Kuliah 2 LSiPro – FT Untirta Muhammad Adha Ilhami 3rd Edition 2014

Presentasi berjudul: "Kuliah 2 LSiPro – FT Untirta Muhammad Adha Ilhami 3rd Edition 2014"— Transcript presentasi:

1 Kuliah 2 LSiPro – FT Untirta Muhammad Adha Ilhami 3rd Edition 2014
PERAMALAN PERMINTAAN Kuliah 2 LSiPro – FT Untirta Muhammad Adha Ilhami 3rd Edition 2014 Muhammad Adha Ilhami

2 Tujuan Pembelajaran Mahasiswa mampu memahami pola-pola demand
Mahasiswa mampu menerapkan teknik-teknik peramalan Muhammad Adha Ilhami

3 Definisi Peramalan (forecasting)
Peramalan adalah estimasi (perkiraan) nilai atau karakteristik masa depan. Hal yang berkaitan dengan peramalan: 1. Prediksi (prediction) 2. Peramalan (forecast) 3. Kecenderungan (trend) Muhammad Adha Ilhami

4 Faktor yang mempengaruhi Permintaan (demand)
Variasi random Rencana konsumen Siklus (daur) hidup produk (product life cycle) Pesaing (kompetitor) Perilaku/sikap konsumen Waktu Siklus bisnis Iklan Sales effort Reputasi Desain produk Kebijaksanaan kredit Kualitas Muhammad Adha Ilhami

5 Sistem/Mekanisme Peramalan
Muhammad Adha Ilhami

6 Taksonomi Peramalan Muhammad Adha Ilhami

7 Klasifikasi Metode Peramalan
Muhammad Adha Ilhami

8 Klasifikasi Peramalan Time Series
Muhammad Adha Ilhami

9 Contoh penggunaan metode sehubungan ketersediaan data
Karakteristik Peramalan Karakteristik Ketersediaan Informasi Informasi Kuantitatif Tersedia Informasi Kuantitatif Kurang, Pengetahuan Kualitatif tersedia Informasi kurang atau tidak tersedia Time series Kausal Eksploratori Normatif Peramalan kontinu berdasarkan pola atau hubungan tertentu Memprediksi pertumbuhan penjualan atau GNP Memperlajari pengaruh harga dan promosi terhadap penjualan Memprediksi kecepatan transportasi pada tahun 2011 Memprediksi perkembangan otomotif pada tahun 2011 Memprediksi pengaruh perkembangan teknologi luar angkasa Peramalan perubahan yang akan terjadi Memprediksi resesi berikutnya Mempelajari pengaruh pengendalian harga dan pembatasan iklan TV terhadap penjualan Memprediksi pengaruh kenaikan harga minyak terhadap konsumsi minyak Memprediksi embargo minyak yang diikuti oleh perang Arab-Israel Penemuan sumber energi baru yang murah dan tidak menimbulkan polusi Muhammad Adha Ilhami

10 Metode Kualitatif Tidak memerlukan data kuantitatif
Unsur subyektifitas peramalan sangat besar pengaruhnya dalam hasil peramalan Baik untuk peramalan jangka panjang Contoh: Opini individu Opini kelompok Forum Delphi Muhammad Adha Ilhami

11 Metode Kuantitatif Dibutuhkan data masa lalu
Data tersebut dapat dikuantifikasi Diasumsikan pola data masa lalu akan berlanjut pada masa yang akan datang Keterangan data: Paling baik menggunakan data permintaan Menggunakan data jumlah unit penjualan Kalau tidak dimiliki data penjualan, gunakan data jumlah unit produksi Muhammad Adha Ilhami

12 Forecasting Time Horizon
Short Range Forecast: time span is up to 1 year but generally less than 3 months. Used for planning purchasing, job scheduling, work-force levels, job assignments, and production levels Medium Range Forecast: medium or intermediate range, generally spans from 3 months up to 3 years. Used for sales planning, production planning and budgeting, cash budgeting, and analyzing various operations plan. Long Range Forecast : generally 3 years or more. Used for planning new product, capital expenditures, facility location expansion, and research and development. Muhammad Adha Ilhami

13 Prosedur Peramalan Plot data penjualan terhadap waktu
Pilih beberapa metode peramalan Evaluasi error dari setiap metode peramalan yang dipilih Pilih metode peramalan dengan error terkecil Interpretasikan hasil peramalan Muhammad Adha Ilhami

14 Pola Data Masa Lalu Muhammad Adha Ilhami

15 Pentingnya Data Penjualan Masa Lalu dalam Forecast
See movie Muhammad Adha Ilhami

16 Hati-hati terhadap Siklus Hidup Produk
Peluang lost sales Peluang terjadi over production Muhammad Adha Ilhami

17 Teknik Peramalan Konstan : Regresi Linier : Siklis :
Muhammad Adha Ilhami

18 Teknik Peramalan Kuadratis: D(t) = a + bt + ct2
Estimasi parameter dengan formula: Muhammad Adha Ilhami

19 Contoh Perhitungan Peramalan Konstan
1. Cek pola data (lihat grafik) 2. Pilih metode peramalan dengan teknik konstan 3. Estimasi a (topi) dimana n = jumlah data a = ( )/6 a = 916,67 maka D(t) = 916,67 Periode Penjualan/Permintaan t d(t) 1 800 2 1000 3 900 4 850 5 950 6 Muhammad Adha Ilhami

