Step 2
Evaluasi kesalahan
Step 4
MA = 𝑑𝑡ൗ
𝑘
𝐷𝑖−1 + 𝐷𝑖−2 + 𝐷𝑖−3 𝑡=𝑚−𝑘+1
𝐷𝑖 = = 𝐹𝑖
3
Dimana, dt = permintaan periode ke-t
k = banyak periode
Dimana, Di = Permintaan Aktual
Fi = Peramalan Permintaan
Exponential Smoothing
Exponential smoothing merupakan uatu metode peramalan rata-rata bergerak yang memberikan bobot secara
eksponensial kepada data terbaru sehingga data tersebut akan mendapatkan bobot lebih besar. 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
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,
180
160
140
120
100
80
60
40
20
0
Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember
1. Konstan Forecaster
σ𝑛
𝑡=1 𝐷(𝑡)
𝐹 𝑡 =𝑎 ; 𝑎=
𝑁
Bulan D(t) F(t) (D(t)-F(t)) │D(t)-F(t)│ (𝐃(𝐭) − 𝐅(𝐭))𝟐 MAPE TS
100 σ𝑁
𝑡=1 │𝐷 𝑡 −𝐹(𝑡)│ Oktober 159 162.917 -3.917 3.917 15.34028 2 -1
MAPE = 𝑁 𝐷(𝑡)
November 168 162.917 5.083 5.083 25.84028 3 1
= 5.7287
Desember 174 162.917 11.083 11.083 122.84028 6 1
Total 1955 1955 0.000 107.333 1688.917 68.744
162.9
Rata-rata 162.917 0 8.9444 140.7431 5.7287
17 ADD A FOOTER
14
2. Moving Average Error (D(t)- Absolut │D(t)- (𝐃(𝐭) − 𝐅(𝐭))𝟐
Bulan D(t) F(t) MAPE TS
F(t)) F(t)│
D(jan) +D(feb) +D(mar)
F(𝑎𝑝𝑟𝑖𝑙) = 3
Januari 146 - - - - - -
ADD A FOOTER Rata-rata 162.917 162.889 5.556 10.222 132.988 15 6.100 0.556
3. Exponensial Smothing
Absolut (𝐃(𝐭) − 𝐅(𝐭))𝟐
Bulan D(t) α F(t) Error (D(t)-F(t)) MAPE TS
𝐹𝑛+1 = 𝛼𝐷𝑛 + 𝐹𝑛 (1 − 𝛼) │D(t)-F(t)│
σ𝑁
𝑡=1(𝐷 𝑡 −𝐹 𝑡 )
2 Juni 170 0.18 151.9688 18 18.031 325 10017.332 1
MSE = 𝑁 Juli 180 0.18 155.2144 25 24.786 614 13769.768 1
2168 Agustus 164 0.18 159.6758 4 4.324 19 2402.321 1
= = 12.619
12
September 172 0.18 160.4542 12 11.546 133 6414.347 1
100 σ𝑁
𝑡=1 │𝐷𝑡 −𝐹(𝑡)│
MAPE = 𝑁 𝐷(𝑡)
Oktober 159 0.18 162.5324 -4 3.532 12 1962.457 -1
ADD A FOOTER 16
Pola Data Trend
Regresi Linear
𝐹 𝑡 = 𝑎 + 𝑏(𝑡)
σ𝑁 𝑁
𝑡=1 𝐷(𝑡) − 𝑏 σ𝑡=1 𝑡
𝑎=
𝑁
𝑁 σ𝑡=1 𝑡 𝐷 𝑡 − σ𝑁
𝑁 𝑁
𝑡=1 𝐷(𝑡) σ𝑡=1 𝑡
𝑏=
𝑁 σ𝑁 2 𝑁
𝑡=1 𝑡 − σ𝑡=1 𝑡
2
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.
