2 Peramalan Kebutuhan

Oleh :
Sidik Nurjaman, ST., MT
sidik.nurjaman@unpas.ac.id

Referensi:
Jay Heizer dan Ram Naresh Roy

7 Langkah Sistem Peramalan

©2019 Teknologi Pangan Universitas Pasundan

https://pangan.unpas.ac.id
 Garis Besar
 Profil Perusahaan Global: Disney World
 Apa itu peramalan?
 Horison waktu peramalan
 Pengaruh dari siklus hidup produk
 Jenis peramalan
 Strategi Penting dalam Peramalan
 Sumber Daya Manusia
 Kapasitas
 Menejemen Rantai Ketersediaan
 Garis Besar
 7 Langkah dalam Sistem Peramalan
 Pendekatan Peramalan
 Tinjauan Metode Kualitatif
 Tinjauan Metode Kuantitatif
 Peramalan Berdasarkan Waktu
 Dekomposisi dari Rangkaian Waktu
 Pendekatan Naive
 Garis Besar
 Peramalan Berdasarkan Waktu (lanjutan)
 Moving Averages
 Exponential Smoothing
 Exponential Smoothing with Trend
Adjustment
 Trend Projections
 Seasonal Variations in Data
 Cyclical Variations in Data
 Garis Besar
 Metode Peramalan Asosiatif: Analisis Regresi
dan Korelasi
 Menggunakan analisis regresi untuk peramalan
 Kesalahan standar estimasi
 Korelasi koefisien untuk kurva regresi
 Multiple-Regression Analysis
 Monitoring and Controlling Peramalan
 Adaptive Smoothing
 Focus Forecasting
 Peramalan di Sektor Layanan
 Tujuan Pembelajaran
Ketika menyelesaikan bab ini diharpkan
mahasiswa dapat :
1. Memahami tiga horizon waktu dan
mengetahui kegunaan dari setiap model
tersebut
2. Menjelaskan kapan harus digunakan model-
model dari 4 model kualitatif
3. Menerapkan konsep peramalan dengan
metode moving average, exponential
smoothing, dan trend
 Tujuan Pembelajaran
Ketika menyelesaikan bab ini diharpkan
mahasiswa dapat :
4. Menghitung 3 pengukuran akurasi
peramalan
5. Mengembangkan indeks musiman
6. Melakukan analisis regresi dan korelasi
7. Menggunakan tracking signal
 Peramalan di Disney World
 Portofolio global mengenai taman bermain yang
ada di Hong Kong, Paris, Tokyo, Orlando, dan
Anaheim
 Penghasilannya didapat dari orang-orang –
berapa banyak pengunjung dan bagaimana
mereka menghabiskan uangnya
 Laporan manajemen harian hanya berisi
peramalan pengunjung dan kehadiran aktual di
setiap taman
 Peramalan di Disney World
 Disney membuat peramalan untuk harian,
mingguan, bulanan, tahunan, dan 5 tahun
 Peramalan yang dibuat digunakan oleh
manajemen tenaga kerja, maintenance, operator,
bagian keuangan, dan tim penjadwalan taman
 Peramalan digunakan untuk menyesuaikan waktu
pembukaan taman, operasi wahana, pertunjukan,
tingkat kepegawaian, dan tamu yang diterima
 Peramalan di Disney World
 20% dari pelanggan datang dari luar Amerika
 Model ekonomi meliputi penjualan produk
domestik, nilai tukar silang mata uang, dan
kedatangan ke AS
 Seorang staf dari 35 analis dan 70 orang
lapangan mensurvei 1 juta tamu taman,
karyawan, dan profesional perjalanan setiap
tahun
 Peramalan di Disney World
 Input untuk model peramalan termasuk
penggunaan maskapai, kebijakan federal, tren
Wall Street, jadwal liburan untuk 3.000 distrik
sekolah di seluruh dunia
 Rata-rata eror dari peramalan untuk 5 tahun
tersebut adalah 5%
 Kesalahan perkiraan rata-rata untuk perkiraan
tahunan adalah antara 0% dan 3%
 Apa itu Peramalan?
 Proses memprediksi
kejadian yang akan
datang
 Dasar dari semua
??
keputusan bisnis
 Produksi
 Inventori
 SDM
 Fasilitas
 Horison Waktu Peramalan
 Peramalan Jangka Pendek
 Biasanya sampai 1 year, umumnya kurang dari 3 bulan
 Purchasing, penjadwalan kerja, level tekanan kerja,
job desc, tingkat produksi
 Peramalan Jangka Menengah
 Waktunya antara 3 bulan sampai 3 tahun
 Perencanaan penjualan dan produksi, perencanaan
anggaran
 Peramalan Jangka Panjang
 Lebih dari 3 tahun
 Perencanaan produk baru, peluasan lokasi,
penambahan fasilitas, penelitian dan pengembangan
 Perbedaan Jenis
Horison Waktu Peramalan

 Medium/long range peramalah yang digunakan

untuk isu yang lebih komprehensif dan
keputusan yang mendukung manajemen
mengenai perencanaan dan produksi, pabrik,
dan proses
 Short-term peramalan seringkali menggunakan
metodologi yang berbeda dengan longer-term
forecasting
 Short-term peramalan cenderung lebih akurat
daripada longer-term forecasts
 Pengaruh Siklus Hidup Produk

