Introduction of

Forecasting
Forecasting
Forecasting adalah suatu teknik analisa perhitungan yang
dilakukan dengan pendekatan kualitatif maupun kuantitatif untuk
memperkirakan kejadian dimasa depan dengan menggunakan
referensi data-data di masa lalu
Forecasting Goals:
1. Untuk mengkaji kebijakan perusahaan yang berlaku saat ini dan di masa lalu serta melihat
sejauh mana pengaruh di masa datang.
2. Peramalan diperlukan karena adanya time lag atau delay antara saat suatu kebijakan
perusahaan ditetapkan dengan saat implementasi.
Types of Forecasting
Based on the time horizon:
1. Short term forecasting (less than 3 months)
2. Medium-term forecasting (3 -18 months)
3. Long-term forecasting (18 months – more)
 introduction, growth, maturity and decline

Based on the operational planning:

1. Economic forecasting
2. Technology forecasting
3. Demand forecasting
 Steps of Forecasting

1. Setting 2. Choosing the 5. Estimating the

3. Collecting data 4. Analyzing data
forecasting goals relevant teory temporary model

6. Evaluating 7. Presenting the 10. Determining

8. Making final 9. Distributing
model dan temporary the monitoring
revision forecasting result
correcting model forecasting steps
Forecasting Approaching
Qualitative Forecasting Quantitative Forecasting

Judges of 1. Time Series Model:

executive Delphi Method
• Naive approach
opinion
• Moving Average
• Exponential Smooting

Consumer 2. Asosiasive Model:

Sales person
market survey • Trend Projection
• Liniear Regression
Quantitative: Time Series-Naive approach
Forecasting techniques that assume the demand for the
next period is the same as the demand in the last period

Example:
Demand of XYZ in January is 70 units, so demand of XYZ in
February is 70 units.
Moving Average
Forecasting method that uses the average last period of
data to forecast the next period.

Moving average 
 Demand in n last periods
n
PEMILIHAN TEKNIK PERAMALAN*
DAN PENENTUAN KESALAHAN PERAMALAN
Teknik-teknik Peramalan
Teknik peramalan untuk data stasioner

Teknik peramalan untuk data trend

Teknik peramalan untuk data musiman

Teknik peramalan untuk data siklis

Teknik peramalan untuk data stasioner
Teknik peramalan stasioner digunakan jika
1. Data stabil, lingkungan yg berpengaruh relatif tetap
2. Butuh model yang sangat sederhana karena keterbatasan
data, atau memudahkan dalam penjelasan dan pelaksanaan
3. Adanya asumsi tertentu sehingga data menjadi lebih stabil

Teknik yang bisa digunakan : Naive, Moving Average, Autoregressive moving average
 Teknik peramalan untuk data trend
Rangkaian Trend ditandai
dengan adanya kecenderungan
arah data bergerak naik (growth)
atau turun (decline) pada jangka
panjang.
Teknik peramalan untuk data trend digunakan jika:
1. Daya produksi yang meningkat atau kemajuan teknologi
yang mendorong perubahan gaya hidup (misal: permintaan
barang elektronik)
2. Pertambahan jumlah penduduk yang mendorong pada
permintaan barang dan jasa
3. Penerimaan pasar meningkat

Teknik yang bisa digunakan : Moving Average, Holt’ linear exponential smoothing, Simple Regression
Teknik peramalan untuk data musiman
Teknik peramalan untuk data musiman digunakan jika:
1. Musim mempengaruhi variabel minat
2. Kalender tahunan (hari libur, hari besar) mempengaruhi
variabel minat

Teknik yang bisa digunakan : Winter’s exponential smoothing, Multiple regression

 Teknik peramalan untuk data siklis
Efek siklis didefinisikan Teknik peramalan untuk data siklis digunakan jika:
sebelumnya sebagai fluktuasi 1. Putaran bisnis mempengaruhi variabel minat
2. Adanya pergantian selera,mode, dll
bergelombang disekitar 3. Adanya pergantian siklus produk
Trend. Pola siklis sulit untuk
dimodelkan karena pola
mereka secara tipikal tidak
stabil/ tetap

Teknik yang bisa digunakan : ARIMA, Multiple regression

PEMILIHAN TEKNIK PERAMALAN DAN
PENENTUAN KESALAHAN
PERAMALAN*
Notasi Dasar pada Kesalahan Peramalan

Notasi peramalan dapat diringkas sebagai berikut:

