RIZKA HADIWIYANTI, SKom,MKom Peramalan RIZKA HADIWIYANTI, SKom,MKom

Mengapa perlu dilakukan peramalan? Permintaan atau kebutuhan yang akan datang tidak diketahui dengan pasti Peramalan menjadi sangat penting jika diperlukan waktu yang lama untuk membeli atau membuat komponen dan untuk membuat produk tertentu, dibandingkan dengan kesediaan pelanggan untuk menunggu pengiriman produk tersebut SUPPLY CHAIN MANAGEMENT 10/9/2017

Contoh Dell membuat PC berdasarkan order pelanggan Dell memesan processor dari Intel Pelanggan ingin PC nya dikirim dalam hitungan hari setelah mereka memesan Intel perlu beberapa minggu untuk membuat processor Intel harus memproduksi processor lebih awal daripada pesanan konsumen, sehingga Dell dan Intel harus meramalkan permintaan processor di masa yang akan datang dan merencanakan produksi sesuai dengan ramalan ini SUPPLY CHAIN MANAGEMENT 10/9/2017

Peran Peramalan dalam Supply Chain Dasar dari seluruh keputusan strategis dan perencanaan dalam supply chain Digunakan pada berbagai proses Contoh: Produksi: penjadualan, inventory, perencanaan agregat Pemasaran: alokasi tenaga pemasar, promosi, pengenalan produk baru Keuangan: investasi pabrik dan peralatan , rencana anggaran Personalia: perencanaan SDM, rekrutmen dan pemberhentian Seluruh keputusan ini saling terkait SUPPLY CHAIN MANAGEMENT 10/9/2017

Karakteristik dari peramalan Ramalan selalu mempunyai kesalahan. Harus memasukkan nilai ekspektasi dan ukuran kesalahan. Ramalan jangka panjang kurang akurat dibandingkan ramalan jangka pendek Horison peramalan, waktu antara titik dimana ramalan dibuat sampai dengan kejadian diramalkan, penting. SUPPLY CHAIN MANAGEMENT 10/9/2017

Horizon peramalan Jangka pendek – sampai 1 tahun, biasanya kurang dari 3 bulan. Merencanakan pembelian, penjadwalan kerja, tingkat tenaga kerja, pembagian tugas. Jangka menengah – 3 bulan - 3 tahun. Perencanaan penjualan, perencanaan produksi, cash budgeting, mengevaluasi rencana produksi Jangka panjang – biasanya lebih dari 3 tahun. Perencanaan produk baru, pengeluaran modal, lokasi dan perluasan fasilitas, research and development SUPPLY CHAIN MANAGEMENT 10/9/2017

Tipe-tipe peramalan Kualitatif Kuantitatif Karakteristik berdasarkan pertimbangan dan pendapat manusia; subyektif berdasarkan data kuantitatif dan matematis Kelebihan memperhitungkan perkembangan terakhir dalam lingkungan dan informasi dari dalam konsisten dan obyektif; dapat mempertimbangkan banyak informasi dan data sekaligus Kelemahan ramalan yang bias dan akurasi yang rendah data kuantitatif mungkin tidak dapat diperoleh. Hanya sebaik data yang dimasukkan SUPPLY CHAIN MANAGEMENT 10/9/2017

Metode peramalan Kualitatif: Bersifat subjektif; memanfaatkan intuisi dan opini serta pengalaman pribadi; digunakan jika data historis yang tersedia sedikit Time Series: hanya menggunakan data permintaan terdahulu (data historis) Static Adaptive Causal: metode ini mencari keterkaitan antara permintaan dan faktor lingkungan tertentu (misalnya tingkat suku bunga) untuk membuat peramalan Simulasi Mengkombinasikan time series dan metode causal Meniru pilihan konsumen yang memberikan kenaikan pada permintaan SUPPLY CHAIN MANAGEMENT 10/9/2017

Model Time Series Mengasumsikan bahwa sejarah permintaan masa lalu adalah indikator yang baik untuk permintaan di masa yang akan datang Paling sesuai jika situasi lingkungan stabil dan pola permintaan dasar tidak bervariasi secara signifikan dari satu tahun ke tahun berikutnya Metode yang paling sederhana dan dapat menjadi titik acuan awal untuk meramalkan permintaan SUPPLY CHAIN MANAGEMENT 10/9/2017

Pola dalam data time series (1) Stationary – pola horizontal. Kurva berubah di sekitar sebuah nilai sentral, biasanya mean (rata-rata) 1 2 3 4 5 6 7 8 9 Periode waktu Nilai SUPPLY CHAIN MANAGEMENT 10/9/2017

Pola dalam data time series (2) Non-stationary – trend naik atau turun 1 2 3 4 5 6 7 8 9 Periode waktu Nilai SUPPLY CHAIN MANAGEMENT 10/9/2017