Introduction - Pertumbuhan - Kematangan - Penurunan

 Introduction dan pertumbuhan membutuhkan

perkiraan lebih lama dari kematangan dan penurunan
 Saat produk melewati siklus hidup, peramlaan
berguna dalam memproyeksikan
 Tahap kedatangan
 Tahap penyimpanan
 Kapasitas pabrik
 Siklus Hidup Produk
Introduction Pertumbuhan Pematangan Penurunan
Waktu yang tepat Penentuan perubahan Waktu yang buruk Pengaturan harga
untuk meningkatkan harga atau penentuan untuk merubah sangat kritikal
market share image produk gambaran produk,
harga atau kualitas
Peran R&D Strengthen niche Harga pesaing menjadi
engineering sangat hal berbahaya untuk
Company Strategy/Issues

penting posisi pasar

Drive-through
Internet search engines restaurants
CD-ROMs
iPods LCD & plasma
Xbox 360 TVs
Sales
Avatars

Boeing 787 Analog

TVs
Twitter
Figure 2.5
 Siklus Hidup Produk
Introduction Pertumbuhan Pematangan Decline
Desain dan Peramalan sangat Standardisasi Diferensiasi
pengembangan penting Lebih sedikit produk yang
produk sangat Keandalan produk perubahan produk, kecil
penting dan proses lebih banyak Minimalisasi
Produk sering dan Peningkatan dan perubahan kecil biaya
perubahan desain opsi produk yang Kapasitas optimal Kelebihan
proses kompetitif kapasitas dalam
Meningkatkan
Produksi berjalan Tingkatkan stabilitas proses industri
singkat
OM Strategy/Issues

kapasitas Produksi berjalan Pangkas baris

Biaya produksi Fokus beralih ke lama untuk
tinggi produk menghilangkan
Peningkatan produk item yang tidak
Model terbatas Tingkatkan dan pemotongan mengembalikan
Perhatian terhadap distribusi biaya margin bagus
kualitas
Kurangi
kapasitas

Figure 2.5
 Jenis-jenis Peramalan
 Peramalan Ekonomi
 Siklus bisnis - tingkat inflasi, jumlah uang beredar,
perumahan, dll.
 Peramalan Teknologi
 Memprediksi laju kemajuan teknologi
 Dampak pengembangan produk baru
 Peramalan Permintaan
 Memprediksi penjualan barang dan jasa yang ada
 Pentingnya Strategi dari
Peramalan
 Human Resources – Mempekerjakan,
melatih, merumahkan pekerja
 Capacity – Kekurangan kapasitas dapat
menyebabkan pengiriman yang tidak sesuai
planning, kehilangan pelanggan, kehilangan
pangsa pasar
 Supply Chain Management – Hubungan
supplier yang baik dan keuntungan harga
Tujuh Langkah dalam Peramalan
1. Tentukan kegunaan peramalan
2. Pilih item/hal yang akan diramalkan
3. Tentukan horison waktu peramalan
4. Pilih model peramalan
5. Kumpulkan data
6. Buat peramalan
7. Validasi dan terapkan hasilnya
 The Realities!
 Peramalan sangat jarang sekali
sempurna
 Sebagian besar teknik peramalan
mengasumsikan stabilitas yang
mendasari dalam sistem
 Peramalan beberapa produk sejenis
akan lebih akurat dibanding
meramalkan produk secara individu
 Pendekatan Peramalan
Metoda Kualitatif
 Digunakan ketika situasi tidak jelas
dan data yang sedikit
 New products
 New technology
 Melibatkan intuisi, pengalaman
 e.g., Peramalan penjualan di internet
 Pendekatan Peramalan
Quantitative Methods
 Digunakan ketika situasinya 'stabil' dan
ada data secara historis
 Existing products
 Current technology
 Melibatkan Teknik matematika
 e.g., peramalan penjualan televisi
berwarna
 Tinjauan Metode Kualitatif

1. Jury of executive opinion

 Kumpulan pendapat para pakar tingkat
tinggi, terkadang ditambah dengan model
statistik
2. Delphi method
 Panel ahli, menanyakan secara langsung
 Tinjauan Metode Kualitatif

3. Sales force composite

 Taksiran dari masing-masing hasil penjualan
ditinjau untuk kewajaran, kemudian
dikumpulkan
4. Consumer Market Survey
 Menanyakan konsumen secara langsung
 Jury of Executive Opinion
 Melibatkan sekelompok kecil ahli dan manajer
tingkat tinggi
 Grup memperkirakan permintaan dengan
bekerja bersama
 Menggabungkan pengalaman manajerial
dengan model statistik
 Kelebihannya relatif cepat
 Kerugiannya
'Berpikir-kelompok'
 Sales Force Composite

 Setiap tenaga penjualan

memproyeksikan penjualannya
 Digabungkan di tingkat daerah dan
nasional
 Tenaga penjualan mengetahui keinginan
pelanggan
 Cenderung terlalu optimis
 Delphi Method
 Proses kelompok
Decision Makers
berulang, berlanjut (mengevaluasi
respon dan
sampai konsensus membuat
tercapai keputusan)
 3 jenis Staff
(Mengelola survei)

partisipan
 Pembuat keputusan
 Staff
Respondents
 Responden (Orang yang bisa membuat
penilaian penting)
 Consumer Market Survey
 Menanyakan langsung kepada
pelanggan tentang rencana pembelian
 Apa yang dikatakan konsumen, dan apa
yang sebenarnya mereka lakukan
seringkali berbeda
 Terkadang sulit dijawab
 Ikhtisar Pendekatan Kuantitatif

