Step 2
Evaluasi kesalahan
Step 4
α = konstanta pemulusan 2
α =𝑁+1
Constant Forecaster (Biegel)
Turunan rumus : 𝑑𝑡′ = 𝑎
𝑛
2
𝐸 = 𝑑𝑡 − 𝑎
1
𝑛
𝑑𝑡
𝑎= = đ
𝑛
1
𝑑𝑡′ = đ
Dimana, Dimana,
Berdasarkan table diatas kita dapat menyimpulkan dengan grafik seperti di bawah ini :
Penyelesaian
Dalam kasus ini, untuk menghitung kesalahan dalam peramalan bisa menggunakan standar deviasinya :
σ(𝑑−𝑑)2
𝑠= 𝑛−1
(90−99)2 +(111−99)2 +(99−99)2 +(89−99)2 +(87−99)2 +(84−99)2 +(104−99)2 +(102−99)2 +(95−99)2 +(114−99)2 +(103−99)2 +(113−99)2
• 𝑠=
12−1
=
1180.25
𝑠=
11
s= 10,4
Jadi, nilai kesalahan peramalan adalah 10,4 unit
Moving Average (Forgathy)
Month Demand Forecast Error Square
J 90 𝐷10 +𝐷11 +𝐷12 330
𝐷13 = = = 110
F 111 3 3
M 99
A 89 100 121
Menghitung nilai kesalahan peramalan
M 87 100 160 𝑁 2
(𝐷𝑛 − 𝑑) 1181
J 84 92 59
𝑠2 = = = 98,41
J 104 87 300 𝑁 12
A 102 92 107 𝑛=1
S 95 97 3 𝑠 = 9,92 unit
O 114 100 187
N 103 104 0
D 113 104 81
110
total 1191 1018
Eksponential Smoothing (Bedworth)
Error
Month Demand Forecast Square
J 90 90
F 111 92 357.21 2 2
𝑌 𝑡 = 𝛼𝑌 𝑡 + 1 − 𝛼 𝑌 𝑡 − 1 𝛼= 𝑁+1
= 13
M 99 93 38.56
A 89 92 11.63 𝑌 12 = 𝛼𝑌 12 + 1 − 𝛼 𝑌 12 − 1
M 87 92 23.72 2 11
𝑌 12 = . 113 + . 98 = 100,307
J 84 91 50.17 13 13
Dimana
F(t) = Peramalan periode ke-t
D(t) = Permintaan periode ke-t
a=tingkat permintaan
b=factor trend permintaan (slope)
N= Jumlah periode (data)
Linear Forecaster (Biegel)
Turunan rumus : 𝑑𝑡′ = 𝑎 + 𝑏𝑡
Diketahui : 𝑎=
2 2𝑛 + 1 σ 𝑑 − 6 σ 𝑑 𝑡
𝑛(𝑛 − 1)
6 2 σ 𝑑𝑡 − (𝑛 + 1 σ 𝑑 )
𝑏=
𝑛(𝑛2 − 1)
d’t = nilai prediksi
n = total periode
Linear Model (Bedworth)
σ𝑁
𝑡=1 𝑌(𝑡) σ𝑁
𝑡=1 𝑡 σ𝑁
𝑡=1 𝑡
2
𝑎ො = −𝑏 − 𝑐Ƹ
𝑁 𝑁 𝑁
𝛾𝛿 − 𝜃α
𝑏 =
𝛾𝛽 − 𝛼 2
𝜃 − 𝑏 𝛼
𝑐Ƹ =
𝛾
CONTOH SOAL
Berikut data penjualan pada 1 tahun terakhir
Bulan Penjualan
J 120
F 135
M 122
A 160
M 140
J 190
J 165
A 200
S 240
O 205
N 300
D 330
Tentukan peramalan penjualan pada bulan ke-13!
