Quantitative Forecasting

Dr. Fitri ismiyanti, SE, MSi

Bagaimankah kita harus memilih model
forecasting?

1. Ketersediaan data
2. Time horizon atas forecast yang dilakukan
3. Akurasi yang dibutuhkan
4. Sumber daya yang dibutuhkan
 Quantitative Forecasting Methods
Quantitative
Forecasting

Time Series Regression

Models Models

2. Moving 3. Exponential
1. Naive
Average Smoothing
a) simple a) level
b) weighted b) trend
c) seasonality
Time Series Models

 Mencoba memprediksikan masa depan

berdasarkan data di masa lalu

› Berasumsi bahwa faktor yang berpengaruh di masa lalu

akan terus berpengaruh di masa mendatang
Komponen Model Time Series

Random Trend

Seasonal Composite
 Permintaan Produk dari Waktu ke
Waktu
Permintaan akan produk/jasa

Tahun Tahun Tahun Tahun

1 2 3 4
 Permintaan Produk dari Waktu ke
Waktu
Trend component
Seasonal peaks
Permintaan akan produk/jasa

Actual demand
Random line
variation
Tahun Tahun Tahun Tahun
1 2 3 4
Berikut merupakan pendekatan time series untuk forecasting…
Borrowed from Heizer/Render - Principles of Operations Management, 5e, and Operations Management, 7e
Quantitative Forecasting Methods
Quantitative
Time Series
Models

Models

2. Moving 3. Exponential
1. Naive
Average Smoothing
a) simple a) level
b) weighted b) trend
c) seasonality
 1. Naive Approach

 Permintaan di periode berikutanya sama dengan

permintaan pada periode terakhir
Penjualan bulan Mei = 48 →
Forecast untuk Juni = 48

 Pada umumnya tidak bagus

 2a. Simple Moving Average
 Berasumsi bahwa rata-rata merupakan estimator
yang baik untuk masa depan
› Menggunakan sedikit tren atau tidak sama sekali
› Digunakan untuk smoothing

A t + A t -1 + A t -2 + ... + A t -n 1
Ft 1 =
n

Ft+1 = Forecast untuk periode berikutnya, t+1

n = Jumlah periode yang dirata-rata
A t = Actual occurrence pada periode t
 A t + A t -1 + A t -2 + ... + A t -n 1
Ft 1 =
n

2a. Simple Moving Average

Anda adalah manajer pada departemen electronics di Amazon. Anda hendak
mengestimasi penjualan ipod untuk bulan 4-6 dengan menggunakan 3-period
moving average.

Sales
Month (000)
1 4
2 6
3 5
4 ?
5 ?
6 ?
 A t + A t -1 + A t -2 + ... + A t -n 1
Ft 1 =
n

2a. Simple Moving Average

Anda adalah manajer pada departemen electronics di Amazon. Anda hendak
mengestimasi penjualan ipod untuk bulan 4-6 dengan menggunakan 3-period
moving average.

Sales Moving Average

Month (000) (n=3)
1 4 NA
2 6 NA
3 5 NA
4 ? (4+6+5)/3=5
5 ?
6 ?
 2a. Simple Moving Average
Bagaimana jika penjualan ipod pada bulan 4
sebesar 3?

Sales Moving Average

Month (000) (n=3)
1 4 NA
2 6 NA
3 5 NA
4 3? 5
5 ?
6 ?
 2a. Simple Moving Average
Forecast untuk bulan 5?

Sales Moving Average

Month (000) (n=3)
1 4 NA
2 6 NA
3 5 NA
4 3 5
5 ? (6+5+3)/3=4.667
6 ?
 2a. Simple Moving Average
Actual Demand pada bulan 5 = 7

Sales Moving Average

Month (000) (n=3)
1 4 NA
2 6 NA
3 5 NA
4 3 5
5 ?7 4.667
6 ?
 2a. Simple Moving Average
Forecast untuk bulan 6?