Time Series Decomposition (fogarthy)
Time series decomposition menjelaskan tentang bagaimana seri waktu diuraikan menjadi trend, musiman, dan siklis
dimana seri itu dibuat. Setiap komponen diidentifikasi secara terpisah sehingga pola serial waktu dapat digunakan untuk
peramalan kegiatan masa depan baik untuk jangka pendek maupun jangka panjang. Dekomposisi mengasumsikan bahwa
data dibentuk seperti berikut ini:
Data = Pola + Error
= fungsi (trend, musiman, siklis) + Error
Apabila gerakan trend, musiman, siklis dan error masing-masing diberi simbol T, S, C dan I maka data serial waktu Y
merupakan hasil kali dari 4 komponen tersebut, yaitu:
Y = T x S x C x I
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
Contoh Soal :
Dibawah ini adalah data permintaan outboard motors pada perusahaan X pada tahun 2017. Tentukan peramalan
permintaan pada tahun 2018
Bulan J F M A M J J A S O N D Total
140
120
100
Permintaan
80
60
Permintaan
40
20
0
J F M A M J J A S O N D
Bulan
32
Penyelesaian : 1176
d a 98
Bulan Permintaan t k=d-98 h=t-6 hk sin π/6 t cos π/6t d' 12
Januari 72 1 -26 -5 130 0.5000 0.87 82
t t
Februari 83 2 -15 -4 60 0.8660 0.50 87 k 16,3 cos 3,3 sin
Maret 92 3 -6 -3 18 1.0000 0.00 95 6 6
April 107 4 9 -2 -18 0.8660 -0.50 103 t t
d ' 98 16,3 cos 3,3 sin
May 114 5 16 -1 -16 0.5000 -0.87 110 6 6
Juni 129 6 31 0 0 0.0000 -1.00 114 140
Juli 91 7 -7 1 -7 -0.5000 -0.87 114 120
Agustus 108 8 10 2 20 -0.8660 -0.50 109 100
Permintaan
September 116 9 18 3 54 -1.0000 0.00 101 80
Bulan 33
Analisa Error :
Error2 D(t ) F (t ) ( D(t ) F (t )) 2
Bulan Permintaan (d) d' Error PE MFE MSE
Januari 72 82 -10 100 13,88%
n n
0
Februari 83 87 -4 16 4,81% MFE MSE
1490
12 12
Maret 92 95 -3 9 3,26%
MFE 0 MSE 124,1667
April 107 103 4 16 3,73%
May 114 110 4 16 3,50%
Juni 129 114 15 225 11,62%
Juli 91 114 -23 529 25,27%
D(t ) F (t ) ( D(t ) F (t )) 2
Agustus 108 109 -1 1 0,92% MAPE x100% SEE
September 116 101 15 225 12,93%
D(t ) n 1
115,98% 1490
Oktober 79 93 -14 196 17,72% MAPE MSE
November 92 86 6 36 6,52%
12 12 1
MAPE 9,67% SEE 11,6385
Desember 93 82 11 121 11,82%
Total 1176 1176 0 1490 115,98%
Rata-rata 0 124 9,67% 34
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
Nilai error
( 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 ]
Forecast Error Analysis
σ𝑁
𝑡=1(𝑌 𝑡 −𝑌 𝑡 )
2
MSE = 𝑁
48
Forecast Error Measurement
σ𝑁
𝑡=1 |𝑌 𝑡 −𝑌 𝑡 |
MAD =
𝑁
100 𝑌 𝑡 −𝑌 𝑡
MAP = σ𝑁
𝑡=1[ ]
𝑁 𝑌 𝑡
49
Tracking Signal
Tracking Signal adalah suatu ukuran bagaimana baiknya suatu peramalan memperkirakan nilai-nilai aktual. Nilai Tracking Signal dapat
dihitung dengan menggunakan rumus sebegai berikut.
Tracking signal yang positif menunjukan bahwa nilai aktual permintaan lebih besar daripada ramalan, sedangkan tracking signal yang negatif
berarti nilai aktual permintaan lebih kecil daripada ramalan
50
Contoh :
Tracking
Aktual Forecast Eror ei ∑(ei) ∑ |ei|
Signal
150 153 -3 -3 3 -1,00 𝐸(𝑒𝑖)
Tsi =𝑀𝐴𝐷𝑖
146 155 -9 -12 12 -1,00
156 147 9 -3 21 -0,14 −3
152 145 7 4 28 0,14 Ts1 = = -1
3
145 155 -10 -6 38 -0,16
4
146 154 -8 -14 46 -0,30 Ts4= = = 0,14
28
153 148 5 -9 51 -0,18
157 146 11 2 62 0,03
Thank You