04

FORECASTING
FORECASTING

Pentingnya forecast

Karakteristik forecast

Metode forecast

Mengukur error dalam forecast

 FORECASTING

 Take a look at this

 FORECASTING

 Mengapa forecast?

Merupakan
dasar bagi
seluruh Digunakan
Seluruh
keputusan untuk proses
Contoh: keputusan
strategis baik pull
saling terkait
maupun teknis maupun push
dalam supply
chain

Finance:
Production: plant/equipment
scheduling, investment,
inventory, budgetary planning
aggregate planning Marketing: sales
force allocation,
promotions, new Personnel:
production workforce planning,
introduction hiring, layoffs
anning
 FORECASTING

 Karakteristik forecast

Forecasts “selalu salah”  terkandung nilai

expected dan mengukur error.

Long-term forecasts are less accurate than

short-term forecasts (forecast horizon is
important)

Aggregate forecasts lebih akurat dibanding

disaggregate forecasts
 FORECASTING

 Metode forecast

Time series: Simulasi

Kualititatif: menggunakan data Kausal: menggunakan • “Mengimitasi” pilihan
Bersifat subyektif, historis relationship between consumer untuk
tergantung pada • Static antara demand dan faktor mendongkrak demand
judgment opini lain forecast • Dapat mengkombinasi
• Adaptive antara kualitatif dengan
kausal
 FORECASTING

 Metode forecast
Observed demand (O)  Systematic component (S) + Random component (R)
O=S+R
Level (demand yang di-deseasonalized saat ini)

Trend (growth atau decline dalam demand)

Seasonality (fluktuasi musim yang predictable)

• Komponen systematic: Expected value of demand

• Random component: Bagian forecast yang menyimpang dari
systematic component
• Forecast error: perbedaan antara forecast dan actual demand
 FORECASTING

 Metode forecast
 Time series

45.000
40.000
35.000
30.000
25.000
20.000
15.000
10.000
5.000
0
 FORECASTING

 Metode forecast
 Time series
• Static
• Adaptif
– Moving average
– Simple exponential smoothing
– Holt’s model (with trend)
– Winter’s model (with trend and seasonality)
 FORECASTING

 Metode forecast
 Time series
• Static
Systematic component = (level + trend)(seasonal factor)
Ft+l = [L + (t + l)T].St+l
Ft+l = forecast periode t untuk demand periode t + l
L = estimasi level untuk periode 0
T = estimasi trend
St = estimasi faktor musim periode t
Dt = demand aktual periode t
Ft = demand forecast periode t
 FORECASTING

 Metode forecast
 Time series
• Static
– Estimasi level dan trend
– Estimasi faktor musim
• Sebelum mengestimasi level dan trend, data demand
harus di-deseasonalize
– Deseasonalized demand = demand yang dihilangkan fluktuasi
musimnya.
• Periodicity (p)
– Jumlah periode terjadi siklus musim.
– Untuk kasus diatas; p = 4
 FORECASTING

 Metode forecast
 Time series
• Deseasonalize demand
𝑝
 
[ ]
𝑡 − 1 +( )
2
𝐷 𝑝 +𝐷 𝑝 + ∑ 2. 𝐷 𝑖 untuk p genap
𝑡 −( ) 𝑡+( )
2 2 𝑝
𝑖=𝑡 +1 − ( )
2
𝐷
´ 𝑡=
2. 𝑝

𝑝
 
[ ]
𝑡 +( )
2
𝐷
𝑡 −(
𝑝
)
+𝐷
𝑡+(
𝑝 +
)
∑ 𝐷𝑖 untuk p ganjil
2 2 𝑝
𝑖=𝑡 − ( )
2
𝐷
´ 𝑡=
2. 𝑝
 FORECASTING

 Metode forecast
 Time series 4

• Deseasonalize demand𝐷
´
 
3=
[ 𝐷 1 + 𝐷 5 + ∑ 2. 𝐷 𝑖
𝑖=2
]
2∗4
– Contoh, untuk t = 3; p = 4  genap
= {8.000+10.000+[(2)(13.000)+(2)(23.000)+(2)
(34.000)]}/8
= 19.750
5

