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
Quantitative
Forecasting
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
baris
variasi permintaan
acak aktual
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 .
Ft 1 = w1A t + w 2 A t -1 + w 3A t -2 + ... + w n A t -n 1
6 32/6 = 5.333
3a. Exponential Smoothing
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
Bagaimana menentukan α
tergantung pada penekanan dimana Anda
ingin menempatkan pada data terbaru
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
t =1
MSE =
n
Contoh : MAD A
t=1
t - Ft = 40 =10
MAD = 4
n
t =1 = 550 =137.5
Contoh : MSE/RMSE MSE =
n 4
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 )