1. Naive approach
2. Moving averages
3. Exponential time-series
models
smoothing
4. Trend projection
5. Linear regression associative
model
 Peramalan Berbasis Waktu

 Data yang ada berupa numerik

 Diperoleh dengan mengamati variabel
respons pada periode waktu reguler
 Peramalan hanya berdasarkan nilai masa
lalu, tidak ada variabel lain yang penting
 Asumsikan bahwa faktor-faktor yang
mempengaruhi masa lalu dan sekarang
akan terus mempengaruhi di masa depan
Komponen Penentuan Waktu

Trend Siklus

Musiman Acak
 Komponen Permintaan
Trend
component
Demand for product or service

Seasonal peaks

Actual demand
line

Average demand
over 4 years

Random variation
| | | |
1 2 3 4
Time (years)
Figure 4.1
 Komponen tren
 Polanya persisten, secara
keseluruhan polanya naik atau turun
 Perubahan karena populasi,
teknologi, usia, budaya, dll.
 Durasinya biasanya beberapa tahun
 Komponen Musiman
 Umumnya naik turun secara
fluktuatif
 Karena cuaca, bea cukai, dll.
 Terjadi dalam satu tahun
Number of
Period Length Seasons
Week Day 7
Month Week 4-4.5
Month Day 28-31
Year Quarter 4
Year Month 12
Year Week 52
 Komponen Siklus
 Mengulangi pola naik dan turun
 Dipengaruhi oleh siklus bisnis, faktor
politik, dan ekonomi
 Durasi beberapa tahun
 Seringkali hubungan kausal atau asosiatif

0 5 10 15 20
 Komponen acak
 Fluktuasi yang tidak menentu, tidak
sistematis, 'residual'
 Karena variasi acak atau peristiwa yang tidak
terduga
 Durasi pendek
dan tidak berulang

M T W T F
 Naive Approach
 Mengasumsikan kebutuhan yang akan
datang sama dengan periode
sebelumnya
 e.g., jika penjualan Januari adalah 68,
maka penjualan Februari akan menjadi
68
 Terkadang hemat biaya dan efisien
 Bisa menjadi titik awal yang baik
 Moving Average Method

 MA adalah serangkaian cara berhitung

 Digunakan kalau trennya kecil atau tidak
sama sekali
 Sering digunakan untuk menghaluskan
 Memberikan kesan keseluruhan data dari
waktu ke waktu
∑ Jumlah permintaan pada n periode
Moving average = n
 Moving Average Example
Actual 3-Month
Month Shed Sales Moving Average

January 10
February 12
March 13
April 16 (10 + 12 + 13)/3 = 11 2/3
May 19 (12 + 13 + 16)/3 = 13 2/3
June 23 (13 + 16 + 19)/3 = 16
July 26 (16 + 19 + 23)/3 = 19 1/3
 Grafik Moving Average
Moving Average
Forecast
30 –
28 –
Actual Sales
26 –
24 –
Shed Sales

22 –
20 –
18 –
16 –
14 –
12 –
10 –
| | | | | | | | | | | |
J F M A M J J A S O N D
 Weighted Moving Average
 Digunakan ketika beberapa tren mungkin ada
 Data yang lebih lama biasanya kurang penting
 Bobot berdasarkan pengalaman dan intuisi

∑ (weight for period n) x (demand in period n)

Weighted
moving average =
∑ weights
 Weights Applied Period
3 Last month
2 Two months ago
1 Three months ago
6 Sum of weights

Actual 3-Month Weighted

Month Shed Sales Moving Average

January 10
February 12
March 13
April 16 [(3 x 13) + (2 x 12) + (10)]/6 = 121/6
May 19 [(3 x 16) + (2 x 13) + (12)]/6 = 141/3
June 23 [(3 x 19) + (2 x 16) + (13)]/6 = 17
July 26 [(3 x 23) + (2 x 19) + (16)]/6 = 201/2
 Potensi Masalah
Moving Average
 Meningkatkan dan memperlancar
perkiraan tetapi membuatnya kurang
sensitif terhadap perubahan
 Jangan memperkirakan tren dengan baik
 Membutuhkan data historis yang luas
 Moving Average And
Weighted Moving Average
Weighted
moving
30 – average
25 –
Sales demand

20 – Actual
sales
15 –
Moving
10 – average

5 –
| | | | | | | | | | | |
Figure 4.2
J F M A M J J A S O N D
 Exponential Smoothing
 Bentuk dari weighted moving average
 Bobot menurun secara eksponensial
 Sebagian besar data terbaru paling berbobot
 Memerlukan smoothing constant ()
 Ranges from 0 to 1
 Dipilih secara subyektif
 Melibatkan sedikit penyimpanan data
masa lalu
 Exponential Smoothing
ru = Peramalan periode sebelumnya
+ a (Permintaan aktual periode terakhir
- Prakiraan periode terakhir)

Ft = Ft – 1 + a(At – 1 - Ft – 1)
Dimana Ft = Peramalan baru
Ft – 1 = Peramalan sebelumnya
a = smoothing (or weighting)
constant (0 ≤ a ≤ 1)
Contoh Exponential Smoothing