Untuk t = 4
 
𝐷
´ 4=
[
𝐷 + 𝐷 + ∑ 2. 𝐷
2 6
𝑖=3
𝑖
]
2∗4

= {13.000+18.000+[(2)(23.000)+(2)(34.000)+(2)
(10.000)]/8
= 20.625
• Kemudian masukkan trend, dimana:
– Dt = deseasonalized demand pada periode t
– L = level (deseasonalized demand pada periode 0)
 FORECASTING

 Metode forecast
 Time series
• Kemudian masukkan trend, dimana:
– Dt = deseasonalized demand pada periode t
– L = level (deseasonalized demand pada periode 0)
– T = trend (kecenderungan deseasonalized demand)
• Trend dicari dengan linear regression, dimana
deseasonalized demand menjadi dependent variable
dan periode sebagai independent variable (selesaikan
dengan Excel).
• Gunakan persamaan sebelumnya untuk menghitung
deseasonalized demand untuk setiap periode
 FORECASTING

  Metode forecast
 Time series
• Hitung faktor musim untuk periode t

Dalam contoh:
= 13.000 + 18.439.(524).(2) = 19.487
D2 = 13.000
S2 = 13.000/19.487 = 0.67
 Hitung faktor musim untuk setiap siklus dengan merata-ratakan
faktor musim untuk siklus tersebut.
 FORECASTING

  Metode forecast
 Time series
 Jika ada r siklus musim, untuk seluruh periode yang membentuk
pt+i, 1<i<p, maka faktor musim untuk mencari musim i adalah:

Dalam contoh, ada 3 siklus musin dalam data dengan nilai p=4,
sehinggan:
S1 = (0.42+0.47+0.52)/3 = 0.47
S2 = (0.67+0.83+0.55)/3 = 0.68
S3 = (1.15+1.04+1.32)/3 = 1.17
S4 = (1.66+1.68+1.66)/3 = 1.67
 FORECASTING

 Metode forecast
 Time series
 Dengan persamaan yang sama, kita akan memeroleh
forecast: Ft = [L + (t. T)].Si sehingga:
– F13 = (L+13T)S1 = [18.439+(13)(524)](0.47) = 11.868
– F14 = (L+14T)S2 = [18.439+(14)(524)](0.68) = 17.527
– F15 = (L+15T)S3 = [18.439+(15)(524)](1.17) = 30.770
– F16 = (L+16T)S4 = [18.439+(16)(524)](1.67) = 44.794
 FORECASTING

 Metode forecast
 Metode adaptif
• Estimasi level, trend, dan musiman disesuaikan setelah
demand diamati.
• Langkah umum dalam adaptive forecasting:
– Moving average
– Simple exponential smoothing
– Trend-corrected exponential smoothing (Holt’s model)
– Trend- and seasonality-corrected exponential smoothing
(Winter’s model)
 FORECASTING

 Metode forecast
 Metode adaptif
• Ft+1 = (Lt + lT)St+1 = forecast untuk periode t+l dlm period t
• Lt = Estimasi level si level pada akhir periode t
• Tt = Estimasi trend pada akhir periode.
• St = Estimasi faktor musim periode t
• Ft = Faktor musim demand pada periode t
• Dt = Actual demand dalam pengamatan.
• Et = Error forecast dalam periode t.
• At = Deviasi absolut untuk period t = |Et|
• MAD = Mean Absolute Deviation = average value of At
 FORECASTING

 Metode forecast
 Metode adaptif
1. Inisiasi:
– hitung estimasi level awal (L0), trend (T0), dan faktor musim
(S1,…,Sp). Ini dilakukan dengan static forecasting.
2. Forecast:
– Forecast demand periode t+1 menggunakan persamaan
umum.
3. Estimate error:
– hitung error Et+1 = Ft+1- Dt+1
 FORECASTING

