Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

1 Metode Peramalan (Forecasting Method) Muhammad Yusuf Teknik Informatika – Universitas Trunojoyo

Presentasi serupa


Presentasi berjudul: "1 Metode Peramalan (Forecasting Method) Muhammad Yusuf Teknik Informatika – Universitas Trunojoyo"— Transcript presentasi:

1 1 Metode Peramalan (Forecasting Method) Muhammad Yusuf Teknik Informatika – Universitas Trunojoyo

2 2 Definisi Peramalan Peramalan adalah seni dan ilmu untuk memprediksi masa depan. Peramalan adalah seni dan ilmu untuk memprediksi masa depan. Peramalan adalah tahap awal, dan hasil ramalan merupakan basis bagi seluruh tahapan pada perencanaan produksi. Peramalan adalah tahap awal, dan hasil ramalan merupakan basis bagi seluruh tahapan pada perencanaan produksi. Metode: Kualitatif dan kuantitatif. Metode: Kualitatif dan kuantitatif. Terminologi: perioda, horison, lead time, fitting error, forecast error, data dan hasil ramalan. Terminologi: perioda, horison, lead time, fitting error, forecast error, data dan hasil ramalan.

3 3 Peramalan Eksplanatoris dan Deret Berkala Kedua pendekatan ini saling melengkapi dan dimaksudkan untuk jenis penggunaan yg berbeda. Kedua pendekatan ini saling melengkapi dan dimaksudkan untuk jenis penggunaan yg berbeda. Pendekatan ekspalanatoris mengasumsikan adanya hubungan sebab akibat di antara input dengan output dari suatu sistem. Pendekatan ekspalanatoris mengasumsikan adanya hubungan sebab akibat di antara input dengan output dari suatu sistem. Hubungan sebab dan akibat InputOutput Sistem Peramalan Deret Berkala memperlakukan sistem sebagai kotak hitam. Peramalan Deret Berkala memperlakukan sistem sebagai kotak hitam. Proses Bangkitan InputOutput Sistem

4 4 METODE PERAMALAN

5 5

6 6 MODEL KUALITATIF

7 7 Persyaratan Penggunaan Metode Kuantitatif: 1.Tersedia informasi tentang masa lalu. 2.Informasi tersebut dapat di kuantitatifkan dalam bentuk data numerik. 3.Dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus berlanjut di masa mendatang.

8 8 Langkah-langkah Peramalan Definisikan tujuan peramalan. Definisikan tujuan peramalan. Plot data (part family) masa lalu. Plot data (part family) masa lalu. Pilih metode-metode yang paling memenuhi tujuan peramalan dan sesuai dengan plot data. Pilih metode-metode yang paling memenuhi tujuan peramalan dan sesuai dengan plot data. Hitung parameter fungsi peramalan untuk masing-masing metode. Hitung parameter fungsi peramalan untuk masing-masing metode. Hitung fitting error untuk semua metode yang dicoba. Hitung fitting error untuk semua metode yang dicoba. Pilih metode yang terbaik, yaitu metode yang memberikan error paling kecil. Pilih metode yang terbaik, yaitu metode yang memberikan error paling kecil. Ramalkan permintaan untuk periode mendatang Ramalkan permintaan untuk periode mendatang Lakukan verifikasi peramalan. Lakukan verifikasi peramalan.

9 9 Pola data metode deret berkala (1) 1.Pola horisontal (H) terjadi bilamana data berfluktuasi disekitar nilai rata-rata yg konstan. Suatu produk yg penjualannya tdk meningkat atau menurun selama waktu tertentu termasuk jenis ini. Pola khas dari data horizontal atau stasioner seperti ini dapat dilihat dalam Gambar Pola musiman (S) terjadi bilamana suatu deret dipengaruhi oleh faktor musiman (misalnya kuartal tahun tertentu, bulanan, atau hari-hari pada minggu tertentu). Penjualan dari produk seperti minuman ringan, es krim, dan bahan bakar pemanas ruang semuanya menunjukkan jenis pola ini. Untuk pola musiman kuartalan dapat dilihat Gambar 1.2.

10 10 Pola data metode deret berkala (2) 3.Pola siklis (C) terjadi bilamana datanya dipengaruhi oleh fluktuasi ekonomi jangka panjang seperti yang berhubungan dengan siklus bisnis. Contoh: Penjualan produk seperti mobil, baja, dan peralatan utama lainnya. Jenis pola ini dapat dilihat pada Gambar Pola trend (T) terjadi bilamana terdapat kenaikan atau penurunan sekuler jangka panjang dalam data. Contoh: Penjualan banyak perusahaan, GNP dan berbagai indikator bisnis atau ekonomi lainnya. Jenis pola ini dapat dilihat pada Gambar 1.4.

