PPIC 1

PROGRAM STUDI
TEKNIK INDUSTRI

Ridzky Zul Asdi, S.T., M.T.

Forecasting
Forecasting Fundamental
Ada beberapa macam forecast yang digunakan. Berdasarkan time span-
nya ada yang long range, dengan model aggregate. Biasanya dipakai
untuk memperkirakan/merancang kebutuhan kapasitas produksi, dan
membuat rencana purchasing jangka Panjang.
Kemudian ada short range, dengan model produk khusus. Biasanya
digunakan untuk penjadwalan produksi.
Forecasting Fundamental
• Forecasts hampir selalu salah
• Forecasts lebih akurat untuk kelompok produk
• Forecasts lebih akurat untuk periode waktu yang pendek
• Setiap forecast harus menyertakan estimasi eror
• Forecast bukan merupakan pengganti dari permintaan sesungguhnya
Qualitative Forecasting
Qualitative forecasting berguna apabila tidak ada masa lalu yang tersedia, seperti Ketika
suatu produk itu masih baru. Beberapa karakteristik qualitative forecasting antara lain:
• Qualitative forecast biasanya berdasarkan oleh penilaian personal atau data kualitatif
external
• Qualitative forecast cenderung subyektif dan karena forecasting ini dikembangkan
berdasarkan pengalaman dari orang-orang yang terlibat, seringkali juga ada bias dari
orang-orang tersebut
• Keuntungan dari metode ini, terkadang bisa memberikan hasil yang cukup cepat.
• Untuk beberapa kasus, qualitative forecasts mungkin menjadi satu-satunya metode
yang dapat digunakan
• Qualitative forecasting biasa digunakan untuk produk, atau product family, jarang
digunakan untuk Analisa pasar.
Metode Qualitative Forecasting
• Market survey
• Delphi atau panel consensus
• Life cycle analogy
• Informed judgement
Simple Moving Average
Three Period Moving Average
Weighted Moving Average
Simple Exponential Smoothing
or
where
is the forecast error
is the smoothing constant
Simple Exponential Smoothing
Simple Exponential Smoothing
Simple Exponential Smoothing
Linear Regression
600

500

400 f(x) = 18.797619047619 x + 268.285714285714

300

200

100

0
0 1 2 3 4 5 6 7 8 9
 Linear Regression
𝑦 =𝑎+𝑏𝑥

600
Dimana:
𝑆𝑦
500
𝑏=𝑟
𝑆𝑥
400 f(x) = 18.797619047619 x + 268.285714285714
𝑎= 𝑦 − 𝑏 𝑥
300
dan
200

𝑟=
∑ [ ( 𝑥 − 𝑥)( 𝑦 − 𝑦 ) ]
100
√∑ ( 𝑥 − 𝑥 )2 ∑ ( 𝑦 − 𝑦 )2
∑
√
0
2
0 1 2 3 4 5 6 7 8 9
( 𝑦 − 𝑦 )
𝑆𝑦 =
𝑛−1
 Linear Regression
𝑦 =𝑎+𝑏𝑥

600
Dimana:
𝑆𝑦
500
𝑏=𝑟
𝑆𝑥
400 f(x) = 18.797619047619 x + 268.285714285714
𝑎= 𝑦 − 𝑏 𝑥
300
dan
200

𝑟=
∑ [ ( 𝑥 − 𝑥)( 𝑦 − 𝑦 ) ]
100
√∑ ( 𝑥 − 𝑥 )2 ∑ ( 𝑦 − 𝑦 )2
∑
√
0
2
0 1 2 3 4 5 6 7 8 9
( 𝑦 − 𝑦 )
𝑆𝑦 =
𝑛−1
Linear Regression

600

500

400 f(x) = 18.797619047619 x + 268.285714285714

300

200

100

0
0 1 2 3 4 5 6 7 8 9
Forecast Error - MFE

The has been encountered earlier in the chapter. It represents the difference between the forecast
and the actual demand for any given time period, also called the forecast error.
Forecast Error - MFE

There is a very good reason the MFE does not really represent the average forecast
error, as can be shown in table above, the MFE values results in 0, which can lead to
misinterpretation that the forecast used results in zero errors.
Forecast Error - MFE
On the bright side, MFE can represent the forecast bias.
For example, if the MFE results in a positive value it indicates that the
overall actual demand is higher than that of the forecast.
Forecast Error - MAD
Forecast Error - MAD
Forecast Error – Tracking Signal
Sekian dan Terima Kasih