 Metode forecast
 Metode adaptif
4. Modifikasi estimasi:
– Modifikasi estimasi level (Lt+1), trend (Tt+1), dan faktor musim
(St+p+1), berdasar error Et+1 dalam forecast.
5. Ulangi langkah 2, 3, dan 4 untuk setiap periode
berikutnya.
 FORECASTING

 Metode forecast
 Moving Average
• Digunakan ketika demand tidak memiliki trend atau musiman
yang bisa diamati.
• Systematic component untuk demand = level
• Level di periode t merupakan rata-rata demand selama N periode
(N-period moving average).
• Forecast saat ini untuk periode-periode mendatang sama dan
menjadi dasar estimasi level saat ini:
Lt = (Dt + Dt-1 + … + Dt-N+1) / N
Ft+1 = Lt dan Ft+n = Lt
• Setelah demand period t+1 diobservasi, balik estimasi menjadi:
Lt+1 = (Dt+1 + Dt + … + Dt-N+2) / N
Ft+2 = Lt+1
 FORECASTING

 Metode forecast
 Moving Average; contoh:
• Pada akhir periode 4, berapa forecast demand untuk periode 5
sampai 8 dengan moving average 4 periode?
L4 = (D4+D3+D2+D1)/4 = (34.000+23.000+13.000+8.000)/4 = 19.500
F5 = 19.500 = F6 = F7 = F8
• Observasi demand periode 5 (D5) = 10.000
• Forecast error periode 5, E5 = F5 – D5 = 19.500 – 10.000 = 9.500
• Revisi estimasi level periode 5:
L5 = (D5+D4+D3+D2)/4 = (10.000+34.000+23.000+13.000)/4 = 20.000
F6 = L5 = 20.000.
 FORECASTING

 Metode forecast
 Simple Exponential Smoothing
• Digunakan ketika demand tidak memiliki trend atau musiman
yang bisa diamati.
• Systematic component untuk demand = level
• Estimasi awal level, L0, diasumsikan sebagai rata-rata data historis:
𝑛
 
𝐿0=∑ 𝐷 𝑖 /𝑛
𝑖=1
• Forecast saat ini untuk periode-periode mendatang sama dengan
estimasi level saat ini, yakni:
Ft+1 = Lt dan Ft+n = Lt
• Setelah demand period Dt+1 diobservasi, balik estimasi menjadi:
Lt+1 = a.Dt+1 + (1-a)Lt
Lt+1 =
 FORECASTING

 Metode forecast
 Simple Exponential Smoothing; contoh:
• L0 = rata-rata dari12 data demand
𝑛
 
𝐿0=∑ 𝐷 𝑖 /12
= 22.083
𝑖=1

• F1 = L0 = 22.083
• Observed demand periode 1 = D1 = 8.000
• Forecast error periode 1, E1, is as follows:
E1 = F1 - D1 = 22.083 – 8.000 = 14.083
• Assumsikan a = 0.1, revisi estimasi level periode 1:
L1 = aD1 + (1-a)L0 = (0.1)(8.000) + (0.9)(22.083) = 20.675
F2 = L1 = 20.675
• Perhatikan bahwa estimasi level period 1 lebih rendah daripada
periode 0
 FORECASTING

 Metode forecast
 Trend Corrected Exponential Smoothing
• Digunakan ketika demand memiliki level dan trend dalam
systematic component, tetapi bukan musim.
• Hitung initial estimasi level dan trend dengan linear regression:
Dt = at + b
T0 = a
L0 = b
dalam periode t, forecast periode yang akan datang dirumuskan
sbb:
Ft+1 = Lt + Tt
Ft+n = Lt + nTt
 FORECASTING

 Metode forecast
 Trend Corrected Exponential Smoothing
• Setelah demand period t diobservasi, revisi estimasi level dan trend
sbb:
Lt+1 = aDt+1 + (1-a)(Lt + Tt)
Tt+1 = b(Lt+1 - Lt) + (1-b)Tt
a = smoothing constant for level
b = smoothing constant for trend
• Contoh, data demand sebelumnya.
– Forecast demand periode 1 dengan Holt’s model (trend corrected
exponential smoothing, dengan linear regression):
L0 = 12.015 (linear intercept)
T0 = 15.49 (linear slope)
 FORECASTING