Sales Moving Average

Month (000) (n=3)
1 4 NA
2 6 NA
3 5 NA
4 3 5
5 7 4.667
6 ? (5+3+7)/3=5
2b. Weighted Moving Average
 Memerikan pembobotan yang lebih pada data terbaru

Ft 1 = w1A t + w 2 A t -1 + w 3A t -2 + ... + w n A t -n 1
 Bobot
› Semakin kecil untuk data lama
› Jumlahnya adalah 1.0

Simple
Simplemoving
moving
average
averagemodel
model
membobot
membobotsemua
semua
periode sebelumnya
periode sebelumnya
secara
secarasama
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

Month Sales Weighted

(000) Moving
Average
1 4 NA
2 6 NA
3 5 NA
4 ? 31/6 = 5.167
5 ?
6 ?
 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

Month Sales Weighted

(000) Moving
Average
1 4 NA
2 6 NA
3 5 NA
4 3 31/6 = 5.167
5 7 25/6 = 4.167
6 ? 32/6 = 5.333
 3a. Exponential Smoothing
 Berasumsi bahwa obevervasi terakhir yang dilakukan
memiliki nilai prediksi terbaik
› Memberikan pembobotan yang lebih pada periode terbaru

FFt+1
t+1
=
= F
Ftt
+
+ a(A
a(A tt
-
- F
Ft )
t)
Mebutuhkan
Mebutuhkan
et forecast
forecastawal
awalFFt t
Ft+1 = nilai forecast untuk periode t+1 untuk
untukmemulai.
memulai.
At = nilai sesungguhnya pada periode t
 = Smoothing constant
3a. Exponential Smoothing – Contoh
1
i Ai
FFt+1
t+1
=
= F
Ftt
+
+ a(A
a(A tt
-
- F
Ft )
t)
Week Demand
1 820 Berdasarkan
Berdasarkandata
datapermintaan
permintaan
2 775 mingguan
mingguanberikut,
berikut,
3 680 bagaimanakah
bagaimanakahexponential
exponential
4 655 smoothing
smoothinguntuk
untukperiode
periode 2-10
2-10
5 750 dengan menggunakana=0.10?
denganmenggunakan a=0.10?
6 802
7 798 Asumsi
AsumsiFF11=D
=D11
8 689
9 775
10
3a. Exponential Smoothing –
Contoh 1
FFt+1
t+1
=
= F
Ftt
+
+ a(A
a(A tt
-
- F
F t )
t)
i Ai Fi
Week Demand a = 0.1 0.6
1 820 820.00 820.00
2 775 820.00 820.00
F2 = F1+ a(A1–F1) =820+.1(820–820)
3 680 815.50 793.00
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 – Contoh
1
FFt+1
t+1
=
= F
Ftt
+
+ a(A
a(A tt
-
- F
F t )
t)
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 – Contoh
1
FFt+1
t+1
=
= F
Ftt
+
+ a(A
a(A tt
-
- F
F t )
t)
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
4 655 801.95 725.20
5 750 787.26 683.08
6 802 783.53 723.23 Proses ini
7 798 785.38 770.49 berlangsung
hingga
8 689 786.64 787.00
minggu 10
9 775 776.88 728.20
10 776.69 756.28
3a. Exponential Smoothing – Contoh
1
FFt+1
t+1
=
= F
Ftt
+
+ a(A
a(A tt
-
- F
F t )
t)
i Ai Fi
Week Demand a = 0.1 a = 0.6
1 820 820.00 820.00
2 775 820.00 820.00
3 680 815.50 793.00
4 655 801.95 725.20
5 750 787.26 683.08 Bagaimana
6 802 783.53 723.23 bila nilai
7 798 785.38 770.49 a sebesar 0.6
8 689 786.64 787.00
9 775 776.88 728.20
10 776.69 756.28
3a. Exponential Smoothing – Contoh
2
FFt+1
t+1
=
= F
Ftt
+
+ a(A
a(A tt
-
- F
F t )
t)
i Ai Fi
Month Demand a = 0.3 a = 0.6
January 120 100.00 100.00
February 90 106.00 112.00
March 101 101.20 98.80
April 91 101.14 100.12
May 115 98.10 94.65 Bagaimana
June 83 103.17 106.86 bila nilai
July 97.12 92.54 a sebesar 0.6
August
September
 3a. Exponential Smoothing – Contoh
3
Perusahaan
PerusahaanA,A,produser
produserpersonal
personalcomputer
computermembeli
membeligeneric
genericparts
parts
dan
danmerakitnya
merakitnyahingga
hinggamenjadi
menjadifinal
finalproduct.
product.Meksipun
Meksipun
kebanyakan
kebanyakanpesanan
pesananmembutuhkan
membutuhkankustomisasi,
kustomisasi,mereka
mereka
membutuhkan
membutuhkanbanyak
banyakkomponen.
komponen.Oleh
Olehsebab
sebabitu,
itu,manajer
manajer
perusahaan
perusahaanAAmembutuhkan
membutuhkanforecast
forecastatas
ataspermintaan
permintaanagar
agar
mereka
merekadapat
dapatmembeli
membelicomputer
computerparts
partsdan
danmeminimalisasi
meminimalisasibiaya
biaya
inventory
inventorynamun
namuntetap
tetapmemenuhi
memenuhiservice
servicelevel
levelyang
yangdiharapkan.
diharapkan.
Berikut
Berikutmerupakan
merupakandata
datapermintaan
permintaankomputer
komputerselama
selama55bulan
bulan
terakhir
terakhir
3a. Exponential Smoothing – Contoh 3
FFt+1
t+1
=
= F
Ftt
+
+ a(A
a(A tt
-
- F
F t )
t)
i Ai Fi
Month Demand a = 0.3 a = 0.5
January 80 84.00 84.00
February 84 82.80 82.00
March 82 83.16 83.00
April 85 82.81 82.50
May 89 83.47 83.75 Bagaimana
June 85.13 86.38 bila nilai
July ?? ?? a sebesar 0.5
3a. Exponential Smoothing
 Bagaimanakah cara memilih a
› berdasarkan bersarnya titik berat yang diberikan pada
data terbaru

