KELOMPOK 4

ADHARI WIJAYA 1810931040

MUHAMMAD AFIF 1810933011
M.DHAFFA ANSHORY 1810933021
 Step 1

Buat plot data permintaan terhadap waktu

Step 2

Langkah- Tentukan beberapa metoda peramalan

langkah
Peramalan Step 3

Evaluasi kesalahan

Step 4

Pilih metoda yang terbaik dengan tingkat kesalahan terkecil

TIPE POLA DATA
TIPE POLA DATA
 METODE
PERAMALAN
Pola Data Horizontal
 Moving Averages
Fogarthy Biegel
Metode moving averages merupakan metode Moving average adalah jumlah dari permintaan
peramalan pada periode berikutnya dengan periode lalu dibagi dengan jumlah permintaan
mencari rata-rata permintaan actual pada yang termasuk dalam jumlah
periode sebelumnya 𝑚
MA = 𝑑𝑡ൗ
෍ 𝑘
𝐷𝑖 + 𝐷𝑖+1 + 𝐷𝑖+2 + 𝐷𝑖+𝑛 𝑡=𝑚−𝑘+1
𝐷𝑖 = = 𝐹𝑖
𝑛
Dimana, dt = permintaan periode ke-t
Dimana, Di = Permintaan Aktual k = banyak periode
Fi = Peramalan Permintaan
 Exponential Smoothing
Exponential smoothing merupakan peramalan berdasarkan dengan kesalahan peramalan.
Metode ini tidak membutuhkan data sebanyak moving average.
Fogarthy Bedworth
𝐹𝑛+1 = 𝛼𝐷𝑛 + (1 − 𝛼)𝐹𝑛 Ŷ 𝑡 = 𝛼𝑌 𝑡 + 1 − 𝛼 Ŷ (𝑡 − 1൯

Ŷ(t) = exponential smoothing average

Fn = Peramalan untuk periode n Y(t) = data historis actual
2
Dn = Permintaan actual untuk periode n α = konstanta pemulusan α =𝑁+1

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

d’t = nilai prediksi

 Box-Jenkins Approach
Autoregressive Process Moving Average Process
𝑌𝑡 = 𝐾 + ∅1 𝑌𝑡−1 + ∅2 𝑌𝑡−2 +∅3 𝑌𝑡−3 +∅𝑝 𝑌𝑡−𝑝 + 𝜀𝑡 𝑌𝑡 = µ + 𝜀𝑡 − ∅1 𝜀𝑡−1 +∅2 𝜀𝑡−2 − ⋯ − ∅𝑝 𝜀𝑡−𝑞

Dimana, Dimana,

• ∅𝑖 : Rangkaian parameter kecocokan µ = rata-rata

• K : Konstanta ∅𝑖 : Rangkaian parameter kecocokan

𝜀𝑡 : Komponen kesalahan acak
• 𝜀𝑡 : Komponen kesalahan acak
 Contoh Soal Pola Data Horizontal
Month J F M A M J J A S O N D Total
Demand 90 111 99 89 87 84 104 102 95 114 103 113 1191

Berdasarkan table diatas kita dapat menyimpulkan dengan grafik seperti di bawah ini :
 Penyelesaian

Constant Forecaster (Biegel)

Kita menggunakan rumus terbaik dari demand constant forecaster:
𝑑𝑡′ = 𝑑ҧ
𝑇𝑜𝑡𝑎𝑙 𝑑𝑒𝑚𝑎𝑛𝑑 1191
𝑑𝑡′ = 𝑟𝑎𝑡𝑎 − 𝑟𝑎𝑡𝑎 𝑝𝑒𝑟𝑚𝑖𝑛𝑡𝑎𝑎𝑛 = = = 99,25
𝑁𝑢𝑚𝑏𝑒𝑟 𝑜𝑓 𝑝𝑒𝑟𝑖𝑜𝑑𝑠 12
Rumus ini berkaitan dengan produksi, maka dari itu nilai dari produksi tersebut dibulatkan
menjadi 99 untuk periode selanjutnya
Asumsi perkiraan kesalahan dalam peramalan constant

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

J 104 92 135.15 Menghitung nilai kesalahan peramalan

A 102 93 75.04 σ𝑁 ෠ 𝑡 |
𝑡=1 |𝑌 𝑡 −𝑌 103
S 95 94 2.24
MAD = = = 8,6 unit
𝑁 12
O 114 96 340.29 σ𝑁 ෠ 𝑡 )2
𝑡=1(𝑌 𝑡 −𝑌 1181
MSE = 𝑁
= 12
= 98,41
N 103 96 44.92
D 113 98 225.96 100 𝑌 𝑡 −𝑌෠ 𝑡 100
MAP = σ𝑁
𝑡=1[ ]= . 1,05 = 8,75 unit
𝑁 𝑌 𝑡 12
88
total 1191 1304.90
Pola Data Trend
 Regresi Linear

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)

Exponential smoothing Regresi

Turunan rumus : ෠
Ŷ 𝑡 = â + 𝑏𝑡 σ𝑁 2 𝑁 ෠ 2
𝑡=1 𝑒 𝑡 = σ𝑡=1[ 𝑌 𝑡 − â − 𝑏𝑡]
Diketahui : 2
α =𝑁+1
 Quadratic Model (Bedworth)

Regresi Exponential smoothing

𝑁 𝑁
෠ + ĉ𝑡 2
Ŷ 𝑡 = â + 𝑏𝑡
෠ − ĉ𝑡 2 ]2
෍ 𝑒 2 𝑡 = ෍[ 𝑌 𝑡 − â − 𝑏𝑡
𝑡=1 𝑡=1

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

150 Penjualan (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

Rumus 𝐹𝑛 = (𝐵𝑛−1 + 𝑖𝑇𝑛−1 )𝑆𝑛−𝑝

Bn = permintaan pada periode-n

Tn= perkiraan slop pada periode-n
Sn= indeks musiman
i = periode di masa dating
p = periode dalam 1 tahun
 Linear-Cyclic Forecaster (Biegel)
2𝜋 2𝜋
Rumus 𝑑 ′ = 𝑎 + 𝑏𝑡 + 𝑢 cos 𝑡 + 𝑣 sin 𝑡
𝑁 𝑁
 Contoh soal trend seasonal

Berikut adalah data permintaan perusahaan XYZ

Metode linier cyclic

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, dapat menggunakan rumus

standar deviasi
• 𝑠=
ത 2
σ(𝑑−𝑑)
(𝑛−1)
The Estimate of Error in the Linear 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:

• Mean Absolute Deviation (MAD):

σ𝑁 ෠ 𝑡 |
𝑡=1 |𝑌 𝑡 −𝑌
MAD =
𝑁
• Mean Squared Error (MSE):
σ𝑁 ෠ 𝑡 )2
𝑡=1(𝑌 𝑡 −𝑌
MSE =
𝑁
• Mean Absolute Percent Error (MAP):
100 𝑌 𝑡 −𝑌෠ 𝑡
MAP = σ𝑁
𝑡=1[ ]
𝑁 𝑌 𝑡
Thank You 