 Metode forecast
 Trend Corrected Exponential Smoothing
• Forecast periode 1:
F1 = L0 + T0 = 12.015 + 1.549 = 13.564
• Observed demand untuk periode 1 = D1 = 8.000
E1 = F1 - D1 = 13.564 – 8.000 = 5.564
• Assume a = 0.1, b = 0.2
L1 = aD1 + (1-a)(L0+T0) = (0.1)(8.000) + (0.9)(13.564) = 13.008
T1 = b(L1 - L0) + (1-b)T0 = (0.2)(13.008 – 12.015) + (0.8)(1.549)
= 1.438
F2 = L1 + T1 = 13.008 + 1.438 = 14.446
F5 = L1 + 4T1 = 13.008 + (4)(1.438) = 1.8760
 FORECASTING

 Metode forecast
 Trend & Seasonality Corrected Exponential Smoothing
• Digunakan ketika systematic component demand diasumsikan
memiliki level, trend, dan seasonal factor.
• Systematic component = (level+trend)(seasonal factor)
• Asumsikan periodicity p.
• Hitung initial estimates level (L0), trend (T0), faktor musim (S1,
…,Sp) dengan prosedur static forecasting.
• Dalam periode t, forecast periode yang akan datang:
Ft+1 = (Lt+Tt)(St+1) and Ft+n = (Lt + nTt)St+n
 Trend- and Seasonality-Corrected
Exponential Smoothing (continued)
After observing demand for period t+1, revise estimates for level,
trend, and seasonal factors as follows:
Lt+1 = a(Dt+1/St+1) + (1-a)(Lt+Tt)
Tt+1 = b(Lt+1 - Lt) + (1-b)Tt
St+p+1 = g(Dt+1/Lt+1) + (1-g)St+1
a = smoothing constant for level
b = smoothing constant for trend
g = smoothing constant for seasonal factor
Example: Tahoe Salt data. Forecast demand for period 1 using
Winter’s model.
Initial estimates of level, trend, and seasonal factors are obtained
as in the static forecasting case
30
 Trend- and Seasonality-Corrected
Exponential Smoothing Example (continued)
L0 = 18439 T0 = 524 S1=0.47, S2=0.68, S3=1.17, S4=1.67
F1 = (L0 + T0)S1 = (18439+524)(0.47) = 8913
The observed demand for period 1 = D1 = 8000
Forecast error for period 1 = E1 = F1-D1 = 8913 - 8000 = 913
Assume a = 0.1, b=0.2, g=0.1; revise estimates for level and trend
for period 1 and for seasonal factor for period 5
L1 = a(D1/S1)+(1-a)(L0+T0) = (0.1)(8000/0.47)+(0.9)(18439+524)=18769
T1 = b(L1-L0)+(1-b)T0 = (0.2)(18769-18439)+(0.8)(524) = 485
S5 = g(D1/L1)+(1-g)S1 = (0.1)(8000/18769)+(0.9)(0.47) = 0.47

F2 = (L1+T1)S2 = (18769 + 485)(0.68) = 13093

31
 Measures of Forecast Error

 Forecast error = Et = Ft - Dt
 Mean squared error (MSE)
MSEn = (Sum(t=1 to n)[Et2])/n
 Absolute deviation = At = |Et|
 Mean absolute deviation (MAD)
MADn = (Sum(t=1 to n)[At])/n
s = 1.25MAD

32
 Measures of Forecast Error

 Mean absolute percentage error (MAPE)

MAPEn = (Sum(t=1 to n)[|Et/ Dt|100])/n
 Bias
 Shows whether the forecast consistently under- or
overestimates demand; should fluctuate around 0
biasn = Sum(t=1 to n)[Et]
 Tracking signal
 Should be within the range of +6
 Otherwise, possibly use a new forecasting method
TSt = bias / MADt
33
Thank You !