 Kenaikan a membuat forecast lebih sensitif

terhadap data terbaru
 Forecast Effects of
Smoothing Constant 
Ft+1 = F +  (At - Ft)
t

or Ft+1 =  At + (1- ) At - 1 + (1- )2At - 2 + ...

w1 w2 w3
Weights

= 2 periode 3 periode
Periode awal
sebelumnya sebelumnya

(1 - ) (1 - )2

= 0.10 10% 9% 8.1%

= 0.90 90% 9% 0.9%

Menggunakan Metode Forecasting
 Mengumpulkan data historis
 Menentukan model
› Metode moving average
 menentukan n (jumlah periode)
 Untuk weighted moving average: pilih weights
› Exponential smoothing
 Pilih 

 Pilihan harus menghasilkan forecast yang baik

…namun apakah forecast yang ‘baik’?

 A Good Forecast

¨ Nilaierror yang kecil

¨ Error = Permintaan - Forecast
 Pengukuran Atas Forecast Error
et
n

a. MAD = Mean Absolute Deviation A t=1

t - Ft
MAD =
n

n

 t t
A - F  2

b. MSE = Mean Squared Error MSE = t =1

c. RMSE = Root Mean Squared Error RMSE= MSE

 Nilai ideal=0 (tidak terdapat forecasting error)

 n

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

Berapakah
Berapakah nilai
nilai MAD
MAD sesuai
sesuai dengan
dengan data
data
forecast
forecast berikut?
berikut?
At Ft
Month 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
 A - F 
t =1 t t = 550 =137.5
2