Penyelesaian
• Plot data
350
300
250
200
Unit
100
50
0
1 2 3 4 5 6 7 8 9 10 11 12
Bulan
Menggunakan regresi linear
𝑁 σ𝑁 𝑁 𝑁 F(t) = a + bt
t d(t) t(dt) t^2 𝑡=1 𝑡. 𝑑(𝑡) − σ𝑡=1 𝑑(𝑡) σ𝑡=1 𝑡
𝑏=
1 120 120 1 𝑁 σ𝑁 2 𝑁
𝑡=1 𝑡 − σ𝑡=1 𝑡
2 F(t) = 181,045456+ 1,723776t.
2 135 270 4 12(17461) − 2307(78) Untuk mencari permintaan pada bulan ke-13 masukkan ke
3 122 366 9
𝑏= persamaan di atas
12 650 − 782
4 160 640 16 2958 𝐹 13 = 181,045456 + 1,723776 13
5 140 700 25 𝑏=
1716 F(13) = 203
6 190 1140 36 𝑏 = 1,723776 Jadi, peramalan untuk bulan ke-13 akan ada sekitar 203 permintaan
7 165 1155 49 produk.
8 200 1600 64
σ𝑁 𝑁
𝑡=1 𝑑(𝑡) − 𝑏 σ𝑡=1 𝑡
9 240 2160 81 𝑎=
𝑁
10 205 2050 100
2307 − 1,723776(78)
11 300 3300 121 𝑎=
12
12 330 3960 144
𝑎 = 181,045456
Total 2307 17461 650
Menggunakan Quadratic Model
σ 𝑡 𝑑(𝑡) σ 𝑑 𝑡 −𝑐 σ 𝑡 2
t d(t) t x d(t) t2 t2 x d(t) t4 𝑏 = σ 2 𝑎ො =
𝑡 𝑛
1 120 120 1 120 1 17461 2307−1,346598(650)
𝑏 = 𝑎ො =
2 135 270 4 540 16 650 12
3 122 366 9 1098 81 𝑏 = 26,8631 𝑎ො = 119,309275
4 160 640 16 2560 256
5 140 700 25 3500 625
6 190 1140 36 6840 1296 𝑛 σ 𝑡 2 𝑑 𝑡 − σ 𝑡 2 σ 𝑑(𝑡)
𝑐Ƹ =
7 165 1155 49 8085 2401 𝑛 σ 𝑡4 − σ 𝑡2 2
8 200 1600 64 12800 4096 12 159303 − 650(2307)
9 2160 81 19440 6561 𝑐Ƹ =
240 12 60710 − 6502
10 205 2050 100 20500 10000
𝑐Ƹ = 1,346598
11 300 3300 121 36300 14641
12 330 3960 144 47520 20736
Total 78 2307 17461 650 159303 60710 + 𝑐𝑡Ƹ 2
Y(t) = 𝑎ො + 𝑏𝑡
Y(t) = 119,309275 + 26,8631 𝑡 + 1,346598 𝑡 2
Y(13) = 119,309275 + 26,8631 13 + 1,346598 13 2
Y(13) = 696,10464
Menggunakan Linear Forecaster
t d k h hk d' e e2 sse
1 120 -72.25 -5 361.25 97 22.57692 509.7175
2 135 -57.25 -4 229 115 20.33566 413.5392
3 122 -70.25 -3 210.75 132 -9.90559 98.1208
4 160 -32.25 -2 64.5 149 10.85315 117.7908
5 140 -52.25 -1 52.25 166 -26.3881 696.3324
6 190 -2.25 0 0 184 6.370629 40.58492
7 165 -27.25 1 -27.25 201 -35.8706 1286.702
29.20604
8 200 7.75 2 15.5 218 -18.1119 328.0405
9 240 47.75 3 143.25 235 4.646853 21.59324
10 205 12.75 4 51 253 -47.5944 2265.227
11 300 107.75 5 538.75 270 30.16434 909.8871
12 330 137.75 6 826.5 287 42.92308 1842.391
Total 2307 0 6 2465.5 8529.927
192.25
Pola Data Musiman
Time Series Decomposition (fogarthy)
5 Langkah pendekatan biasa terhadap dekomposisi deret waktu.
1. Menghitung rata-rata tengah 12 bulan
2. Memperkirakan indeks musiman menggunakan rasio permintaan actual
dengan rata-rata bergerak tengah 12 bulan.