Permintaan yang diprediksi = 142 Ford Mustangs

Permintaan actual = 153
Smoothing constant a = .20
Contoh Exponential Smoothing

Permintaan yang diprediksi = 142 Ford Mustangs

Permintaan aktual = 153
Smoothing constant a = .20

Peramalan baru = 142 + .2(153 – 142)

Contoh Exponential Smoothing

Permintaan yang diprediksi = 142 Ford Mustangs

Permintaan actual = 153
Smoothing constant a = .20

Peramalan baru = 142 + .2(153 – 142)

= 142 + 2.2
= 144.2 ≈ 144 cars
 Effect of
Smoothing Constants

Weight Assigned to
Most 2nd Most 3rd Most 4th Most 5th Most
Recent Recent Recent Recent Recent
Smoothing Period Period Period Period Period
Constant (a) a(1 - a) a(1 - a)2 a(1 - a)3 a(1 - a)4

a = .1 .1 .09 .081 .073 .066

a = .5 .5 .25 .125 .063 .031

 Dampak dari perbedaan 

225 –
Actual a = .5
demand
200 –
Demand

175 –
a = .1
| | | | | | | | |
150 –
1 2 3 4 5 6 7 8 9
Quarter
 Dampak dari perbedaan 

225 –
Actual
 Memilih nilai tinggi a = .5
demand ketika
rata-rata
200 – yang
Demand

mendasarinya cenderung
berubah
175 –
Pilih nilai rendah ketika
a = .1
rata-rata yang
mendasarinya
150 –
| | | stabil
| | | | | |
1 2 3 4 5 6 7 8 9
Quarter
 Menentukan 

Tujuannya adalah untuk mendapatkan

perkiraan yang paling akurat terlepas dari
Teknik yang dipakainya
biasanya melakukan ini dengan memilih model
yang memberi kesalahan perkiraan terendah

Forecast error = Actual demand - Forecast value

= At - Ft
Ukuran Kesalahan Umum

Mean Absolute Deviation (MAD)

∑ |Actual - Forecast|
MAD =
n

Mean Squared Error (MSE)

∑ (Forecast Errors)2
MSE =
n
 Ukuran Kesalahan Umum

Mean Absolute Percent Error (MAPE)

n
∑100|Actuali - Forecasti|/Actuali
MAPE = i=1
n
 Perbandingan Kesalahan Peramalan
Rounded Absolute Rounded Absolute
Actual Forecast Deviation Forecast Deviation
Tonnage with for with for
Quarter Unloaded a = .10 a = .10 a = .50 a = .50
1 180 175 5.00 175 5.00
2 168 175.5 7.50 177.50 9.50
3 159 174.75 15.75 172.75 13.75
4 175 173.18 1.82 165.88 9.12
5 190 173.36 16.64 170.44 19.56
6 205 175.02 29.98 180.22 24.78
7 180 178.02 1.98 192.61 12.61
8 182 178.22 3.78 186.30 4.30
82.45 98.62
 Perbandingan Kesalahan Peramalan
∑ |deviations|
Rounded Absolute Rounded Absolute
MADActual
= Forecast Deviation Forecast Deviation
Tonnage n
with for with for
Quarter Unloaded a = .10 a = .10 a = .50 a = .50
1
For a =
180
.10 175 5.00 175 5.00
2 168 = 82.45/8
175.5 = 10.31
7.50 177.50 9.50
3 159 174.75 15.75 172.75 13.75
4 For a 175
= .50 173.18 1.82 165.88 9.12
5 190 173.36 16.64 170.44 19.56
6 205 = 98.62/8
175.02 = 12.33
29.98 180.22 24.78
7 180 178.02 1.98 192.61 12.61
8 182 178.22 3.78 186.30 4.30
82.45 98.62
 Perbandingan Kesalahan Peramalan
∑ (forecast errors)
Rounded
2
Absolute Rounded Absolute
MSE = Actual Forecast Deviation Forecast Deviation
Tonnage n
with for with for
Quarter Unloaded a = .10 a = .10 a = .50 a = .50
1
For a 180
= .10 175 5.00 175 5.00
2 = 1,526.54/8
168 175.5 = 190.82
7.50 177.50 9.50
3 159 174.75 15.75 172.75 13.75
4 For a 175
= .50 173.18 1.82 165.88 9.12
5 190 173.36 16.64 170.44 19.56
6 = 1,561.91/8
205 175.02 = 195.24
29.98 180.22 24.78
7 180 178.02 1.98 192.61 12.61
8 182 178.22 3.78 186.30 4.30
82.45 98.62
MAD 10.31 12.33
 Perbandingan Kesalahan Peramalan
n
∑100|deviation
Rounded i|/actuali Rounded
Absolute Absolute
MAPE =Actual
i=1 Forecast Deviation Forecast Deviation
Tonnage with for with for
Quarter Unloaded a = .10 n a = .10 a = .50 a = .50
1
For a =
180
.10 175 5.00 175 5.00
2 168 = 175.5
44.75/8 = 5.59%
7.50 177.50 9.50
3 159 174.75 15.75 172.75 13.75
4 For a
175= .50 173.18 1.82 165.88 9.12
5 190 173.36 16.64 170.44 19.56
6 205 = 54.05/8
175.02 =29.98
6.76% 180.22 24.78
7 180 178.02 1.98 192.61 12.61
8 182 178.22 3.78 186.30 4.30
82.45 98.62
MAD 10.31 12.33
MSE 190.82 195.24
 Perbandingan Kesalahan Peramalan
Rounded Absolute Rounded Absolute
Actual Forecast Deviation Forecast Deviation
Tonnage with for with for
Quarter Unloaded a = .10 a = .10 a = .50 a = .50
1 180 175 5.00 175 5.00
2 168 175.5 7.50 177.50 9.50
3 159 174.75 15.75 172.75 13.75
4 175 173.18 1.82 165.88 9.12
5 190 173.36 16.64 170.44 19.56
6 205 175.02 29.98 180.22 24.78
7 180 178.02 1.98 192.61 12.61
8 182 178.22 3.78 186.30 4.30
82.45 98.62
MAD 10.31 12.33
MSE 190.82 195.24
MAPE 5.59% 6.76%
Exponential Smoothing with Trend
Adjustment
Ketika tren hadir, smoothing eksponensial
harus dimodifikasi