11 11

12 12 Karakteristik trend KomponenAmplitudoPenyebab Seasonal 12 bulan Liburan, musim, perioda finansial Cyclical 3-5 tahun Ekonomi nasional, perubahan politik Bisnis 1-5 tahun Pemasaran, kompetisi, performance Product life cycle 1-5 tahun, makin pendek Substitusi produk

13 13 Metode Deret Waktu (Time Series) 1. Constant 2. Linier trend 3. Quadratic 4. Exponential 5. Moving Average 6. Exponential smoothing 7. Seasonal

14 14 1. Metode Constant Dalam Metode Constant, peramalan dilakukan dengan mengambil rata-rata data masa lalu (historis). Rumus untuk metoda linier:Rumus untuk metoda linier: Keterangan: d’ t = Forecast untuk saat t t = time (independent variable) d t = demand pada saat t n = jumlah data

15 15 Contoh Metode Constant Bulant d t Jan1 90 Feb2 111 Mar3 99 Apr4 89 Mei5 87 Jun6 84 Jul7 104 Aus8102 Sep9 95 Okt10114 Nov11103 Des12113  1191  1191

16 16 2. Metode Linier trend Keterangan: d’ t = Forecast untuk saat t a = intercept b = kemiringan garis t = time (independent variable) d t = demand pada saat t n = jumlah data Model ini menggunakan data yang secara random berfluktuasi membentuk garis lurus.Model ini menggunakan data yang secara random berfluktuasi membentuk garis lurus. Rumus untuk metoda linier:Rumus untuk metoda linier:

17 17 Contoh Metode Linear trend td t td t t 2 d’ t (d t -d’ t ) , , ,1 620, , , , ,9 620, ,5 12, ,3 d’ t = a + bt = 2006, ,6t = 2006, ,6t

18 18 3. Metode Quadratic (1) Model ini menggunakan data yang secara random berfluktuasi membentuk Model ini menggunakan data yang secara random berfluktuasi membentuk kurva quadratic. Rumus untuk model quadratic: Rumus untuk model quadratic: Keterangan : ……

19 19 Contoh Metode Quadratic tt2t2 t3t3 t4t4 dtdt td t t2dtt2dt 

20 20 3. Metode Quadratic (2)

21 21 4. Metode Exponential (1) Digunakan apabila persamaan a dan b tidak bisa dipecahkan dengan cara konvensional. Digunakan apabila persamaan a dan b tidak bisa dipecahkan dengan cara konvensional. Digunakan transformasi logaritma ke dalam situasi regresi. Digunakan transformasi logaritma ke dalam situasi regresi. Persamaan metode eksponensial : Persamaan metode eksponensial : Keterangan: d’ t = Forecast untuk saat t a = intercept b = kemiringan garis t = time (independent variable) e = exponential (konstanta)

22 22 Contoh Metode Eksponensial t dtdtdtdt Ln(d t ) tLn(d t ) t2t2t2t

23 23 4. Metode Eksponensial (2) Persamaan transformasi logaritma : Persamaan transformasi logaritma : Keterangan: d’ t = Forecast untuk saat t a = intercept b = kemiringan garis t = time (independent variable) e = exponential (konstanta)

24 24 5. Metode Moving Average (1) Digunakan bila data-datanya : Digunakan bila data-datanya : - tidak memiliki trend - tidak dipengaruhi faktor musim Digunakan untuk peramalan dengan perioda waktu spesifik. Digunakan untuk peramalan dengan perioda waktu spesifik. Moving Average didefinisikan sebagai : Moving Average didefinisikan sebagai : Keterangan : n = jumlah perioda d t = demand pada bulan ke t

25 25 Contoh Metode Moving Average Bulan t d t MA 3 bulan MA 5 bulan Jan Feb Mar Apr 4 16 ( )/3=11,66 - Mei 5 19 ( )/3=13,66 - Jun 6 23 ( )/3=16,00 ( )/5 = 14 Jul 7 26 ( )/3=19,33 ( )/5 = 16,6

26 26 5. Metode Moving Average (2) Peramalan jangka pendek lebih baik dibandingkan jangka panjang. Peramalan jangka pendek lebih baik dibandingkan jangka panjang. Kelemahan : tidak cocok untuk pola data trend atau pola data musiman. Kelemahan : tidak cocok untuk pola data trend atau pola data musiman.

27 27 6. Metode Exponential Smoothing (1) Kesalahan peramalan masa lalu digunakan untuk koreksi peramalan berikutnya. Kesalahan peramalan masa lalu digunakan untuk koreksi peramalan berikutnya. Dihitung berdasarkan hasil peramalan + kesalahan peramalan sebelumnya. Dihitung berdasarkan hasil peramalan + kesalahan peramalan sebelumnya.