3. Mencocokkan satu baris dengan “deseasonalized data”.
4. Mengekstrapolasi garis yang ditemukan pada langkah 3 ke masa depan,
memberikan perkiraan tentang seperti apa permintaan jika musiman tidak ada
5. Melipatgandakan setiap nilai perkiraan yang dinasionalisasi dengan indeks
musiman.
Linear seasonal forecasting (Bedworth)
Rumus: ൯
Ŷ 𝑑, 𝑡 = 𝑓𝑑 (â + 𝑏𝑡
Dimana:
d = periode siklus
t = siklus
â = estimasi intersep
= estimasi kemiringan
f d,t = vektor musiman
Cyclic Forecasting
Bedworth Biegel
Rumus: Rumus:
2𝜋𝑡 2𝜋𝑡 2𝜋 2𝜋
Ŷ 𝑡 = 𝐴 + 𝐵𝑡 sin + 𝐶 + 𝐷𝑡 cos 𝑑′ = 𝑎 + 𝑢 𝑐𝑜𝑠 𝑡 + 𝑣 sin 𝑡
𝑝 𝑝 𝑁 𝑁
A, B, C, D = koefisien amplitude N= jumlah periode per siklus
P = periode paling signifikan
Pola Data Trend-
Musiman
Winters Three Factor Model (Fogarthy)
Metode model ini merupakan metode yang paling dan lebih disukai untuk
meramalkan item dengan dolar tinggi
2 2
d ' a bt u cos t v sin t
N N
d ' 495,6 5,7t 10,8 cos t 4,9 sin t
6 6
( D(t ) F (t )) 2 D(t ) F (t )
MSE MAD
n n
56378 820
MSE MAD
12 12
MSE 4698,167 MAD 68,333
D(t ) F (t )
MAPE x100%
D(t )
637,46%
MAPE
12
MAPE 53145,48%
Metode winter’s
x
Bn = α(S n ) + (1-α) (Bn−1+ Tn−1 )
n−p
Tn = β(Bn − Bn−1 ) + (1-β) Tn−1
𝑋
Sn = ɤ(𝐵𝑛) + (1-ɤ) Sn−𝑝
𝑛
Fn = (𝐵𝑛−1 + 𝑖𝑇𝑛−1 ) (Sn − Sn -1)
F5 = (136+4) (0.9)=126
Metode linier cyclic
2 2
F a bt u cos t v sin t
N N
Evaluasi Error
The Estimate of Error in the Constant
Forecaster (Biegel)
• Untuk menghitung nilai eror dari permalan secara linear, dapat menggunakan
rumus standar deviasi juga sebagai rumus sebagai berikut
σ(𝑑𝑡 −𝑑𝑡′ )2
• 𝑠𝑑𝑡 =
(𝑛−2)
Forecast Errors in Inventory Systems
(Fogarthy)
F = a + bt + r
Kita tahu bahwa d = a + bt
D = a + bt + r
D–d=r
D – F = r = eror
Forecast Error Analysis (Bedworth)
Eror peramalan pada periode berbeda antara nilai data sesungguhnya, Y(t), dan
nilai peramalan pada periode, 𝑌 𝑡 :
𝑒 𝑡 = 𝑌 𝑡 − 𝑌(𝑡)
Jumlah kesalahan,
σ𝑁
𝑡=1 𝑒(𝑡) = σ 𝑁
𝑡=1[𝑌 𝑡 − 𝑌 𝑡 ]
Untuk mengeleminasi masalah dimana nilai e(t) positif besar mengimbangi nilai e(t)
negatif besar, beberapa alternatif digunakan: