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