Forecast Exponentially Exponentially

including (FITt) = smoothed (Ft) + smoothed (Tt)
trend forecast trend
Exponential Smoothing with Trend
Adjustment

Ft = a(At - 1) + (1 - a)(Ft - 1 + Tt - 1)

Tt = b(Ft - Ft - 1) + (1 - b)Tt - 1

Step 1: Menghitung Ft
Step 2: Menghitung Tt
Step 3: Hitung peramalannya FITt = Ft + Tt
 Exponential Smoothing with Trend
Adjustment Example
Forecast
Actual Smoothed Smoothed Including
Month(t) Demand (At) Forecast, Ft Trend, Tt Trend, FITt
1 12 11 2 13.00
2 17
3 20
4 19
5 24
6 21
7 31
8 28
9 36
10
Table 4.1
 Exponential Smoothing with Trend
Adjustment Example
Forecast
Actual Smoothed Smoothed Including
Month(t) Demand (At) Forecast, Ft Trend, Tt Trend, FITt
1 12 11 2 13.00
2 17
3 20
4 19
Step 1: Peramalan untuk bulan ke-2
5 24
6 21
F2 = aA1 + (1 - a)(F1 + T1)
7 31
8 28 F2 = (.2)(12) + (1 - .2)(11 + 2)
9 36 = 2.4 + 10.4 = 12.8 units
10
Table 4.1
 Exponential Smoothing with Trend
Adjustment Example
Forecast
Actual Smoothed Smoothed Including
Month(t) Demand (At) Forecast, Ft Trend, Tt Trend, FITt
1 12 11 2 13.00
2 17 12.80
3 20
4 19
Step 2: Trend untuk bulan kedua
5 24
6 21
T2 = b(F2 - F1) + (1 - b)T1
7 31
8 28 T2 = (.4)(12.8 - 11) + (1 - .4)(2)
9 36 = .72 + 1.2 = 1.92 units
10
Table 4.1
 Exponential Smoothing with Trend
Adjustment Example
Forecast
Actual Smoothed Smoothed Including
Month(t) Demand (At) Forecast, Ft Trend, Tt Trend, FITt
1 12 11 2 13.00
2 17 12.80 1.92
3 20
4 19
Step 3: Menghitung FIT untuk bulan kedua
5 24
6 21
FIT2 = F2 + T2
7 31
8 28 FIT2 = 12.8 + 1.92
9 36 = 14.72 units
10
Table 4.1
 Exponential Smoothing with Trend
Adjustment Example
Forecast
Actual Smoothed Smoothed Including
Month(t) Demand (At) Forecast, Ft Trend, Tt Trend, FITt
1 12 11 2 13.00
2 17 12.80 1.92 14.72
3 20 15.18 2.10 17.28
4 19 17.82 2.32 20.14
5 24 19.91 2.23 22.14
6 21 22.51 2.38 24.89
7 31 24.11 2.07 26.18
8 28 27.14 2.45 29.59
9 36 29.28 2.32 31.60
10 32.48 2.68 35.16
Table 4.1
Exponential Smoothing with Trend
Adjustment Example
35 –
Actual demand (At)
30 –
Product demand

25 –

20 –

15 –

10 –
Forecast including trend (FITt)
with  = .2 and  = .4
5 –

0 – | | | | | | | | |
1 2 3 4 5 6 7 8 9
Figure 4.3
Time (month)
 Proyeksi Tren
Menyesuaikan garis tren ke titik data historis
untuk diproyeksikan ke jangka menengah dan
panjang
Tren linier dapat ditemukan menggunakan teknik
kuadrat terkecil
^
y = a + bx
^ Dimana y = nilai yang dihitung dari variabel yang
akan diprediksi (variabel tak bebas)
a = y-axis intercept
b = slope dari grafik regresi
x = variabel independen
Values of Dependent Variable Least Squares Method

Actual observation Deviation7

(y-value)

Deviation5 Deviation6

Deviation3

Deviation4

Deviation1
(error) Deviation2
Trend line, y^ = a + bx

Time period Figure 4.4

Values of Dependent Variable Least Squares Method

Actual observation Deviation7

(y-value)

Deviation5 Deviation6

Deviation3
Metode kuadrat terkecil meminimalkan
jumlah kesalahan kuadrat
(penyimpangan)
Deviation4