Yt : nilai data actual/historis pada periode t
Ŷt : nilai ramalan dari Yt
𝑒𝑡 = 𝑌𝑡 − Ŷt : eror atau kesalahan ramalan.
Metode untuk mengevaluasi teknik peramalan
1. The Mean Absolute Deviation (MAD)
2. The Mean Squared Error (MSE)
3. The Mean Absolute Percentage Error (MAPE)
4. The Mean Percentage Error (MPE)
Fungsi:
Fungsi keempat ukuran ketepatan peramalan adalah sebagai berikut:
a) Membandingkan ketepatan dua atau lebih teknik yang berbeda.
b) Sebagai alat ukur apakah teknik yang diambil dapat dipercaya atau tidak.
c) Membantu mencari sebuah teknik yang optimal
The Mean Absolute Deviation (MAD)
Satu metode untuk mengevaluasi metode peramalan menggunakan jumlah
dari kesalahan-kesalahan yang absolut. The Mean Absolute Deviation (MAD)
mengukur ketepatan ramalan dengan merata-rata kesalahan dugaan (nilai
absolut masing-masing kesalahan).
The Mean Squared Error (MSE)
The Mean Squared Error (MSE) adalah metode lain untuk mengevaluasi
metode peramalan. Masing-masing kesalahan atau sisa dikuadratkan.
Kemudian dijumlahkan dan dibagi dengan jumlah observasi. Pendekatan ini
mengatur kesalahan peramalan yang besar karena kesalahan-kesalahan itu
dikuadratkan.
The Mean Absolute Percentage Error (MAPE)
Ada kalanya persamaan ini sangat berguna untuk menghitung kesalahankesalahan peramalan
dalam bentuk presentase daripada jumlah. The Mean Absolute Percentage Error (MAPE) dihitung
dengan menggunakan kesalahan absolut pada tiap periode dibagi dengan nilai observasi yang
nyata untuk periode itu. Kemudian, meratarata kesalahan persentase absolut tersebut.
Pendekatan ini berguna ketika ukuran atau besar variabel ramalan itu penting dalam
mengevaluasi ketepatan ramalan.
The Mean Percentage Error (MPE)
Ada kalanya perlu untuk menentukan apakah suatu metode peramalan bias (peramalan tinggi
atau rendah secara konsisten). The Mean Percentage Error (MPE) digunakan dalam kasus ini. MPE
dihitung dengan mencari kesalahan pada tiap periode dibagi dengan nilai nyata untuk periode itu.
Kemudian, merata-rata kesalahan persentase ini.
Jika pendekatan peramalan tak bias, MPE akan menghasilkan angka yang mendekati nol. Jika
hasilnya mempunyai presentase negatif yang besar, metode peramalannya dapat dihitung. Jika
hasilnya mempunyai persentase positif yang besar, metode peramalan tidak dapat dihitung.
CONTOH SOAL
Kesalahan Peramalan
 SOAL

Time (t) Customer

(Yt)
Tabel berikut menunjukkan data jumlah
1 58
pelanggan harian yang mensyaratkan perbaikan
kerja,Yt , dan sebuah ramalan data tersebut, Ŷt , 2 54
untuk Cary’s Chevron station. Metode 3 60
peramalan yang digunakan pada sejumlah
pelanggan yang dilayani pada periode 4 55
sebelumnya sebagai peramalan untuk periode 5 62
saat ini. Perhitungan berikut digunakan untuk 6 62
mengevaluasi model ini dengan menggunakan
MAD, MSE, MAPE , dan MPE 7 65
8 63
9 70
JAWABAN
JAWABAN

Keterangan:
MAD mengindikasikan bahwa masing-
masing ramalan disimpangkan oleh rata-
rata 4.3 pelanggan.
MSE = 23.5 dan MAPE = 6.95% akan
dibandingkan dengan MSE dan MAPE untuk
metode lain yang digunakan untuk
meramalkan data ini.
MPE kecil yaitu 2.03% mengindikasikan
bahwa teknik ini tidak bias. Karena hasilnya
mendekati nol, teknik ini tidak selamanya
konsisten atau mengabaikan jumlah
pelanggan yang dilayani tiap harinya.
Sumber-sumber Kesalahan Peramalan
1. Model peramalan mungkin tidak cukup
2. Variasi-variasi yang tak beraturan
3. Kesalahan penggunaan teknik peramalan