28 Metode Exponential Smoothing (2)  besar, smoothing yg dilakukan kecil  besar, smoothing yg dilakukan kecil  kecil, smoothing yg dilakukan semakin besar  kecil, smoothing yg dilakukan semakin besar  optimum akan meminimumkan MSE, MAPE  optimum akan meminimumkan MSE, MAPE ES didefinisikan sebagai: Keterangan: F t+1 = Ramalan untuk periode berikutnya D t = Demand aktual pada periode t F t = Peramalan yg ditentukan sebelumnya untuk periode t  = Faktor bobot

29 29 Contoh Metode Exponential Smoothing PeriodDemand Forecast, F t+1 =0.3 =

30 30 7. Metode Seasonal Demand meningkat karena pengaruh tertentu atau berdasarkan waktu. Demand meningkat karena pengaruh tertentu atau berdasarkan waktu. Nilai/harga faktor seasonal antar 0 dan 1. Nilai/harga faktor seasonal antar 0 dan 1. Formulasi peramalan pada tahun ke i : Formulasi peramalan pada tahun ke i : d’ i = a + b t Keterangan : d’ i = peramalan untuk saat ke i t = perioda waktu (bulan, minggu, dll) Formulasi Peramalan Seasonal : Formulasi Peramalan Seasonal : SF (i) = (S i ).(d’ t )

31 31 a = 40.97b = 4.3 y = t Untuk tahun 1995 (t =4) diperoleh Peramalan utk tiap kwartal: SF 1 = S 1.F 5 =.28 (58.7) = SF 2 = SF 3 = 8.73 SF 4 = Contoh Metode Seasonal (2)

32 32 Forecasting Errors & Tracking Signals 3 metode perhitungan kesalahan peramalan :

33 33 Verifikasi (1) Salah satu metode verifikasi adalah Moving Range Chart (MRC). Salah satu metode verifikasi adalah Moving Range Chart (MRC). Moving Range (MR) didefinisikan sebagai : Moving Range (MR) didefinisikan sebagai : MR = |(d’ t – d t ) – (d’ t-1 – d t-1 )| MR = |(d’ t – d t ) – (d’ t-1 – d t-1 )| Keterangan : Keterangan : d’ t = ramalan pada bulan ke t d’ t = ramalan pada bulan ke t d t = kebutuhan pada bulan ke t d t = kebutuhan pada bulan ke t d’ t–1 = ramalan pada bulan ke t-1 d’ t–1 = ramalan pada bulan ke t-1 d t–1 = kebutuhan pada bulan ke t-1 d t–1 = kebutuhan pada bulan ke t-1

34 34 Verifikasi (2) Rata-rata MR dihitung : Rata-rata MR dihitung : Batas kontrol atas (UCL), batas kontrol bawah (LCL), dan garis tengah (CL) Batas kontrol atas (UCL), batas kontrol bawah (LCL), dan garis tengah (CL)

35 35 Verifikasi (3)

36 36 Verifikasi (4) Pengujian out of kontrol : Pengujian out of kontrol :  Dari 3 titik yang berurutan, 2 titik atau lebih berada di daerah A.  Dari 5 titik yang berurutan, 3 titik atau lebih berada di daerah B.  Dari 5 titik yang berurutan, 3 titik atau lebih berada di daerah B.  Dari 8 titik yang berurutan, seluruhnya berada di atas atau di bawah center line.  Dari 8 titik yang berurutan, seluruhnya berada di atas atau di bawah center line.  Satu titik berada di luar batas kontrol.  Satu titik berada di luar batas kontrol.

37 37 Verifikasi (5) Contoh Soal: Kasus Peramalan Konstan Contoh Soal: Kasus Peramalan Konstan MR = |(d’ t – d t ) – (d’ t-1 – d t-1 ) |

38 38 Verifikasi (6) Gambar 2. Peta Kendali Peramalan Konstan JFMAMJJASOND Bulan d' - d CL UCL = LCL = -28.2

39 39 Verifikasi (7) Bila kondisi out of control terjadi: Perbaiki ramalan dengan memasukkan data baru. Perbaiki ramalan dengan memasukkan data baru. Tunggu evidence (fakta-fakta) selanjutnya. Tunggu evidence (fakta-fakta) selanjutnya.

40 40 Contoh Metode Seasonal (1) Year Demand (x 1000) Kwartal-1Kwartal-2Kwartal-3Kwartal-4Total Perhitungan faktor bobot: S 1 = D 1 /  D = 42/148.7 = 0.28 S 2 = 0.20 S 3 = 0.15 S 4 = 0.37

41 41 Kesimpulan 1. Peramalan merupakan tahapan awal dalam perencanaan sistem operasi produksi. 2. Model yang paling tepat harus dipilih dalam melakukan peramalan. 3. Model yang dipilih dapat dibandingkan dengan model yang lain dengan menggunakan kriteria minimum average sum of squared errors. 4. Distribusi forecast errors harus dimonitor, jika terjadi bias maka model yang digunakan tidak tepat.


Download ppt "1 Metode Peramalan (Forecasting Method) Muhammad Yusuf Teknik Informatika – Universitas Trunojoyo"

Presentasi serupa


Iklan oleh Google