Deviation1
(error) Deviation2
Trend line, y^ = a + bx

Time period Figure 4.4

 Least Squares Method
Persamaan untuk menghitung variabel regresi

^
y = a + bx

Sxy - nxy
b=
Sx2 - nx2

a = y - bx
 Least Squares Example
Time Electrical Power
Year Period (x) Demand x2 xy
2003 1 74 1 74
2004 2 79 4 158
2005 3 80 9 240
2006 4 90 16 360
2007 5 105 25 525
2008 6 142 36 852
2009 7 122 49 854
∑x = 28 ∑y = 692 ∑x2 = 140 ∑xy = 3,063
x=4 y = 98.86

∑xy - nxy 3,063 - (7)(4)(98.86)

b= = = 10.54
∑x2 - nx2 140 - (7)(4 )
2

a = y - bx = 98.86 - 10.54(4) = 56.70

 Least Squares Example
Time Electrical Power
Year Period (x) Demand x2 xy
2003 1 74 1 74
2004 2 79 4 158
2005 The trend3 line is 80 9 240
2006 4 90 16 360
^
2007 y5= 56.70 + 10.54x
105 25 525
2008 6 142 36 852
2009 7 122 49 854
∑x = 28 ∑y = 692 ∑x2 = 140 ∑xy = 3,063
x=4 y = 98.86

∑xy - nxy 3,063 - (7)(4)(98.86)

b= = = 10.54
∑x2 - nx2 140 - (7)(4 )
2

a = y - bx = 98.86 - 10.54(4) = 56.70

 Least Squares Example
Trend line,
160 – ^ y = 56.70 + 10.54x
150 –
140 –
Power demand

130 –
120 –
110 –
100 –
90 –
80 –
70 –
60 –
50 –
| | | | | | | | |
2003 2004 2005 2006 2007 2008 2009 2010 2011
Year
 Variasi Musiman Dalam Data

Model musiman
multiplikatif dapat
menyesuaikan data
tren untuk variasi
musiman dalam
permintaan
 Variasi Musiman Dalam Data
Langkah-langkah dalam proses:
1. Temukan rata-rata permintaan historis untuk setiap musim
2. Hitung permintaan rata-rata dari semua musim
3. Hitung indeks musiman untuk setiap musim
4. Perkirakan total permintaan tahun depan
5. Bagilah perkiraan ini dari total permintaan dengan jumlah musim, lalu
kalikan dengan indeks musiman untuk musim itu
 Contoh Indeks Musiman
Demand Average Average Seasonal
Month 2007 2008 2009 2007-2009 Monthly Index
Jan 80 85 105 90 94
Feb 70 85 85 80 94
Mar 80 93 82 85 94
Apr 90 95 115 100 94
May 113 125 131 123 94
Jun 110 115 120 115 94
Jul 100 102 113 105 94
Aug 88 102 110 100 94
Sept 85 90 95 90 94
Oct 77 78 85 80 94
Nov 75 72 83 80 94
Dec 82 78 80 80 94
 Contoh Indeks Musiman
Demand Average Average Seasonal
Month 2007 2008 2009 2007-2009 Monthly Index
Jan 80 85 105 90 94 0.957
Feb 70 85 85 80 94
Mar 80 93 Rata-rata
82 85 bulanan 2007-2009
permintaan 94
AprSeasonal90index 95
= 115
Permintaan 100 bulanan 94
rata-rata
May 113 125 131 123 94
Jun 110 115= 90/94 120 = .957 115 94
Jul 100 102 113 105 94
Aug 88 102 110 100 94
Sept 85 90 95 90 94
Oct 77 78 85 80 94
Nov 75 72 83 80 94
Dec 82 78 80 80 94
 Contoh Indeks Musiman
Demand Average Average Seasonal
Month 2007 2008 2009 2007-2009 Monthly Index
Jan 80 85 105 90 94 0.957
Feb 70 85 85 80 94 0.851
Mar 80 93 82 85 94 0.904
Apr 90 95 115 100 94 1.064
May 113 125 131 123 94 1.309
Jun 110 115 120 115 94 1.223
Jul 100 102 113 105 94 1.117
Aug 88 102 110 100 94 1.064
Sept 85 90 95 90 94 0.957
Oct 77 78 85 80 94 0.851
Nov 75 72 83 80 94 0.851
Dec 82 78 80 80 94 0.851
 Contoh Indeks Musiman
Demand Average Average Seasonal
Month 2007 2008 2009 2007-2009 Monthly Index
Jan 80 85 105 90 94 0.957
Feb 70 85 Peramalan
85 untuk 2010
80 94 0.851
Mar 80 93 82 85 94 0.904
Apr 90Permintaan
95 tahunan
115 yang diharapkan
100 = 1,200 94 1.064
May 113 125 131 123 94 1.309
Jun 110 115 120 1,200 115 94 1.223
Jan x .957 = 96
Jul 100 102 113 105 94 1.117
Aug 88 102 110 12 100 94 1.064
1,200
Sept 85 90 Feb 95 90
x .851 = 85 94 0.957
Oct 77 78 85 80 94 0.851
12
Nov 75 72 83 80 94 0.851
Dec 82 78 80 80 94 0.851
 Contoh Indeks Musiman
2010 Peramalan
140 – 2009 Permintaan
130 – 2008 Permintaan
2007 Permintaan
120 –
Demand