20 Contoh Perhitungan Peramalan Regresi (1)
1. Cek pola data (lihat grafik)  trend 2. Rekomendasi peramalan dengan teknik regresi. Periode Penjualan t d(t) 1 800 2 900 3 1100 4 1200 5 1300 Muhammad Adha Ilhami

21 Contoh Perhitungan Peramalan Regresi (2)
estimasi : = 55 = 5.300 = 15 = = 5 x 55 = 275 = (15)^2 = 225 t d(t) t d(t) t^2 d(t)^2 1 800 640,000 2 900 1,800 4 810,000 3 1,100 3,300 9 1,210,000 1,200 4,800 16 1,440,000 5 1,300 6,500 25 1,690,000 15 5,300 17,200 55 5,790,000 Muhammad Adha Ilhami

22 Contoh Perhitungan Peramalan Regresi (3)
estimasi : = 5 = =15 = 5.300 = 55 = 15^2 = 225 t d(t) t d(t) t^2 d(t)^2 1 800 640,000 2 900 1,800 4 810,000 3 1,100 3,300 9 1,210,000 1,200 4,800 16 1,440,000 5 1,300 6,500 25 1,690,000 15 5,300 17,200 55 5,790,000 Muhammad Adha Ilhami

23 Contoh Perhitungan Peramalan Regresi (4)
Fungsi Regresi : D(t) = t Maka (D(t)) demand pada saat t = 6 adalah D(6) = x 6 = = 1450 Muhammad Adha Ilhami

24 Metode Kuadratis Formula : D(t) = a + bt + ct2 b = 450/28 = 16,07
t x d(t) t^2 t^2 x d(t) t^4 -3 800 9 7200 81 -2 1000 4 4000 16 -1 900 1 850 850.00 2 950 3800 3 9000 6 5500 450.00 28 25750 196 b = 450/28 = 16,07 c = (5500*28 – 6*25750)/((28)^2 – 6*196) = 1,275 a = (5500 – 1,275*28)/6 = 910,714 Formula : D(t) = 910, ,07t + 1,275t2 Muhammad Adha Ilhami

25 Kriteria Performansi Hasil Peramalan
Mean Square Error (MSE) Standard Error of Estimate (SEE) f = derajat kebebasan ( f=1 konstan, f=2 linier, f=3 kuadratis) Persentage Error (PE) Mean Absolute Persentage Error (MAPE) Muhammad Adha Ilhami

26 Kriteria Performansi Hasil Peramalan Lainnya
Mean Absolute Deviation (MAD) Mean Percentage Error (MPE) Muhammad Adha Ilhami

27 Pemilihan Kriteria Error (Validasi & Verifikasi Model Peramalan)
Untuk memilih model terbaik digunakan beberapa kriteria pemilihan model,yaitu kriteria in sample (training) dan out sample (testing). Kriteria in sample dilakukan melalui MSE (Mean Square). Pada penentuan model terbaik melalui kriteria out sample dilakukan melalui MAPE (Mean Absolute Percentage Error). t d(t) 1 140 2 159 3 136 4 157 5 173 6 181 7 177 . 50 51 178 168 98 154 99 179 100 180 In sample: Digunakan untuk membuat model peramalan. (Verifikasi Model) Out sample: Digunakan untuk validasi model peramalan. (Validasi Model) Muhammad Adha Ilhami

28 Contoh : Prosedur Peramalan 1. Plot Data Penjualan terhadap Waktu
d(t) 1 800 2 1000 3 900 4 850 5 950 6 Muhammad Adha Ilhami

29 2. Pilih Metode Peramalan Konstan, Regresi & Kuadratis
d(t) D(t) 1 800 916.67 2 1000 3 900 4 850 5 950 6 Konstan : D(t) = a = 916,67 Regresi : D(t) = a + bt a = 836,6 B = 22,85 D(t) = 836,6 + 22,85t Kuadratis: D(t) = 910, ,07t + 1,275t2 t d(t) D(t) 1 800 859.45 2 1000 882.30 3 900 905.15 4 850 928.00 5 950 950.85 6 973.70 t d(t) D(t) -3 800 -2 1000 -1 900 1 850 2 950 3 Muhammad Adha Ilhami

30 3. Evaluasi Error untuk Setiap Metode
Konstan Regresi Linier t d(t) D(t) d-D (d-D)^2 PE |PE| 1 800 916.67 -14.58 14.58 859.45 -59.45 -7.43 7.43 2 1000 83.33 8.33 882.30 117.70 11.77 3 900 -16.67 277.78 -1.85 1.85 905.15 -5.15 26.52 -0.57 0.57 4 850 -66.67 -7.84 7.84 928.00 -78.00 -9.18 9.18 5 950 33.33 3.51 950.85 -0.85 0.72 -0.09 0.09 6 973.70 26.30 691.69 2.63 5500 44.45 31.67 = 24190,53/6 = 4031,75 = (24190,53/(6-2))^0,5 = 77,76 = 31,67/6 = 5,278 = 33333,33/6 = 5555,56 = (33333,33/(6-1))^0,5 = 81,65 = 44,45/6 = 7,41 Muhammad Adha Ilhami