Contoh MSE/RMSE MSE =

n 4

Berapkah
Berapkah nilai
nilai MSE?
MSE? RMSE = √137.5
=11.73
At Ft
Month 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 Error
t At Ft et |et| et 2 1. Mean Absolute Deviation
(MAD)
Jan 120 100 20 20 400
n

 et
84
Feb 90 106
-16 16
256 MAD  1 = 14
n
Mar 101 102
6
-1 1 1
2a. Mean Squared Error (MSE)
April 91 101
-10 10 100 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)
Forecast yang akurat akan memiliki nilai MAD, MSE, dan RMSE yang kecil; RMSE  MSE
idealnya sama dengan 0. Error yang besar kemungkinan mengindikasikan bahwa
metode forcasting atau parameter yang digunakan salah. = SQRT(241)
Keterangan: pada contoh di atas, n (jumlah periode) adalah 6
=15.52
Forecast Bias

 Bagaimanakah kita mengetahui apakah forecast

memiliki bias positifatau negatif?

 TS = Tracking Signal
› Tracking signal yang baik memiliki nilai yang
rendah

RSFE  (actual
t
t  forecast t )
TS = =
MAD MAD
30
Quantitative Forecasting Methods
Quantitative
Forecasting

Time Series Regression

Models Models

2. Moving 3. Exponential
1. Naive
Average Smoothing
a) simple a) level
b) weighted b) trend
c) seasonality
 Exponential Smoothing
(continued)
 Menggunakan exponential smoothing untuk
melakukan forecast permintaan hanya dengan
random variations
Ft+1 = Ft + a (At - Ft)
Ft+1 = Ft + a At – a Ft
Ft+1 = a At + (1-a) Ft
 Exponential Smoothing
(continued)
 Menggunakan exponential smoothing untuk
melakukan forecast permintaan hanya dengan
random variations

› Bagaimana bila permintaan berbeda-beda karena

adanya efek random dan tren?
› Bagaimana bila terdapat tren dan seasionality pada
data?
 Analisis Regresi Sebagai Metode
Untuk Forecasting
Analisis regresi melihat hubungan antara 2
variabel. Permintaan akan diforecast
berdasarkan pengetahuan atas
hubungan tersebut dan nilai variable
terkait.

Contoh: Penjualan ban (Y), Penjualan

Autos (X) berhubungan satu sama lain

Apabila kita menganalisa kedua data pada

masa lampau dan menemukan
hubungan diantara keduanya, maka
kita dapat menggunakan hubungan
tersebut untuk meramalkan penjualan
ban dengan memiliki data penjualan
mobil

Bentuk paling sederhana dari sebuah

hubungan adalah linear, oleh
karenanya disebut juga sebagai Salesof Autos(100,000)
regression line.
 Rumus
yy==aa++bbxx

dimana,
dimana,

b
 xy  n x y

 x  nx 2 2

a  y  bx
 Regression – Example
 xy  n x y
yy == aa++ bb X
X b
 x  nx
2 2
a  y  bx

MonthAdvertising Sales X 2 XY
January 3 1 9.00 3.00
February 4 2 16.00 8.00
March 2 1 4.00 2.00
April 5 3 25.00 15.00
May 4 2 16.00 8.00
June 2 1 4.00 2.00
July

TOTAL 20 10 74 38
 Prinsip Umum dalam Forecasting

1. Forecasts lebih akurat untuk kelompok item yang besar

2. Forecasts alebih akurat untuk jangka waktu pendek
3. Setiap forecast harus memiliki estimasi error.
4. Sebelum menggunakan metode forecasting apapun, keseluruhan
sistim harus dipahami terlebih dahulu.
5. Sebelum menggunakan metode forecasting apapun, metode harus
diuji dan dievaluasi terlebih dahulu.
6. Berhati-hatilah terhadap orang-orang; mereka dapat menemukan
kesalahan forecasting dengan mudah