110 –
100 –
90 –
80 –
70 –
| | | | | | | | | | | |
J F M A M J J A S O N D
Time
 San Diego Hospital
Trend Data

10,200 –

10,000 –
Inpatient Days

9745
9,800 – 9659 9702
9573 9616 9766
9,600 – 9530 9680 9724
9594 9637
9551
9,400 –

9,200 –
| | | | | | | | | | | |
9,000 –
Jan Feb Mar Apr May June July Aug Sept Oct Nov Dec
67 68 69 70 71 72 73 74 75 76 77 78
Month
Figure 4.6
 San Diego Hospital
Seasonal Indices

1.06 –
1.04 1.04
Index for Inpatient Days

1.04 – 1.03
1.02
1.02 – 1.01
1.00
1.00 – 0.99
0.98
0.98 – 0.99
0.96 – 0.97 0.97
0.96
0.94 –
| | | | | | | | | | | |
0.92 –
Jan Feb Mar Apr May June July Aug Sept Oct Nov Dec
67 68 69 70 71 72 73 74 75 76 77 78
Month
Figure 4.7
 San Diego Hospital
Combined Trend and Seasonal Forecast

10,200 – 10068
9949
10,000 – 9911
Inpatient Days

9764 9724
9,800 – 9691
9572
9,600 –
9520 9542
9,400 –
9411
9265 9355
9,200 –
| | | | | | | | | | | |
9,000 –
Jan Feb Mar Apr May June July Aug Sept Oct Nov Dec
67 68 69 70 71 72 73 74 75 76 77 78
Month
Figure 4.8
 Peramalan Asosiatif
Digunakan ketika perubahan dalam satu atau lebih
variabel independen dan dapat digunakan untuk
memprediksi perubahan dalam variabel dependen

Kebanyakan Teknik yang umum

digunakan untuk menganalisis adalah
regresi linier
We apply this technique just as we did in the
time series example
 Peramalan Asosiatif
Peramalan berdasarkan variabel prediktor
menggunakan teknik kuadrat terkecil

^
y = a + bx
^ y = computed value of the variable to be predicted
(dependent variable)
a = y-axis intercept
b = slope of the regression line
x = the independent variable though to predict the
value of the dependent variable
 Contoh Peramalan Asosiatif
Sales Area Payroll
($ millions), y ($ billions), x
2.0 1
3.0 3
2.5 4
2.0 2 4.0 –
2.0 1
3.0 –
3.5 7 Sales
2.0 –

1.0 –
| | | | | | |
0 1 2 3 4 5 6 7
Area payroll
 Contoh Peramalan Asosiatif
Sales, y Payroll, x x2 xy
2.0 1 1 2.0
3.0 3 9 9.0
2.5 4 16 10.0
2.0 2 4 4.0
2.0 1 1 2.0
3.5 7 49 24.5
∑y = 15.0 ∑x = 18 ∑x2 = 80 ∑xy = 51.5

∑xy 51.5 - (6)(3)(2.5)

x = ∑x/6 = 18/6 = 3 b =- nxy = = .25
∑x2 - nx2 80 - (6)(3 )
2

y = ∑y/6 = 15/6 = 2.5 a = y - bx = 2.5 - (.25)(3) = 1.75

 Contoh Peramalan Asosiatif
^
y = 1.75 + .25x Sales = 1.75 + .25(payroll)

Jika penggajian tahun depan

diperkirakan $ 6 miliar, 4.0 –
maka:
3.25
Sales = 1.75 + .25(6) 3.0 –
Sales = $3,250,000 Nodel’s sales
2.0 –

1.0 –
| | | | | | |
0 1 2 3 4 5 6 7
Area payroll
 Kesalahan Standar Estimasi
 Peramalan hanyalah perkiraan titik dari nilai
masa depan
 Titik ini sebenarnya
adalah rata-rata
4.0 –
dari distribusi 3.25
3.0 –
Nodel’s sales
probabilitas
2.0 –

1.0 –

Figure 4.9 | | | | | | |
0 1 2 3 4 5 6 7
Area payroll
 Kesalahan Standar Estimasi

∑(y - yc)2
Sy,x =
n-2
Dimana y = nilai-y dari setiap titik data
yc = nilai yang dihitung dari variabel
dependen, dari persamaan regresi
n = jumlah titik data
 Kesalahan Standar Estimasi
Secara komputasi, persamaan ini jauh
lebih mudah digunakan

∑y2 - a∑y - b∑xy

Sy,x =
n-2

Ini menggunakan kesalahan standar

untuk mengatur interval prediksi di
sekitar estimasi titik
 Kesalahan Standar Estimasi
∑y2 - a∑y - b∑xy 39.5 - 1.75(15) - .25(51.5)
Sy,x = =
n-2 6-2