31 3. Evaluasi Error untuk Setiap Metode
Kuadratis t d(t) D(t) d(t) - D(t) (d(t)-D(t))^2 PE |PE| 1 800 2 1000 3 900 4.081 4 850 5 950 2.046 6 29.601 2.9601 21.00 = /6 =4332,483 = (25994/(6-3))^0,5 = 93,09 = 33,69/6 = 5,6 Muhammad Adha Ilhami

32 4. Pilih Metode Peramalan Terbaik
Konstan Linier/Regresi Kuadratis MSE 5555,56 4031,75 4332,483 SEE 81,65 77,76 93,0858 MAPE 7,41 5,278 5,6 Square Error Terlihat bahwa metode liner terbaik (paling kecil nilai kriterianya) dalam seluruh kriteria yaitu MSE, SEE, dan MAPE. Karena data yang digunakan merupakan data in sample maka kriteria performansi (error) yang digunakan adalah MSE. Sehingga formula/model peramalan terbaik adalah: D(t) = 836,6 + 22,85t (Linier) Muhammad Adha Ilhami

33 5. Interpretasi Hasil Peramalan
Berdasarkan fungsi D(t) = 836,6 + 22,85t maka hasil peramalan untuk periode ke depan adalah: t = 7  D(7) = 836,6 + 22,85(7) = 996,55 t = 8  D(8) = 836,6 + 22,85(8) = 1018,4 . t = t  D(t) = 836,6 + 22,85t Muhammad Adha Ilhami

34 Tugas Peramalan Jelaskan pola data dari data tersebut?
Pilih teknik peramalan yang tepat (Gunakan metode konstan, linier, dan kuadratis)? Cek performansi dari fungsi peramalan? Bandingkan performansi fungsi peramalan antara teknik regresi dan teknik konstan? Mana yang lebih baik? Jelaskan? Lakukan peramalan untuk permintaan pada periode t = 13, t = 14, dan t = 15 Muhammad Adha Ilhami

35 Metode Peramalan Lainnya
Naïve Model Model Average a. Simple Average (SA) b. Moving Average (MA) c. Double Moving Average (DMA) Exponential Smoothing a. Single Exponential Smoothing (SES) b. Double Exponential Smoothing (DES) atau Holt Method c. Triple Exponential Smoothing (TES) atau Winter Model Arima Model Muhammad Adha Ilhami

36 Naïve Model Pola Data Horizontal Pola Data Trend Pola Data Musiman Yt
Yt - Yt-1 Yt-1 Yt - Yt-1 t s s Muhammad Adha Ilhami

37 Contoh Naïve Model Pola Data Trend Pola Data Musiman
d(t) = Y(t) D(t) = Y’(t) 1 90 2 91 3 92 4 93 5 94 Pola Data Trend Yt – Yt-1 = Y4 – Y4-1 = 93 – 92 = 1 Y’5 = Y4 + (Y4 – Y3) = = 94 Pola Data Musiman s(80  80) = t(4) – t(1) = 4 – 1 = 3 Y’7 = Y(6+1)-3 = Y4 = 80 t d(t) = Y(t) D(t) = Y’(t) 1 80 2 91 3 93 4 5 6 7 Muhammad Adha Ilhami

38 Model Average Simple Average Moving Average
Y’5 = (Y1 + Y2 + Y3 + Y4)/n = ( )/4 = 93,25 Naïve  Y’5 = Y4 + (Y4 – Y3) = = 90 Moving Average n = 3 (bisa berapa saja/ ketetapan) Mt = Y’7 = ( )/3 = 88 t d(t) = Y(t) D(t) = Y’(t) 1 96 2 91 3 94 4 92 5 93,25 t d(t) = Y(t) D(t) = Y’(t) 1 80 2 91 3 93 4 5 6 7 88 Muhammad Adha Ilhami

39 Model Exponential Smoothing
Single Exponential Smoothing (SES) Model ini digunakan untuk memodelkan data dengan pola stasioner Double Exponential Smoothing (DES) Model ini digunakan untuk memodelkan data yang mengandung pola trend 1. Pemulusan secara eksponensial (Taksiran Level) At =  Yt + (1) (At-1+ Tt-1) dengan 2. Taksiran trend Tt =γ(At  At-1) + (1  γ) Tt-1 dengan 3. Peramalan untuk p periode ke depan Muhammad Adha Ilhami

40 Model Exponential Smoothing
Nilai At menyatakan estimasi besarnya (level) nilai ramalan pada waktu t, nilai Tt menyatakan nilai slope pada waktu t. Nilai pembobotan α dan γ dapat ditentukan oleh user, namun dalam beberapa software telah dilakukan optimisasinya. Muhammad Adha Ilhami