagaimana kita bisa tahu jika forecast

memiliki bias positif atau negatif ?
 TS = Tracking Signal
sinyal pelacakan yang baik memiliki nilai
rendah

RSFE  (aktual  forecast )

t t
TS = = t
MAD Mean absolute
MAD deviation
30
 n

Contoh : MAD A
t=1
t - Ft = 40 =10
MAD = 4
n

Berapa nilai MAD diperoleh dari

forecast pada tabel di bawah ?
At Ft
Bulan Sales Forecast |At – Ft|
1 220 n/a
2 250 255 5
3 210 205 5
4 300 320 20
5 325 315 10
= 40
 n

 t t
A - F 2

t =1 = 550 =137.5
Contoh : MSE/RMSE MSE =
n 4

Apa maksud dari Nilai RMSE = √137.5

MSE ? =11.73
At Ft
Bulan Sales Forecast |At – Ft| (At – Ft)2
1 220 n/a
2 250 255 5 25
3 210 205 5 25
4 300 320 20 400
5 325 315 10 100
= 550
 Pengukuran Kesalahan
t At Ft et |et| e t2
1. Mean Absolute Deviation
(MAD)
Jan 120 100 20 20 400
n

e t
84
Feb 90 106 -16 16 256
MAD  1 = 14
n
Mar 101 102 -1 1 1
6
2a. Mean Squared Error
April 91 101 -10 10 100 (MSE)
n
May 115 98 17 17 289 
 te  2

MSE  1 1,446
June 83 103 -20 20 400 n = 241
6
-10 84 1,446 2b. Root Mean Squared Error
(RMSE)
Sebuah sistem peramalan yang akurat akan memiliki MAD kecil ,
MSE dan RMSE ; idealnya sama dengan nol . Sebuah kesalahan RMSE  MSE
besar dapat menunjukkan bahwa baik dengan metode forecasting
yang digunakan atau parameter seperti α yang digunakan dalam
= SQRT(241)
metode ini salah . Catatan : Dalam contoh di atas , n adalah jumlah =15.52
periode , yaitu : 6 bulan
Pertanyaan
1. Darimana pengetahuan tentang peramalan
berasal? ( Kelompok 1 )

2. Bagaimana seharusnya Anda mengurai struktur

permasalahan dalam forecasting ? ( Kelompok 3 )

3. Metode apa yang biasa digunakan untuk peramalan

? (Kelompok 4 )

4. Bisa perubahan di pasar saham secara akurat

diramalkan ? ( Kelompok 5 )

5. Akankah forecast mempengaruhi keputusan

orang ? ( Kelompok 6 )