Sy,x = .306
4.0 –
3.25
Nodel’s sales 3.0 –
Kesalahan standar dari
estimasi ini adalah $ 306.000
2.0 –
dalam penjualan
1.0 –
| | | | | | |
0 1 2 3 4 5 6 7
Area payroll
 Korelasi
 Seberapa kuat hubungan linier antar
variabel?
 Korelasi tidak selalu menyiratkan
hubungan sebab akibat!
 Koefisien korelasi, r, mengukur derajat
asosiasi
 Nilai berkisar dari -1 hingga +1
 Koefisien korelasi
nSxy - SxSy
r=
[nSx2 - (Sx)2][nSy2 - (Sy)2]
y y
Correlation Coefficient
nSxy - SxSy
r=
(a) Korelasi positif [nSx
x
2
- (Sx)2][nSy(b)
2
- Korelasi
(Sy)2]positif: x
sempurna: r = +1 0 <r <1

y y

(c) Tidak ada korelasi: x (d) Korelasi negatif x

sempurna: r = -1
r=0
 Korelasi
 Koefisien Determinasi, r2, mengukur
persentase perubahan y yang diprediksi
oleh perubahan x
 Nilai berkisar dari 0 hingga 1
 Mudah diinterpretasikan

Sebagai contoh Nodel Konstruksi:

r = .901
r2 = .81
 Analisis Multiple Regresi
Jika lebih dari satu variabel independen yang
digunakan dalam model, regresi linier dapat
diperluas ke regresi berganda untuk mengakomodasi
beberapa variabel independen
^ y=a+b x +b x …
1 1 2 2

Computationally, this is quite complex and

generally done on the computer
 Analisis Multiple Regresi
Dalam contoh Nodel, termasuk suku bunga dalam model memberikan
persamaan baru:

^
y = 1.80 + .30x1 - 5.0x2
Koefisien korelasi yang diperbaiki dari r = 0,96 berarti model ini melakukan
pekerjaan yang lebih baik dalam memprediksi perubahan dalam penjualan
konstruksi

Sales = 1.80 + .30(6) - 5.0(.12) = 3.00

Sales = $3,000,000
 Pemantauan dan Pengendalian
Peramalan
Tracking Signal
 Mengukur seberapa baik perkiraan memprediksi
nilai actual
 Rasio kesalahan perkiraan kumulatif terhadap
mean absolute deviation (MAD)
 Tracking signal yang baik memiliki nilai rendah
 Jika peramalan terus menerus tinggi atau rendah,
peramalan tersebut memiliki kesalahan bias
Pemantauan dan Pengendalian
Peramalan

Tracking Kesalahan kumulatif

signal =
MAD

∑(Permintaan aktual dalam

periode i - Permintaan perkiraan
Tracking dalam periode i)
signal = (∑|Actual - Peramalan|/n)
 Tracking Signal
Signal exceeding limit
Tracking signal
Upper control limit
+

Acceptable
0 MADs range

– Lower control limit

Time
 Contoh Tracking Signal
Cumulative
Absolute Absolute
Actual Forecast Cumm Forecast Forecast
Qtr Demand Demand Error Error Error Error MAD
1 90 100 -10 -10 10 10 10.0
2 95 100 -5 -15 5 15 7.5
3 115 100 +15 0 15 30 10.0
4 100 110 -10 -10 10 40 10.0
5 125 110 +15 +5 15 55 11.0
6 140 110 +30 +35 30 85 14.2
 Contoh Tracking Signal
Cumulative
Tracking Absolute Absolute
Signal Forecast
Actual Cumm Forecast Forecast
Qtr (Cumm Demand
Demand Error/MAD)
Error Error Error Error MAD
1 90-10/10 =100
-1 -10 -10 10 10 10.0
2 95-15/7.5 100
= -2 -5 -15 5 15 7.5
3 1150/10 = 0100 +15 0 15 30 10.0
4 100-10/10 =110
-1 -10 -10 10 40 10.0
5 125+5/11 =110
+0.5 +15 +5 15 55 11.0
6 140+35/14.2110= +2.5 +30 +35 30 85 14.2

Variasi sinyal pelacakan antara -2.0 dan +2.5 berada dalam batas
yang dapat diterima
 Peramalan Adaptif
 Dapat menggunakan komputer untuk
memonitor secara terus-menerus
kesalahan ramalan dan menyesuaikan
nilai-nilai koefisien a dan b yang
digunakan dalam perataan eksponensial
untuk terus meminimalkan kesalahan
ramalan
 Teknik ini disebut pemulusan adaptif
 Peramalan Focus
 Dikembangkan oleh American Hardware Supply,
berdasarkan dua prinsip:
1. Model peramalan yang canggih tidak selalu lebih baik dari yang
sederhana
2. Tidak ada teknik tunggal yang harus digunakan untuk semua
produk atau layanan

 Pendekatan ini menggunakan data historis untuk

menguji beberapa model peramalan untuk
masing-masing item
 Model peramalan dengan kesalahan terendah
kemudian digunakan untuk meramalkan
permintaan berikutnya
Peramalan di Sektor Pelayanan
 Menghadirkan tantangan yang tidak biasa
 Kebutuhan khusus untuk catatan jangka pendek
 Kebutuhan sangat berbeda sebagai fungsi
industri dan produk
 Liburan dan acara kalender lainnya
 Peristiwa yang tidak biasa
 Peramalan Fast Food Restaurant
20% –
Percentage of sales

15% –

10% –

5% –

11-12 1-2 3-4 5-6 7-8 9-10

12-1 2-3 4-5 6-7 8-9 10-11
(Lunchtime) (Dinnertime)
Hour of day Figure 4.12
 Peramalan FedEx Call Center
12% –

10% –

8% –

6% –

4% –

2% –

0% – 2 4 6 8 10 12 2 4 6 8 10 12
A.M. P.M.
Hour of day
Figure 4.12