1. Ketersediaan data
2. Time horizon atas forecast yang dilakukan
3. Akurasi yang dibutuhkan
4. Sumber daya yang dibutuhkan
Quantitative Forecasting Methods
Quantitative
Forecasting
2. Moving 3. Exponential
1. Naive
Average Smoothing
a) simple a) level
b) weighted b) trend
c) seasonality
Time Series Models
Random Trend
Seasonal Composite
Permintaan Produk dari Waktu ke
Waktu
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
A t + A t -1 + A t -2 + ... + A t -n 1
Ft 1 =
n
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
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
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
= 2 periode 3 periode
Periode awal
sebelumnya sebelumnya
(1 - ) (1 - )2
n
t t
A - F 2
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
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
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
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
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