Pola dalam data time series (3) Seasonal – trend non-stationary dengan variasi siklus yang berulang pada interval yang tetap 1 2 3 4 5 6 7 8 9 Periode waktu Nilai SUPPLY CHAIN MANAGEMENT 10/9/2017

Langkah-langkah Dasar Melakukan Peramalan Pahami tujuan peramalan Integrasikan perencanaan permintaan dengan peramalan Identifikasi faktor-faktor utama yang mempengaruhi ramalan permintaan Pahami dan identifikasi segmen pelanggan Tentukan teknik peramalan yang tepat Tentukan ukuran kinerja dan kesalahan (error) dari ramalan SUPPLY CHAIN MANAGEMENT 10/9/2017

Components of an Observation Observed demand (O) = Systematic component (S) + Random component (R) Systematic component: Nilai ekspektasi permintaan Random Component: penyimpangan dari systematic component (pengukuran forecast error) Level (current deseasonalized demand) Trend (growth or decline in demand) Seasonality (predictable seasonal fluctuation) SUPPLY CHAIN MANAGEMENT 10/9/2017

Metode Peramalan Time Series Static: memperhitungkan level, trend, dan seasonality namun tidak memperbarui data ketika permintaan baru diobservasi Adaptive: memperhitungkan level, trend, dan seasonality yang kemudian disesuaikan dengan data permintaan yang diobservasi Moving average Simple exponential smoothing Holt’s model (with trend) Winter’s model (with trend and seasonality) SUPPLY CHAIN MANAGEMENT 10/9/2017

Static Methods Ft+l = [L + (t + l)T]St+l forecast pada period t untuk permintaan pada periode t + l L = perkiraan level untuk period 0 T = perkiraan trend (naik atau turun) St = perkiraan seasonal factor untuk periode t Dt = permintaan sebenarnya pada periode t Ft = peramalan permintaan pada periode t SUPPLY CHAIN MANAGEMENT 10/9/2017

Quarterly Demand for NaturalGas.Com Lakukan ramalan permintaan untuk 4 periode ke depan SUPPLY CHAIN MANAGEMENT 10/9/2017

1. Estimating Level and Trend Sebelum menghitung level dan trend, harus dilakukan deseasonalized demand Deseasonalized demand = demand that would have been observed in the absence of seasonal fluctuations Periodicity (p) Jumlah periode dimana 1 siklus seasonal berulang SUPPLY CHAIN MANAGEMENT 10/9/2017

Quarterly Demand at NaturalGas.Com SUPPLY CHAIN MANAGEMENT 10/9/2017

Deseasonalizing Demand [Dt-(p/2) + Dt+(p/2) + Sum 2Di] / 2p untuk p genap (sum is from i = t+1-(p/2) to t-1+(p/2)) Dt = Sum Di / p untuk p ganjil (sum is from i = t-(p/2) to t+(p/2)), p/2 truncated to lower integer SUPPLY CHAIN MANAGEMENT 10/9/2017

Deseasonalizing Demand Contoh, p = 4, genap For t = 3: D3 = {D1 + D5 + Sum(i=2 to 4) [2Di]}/8 = {8000+10000+[(2)(13000)+(2)(23000)+(2)(34000)]}/8 = 19750 D4 = {D2 + D6 + Sum(i=3 to 5) [2Di]}/8 = {13000+18000+[(2)(23000)+(2)(34000)+(2)(10000)]/8 = 20625 SUPPLY CHAIN MANAGEMENT 10/9/2017

Deseasonalizing Demand Kemudian masukkan trend Dt = L + tT where Dt = deseasonalized demand in period t L = level (deseasonalized demand at period 0) T = trend (rate of growth of deseasonalized demand) Trend ditentukan dengan regresi linear menggunakan deseasonalized demand sebagai dependent variable dan periode sebagai independent variable (dihitung menggunakan excel) diperoleh, L = 18,439 and T = 524 SUPPLY CHAIN MANAGEMENT 10/9/2017

Time Series of Demand SUPPLY CHAIN MANAGEMENT 10/9/2017

2. Estimating Seasonal Factors St = Dt / Dt = faktor seasonal untuk period t Pada contoh, D2 = 18439 + (524)(2) = 19487 D2 = 13000 S2 = 13000/19487 = 0.67 Faktor seasonal untuk periode lainnya dihitung dengan cara yang sama SUPPLY CHAIN MANAGEMENT 10/9/2017

Estimating Seasonal Factors SUPPLY CHAIN MANAGEMENT 10/9/2017

Estimating Seasonal Factors Keseluruhan faktor seasonal untuk 1 “musim” kemudian dicari rata-ratanya Jika ada r siklus seasonal, untuk semua periodedari pt+i, 1<i<p, faktor seasonal untuk musim i adalah Si = [Sum(j=0 to r-1) Sjp+i]/r Pada contoh, ada 3 siklus seasonal dan p=4, sehingga S1 = (0.42+0.47+0.52)/3 = 0.47 S2 = (0.67+0.83+0.55)/3 = 0.68 S3 = (1.15+1.04+1.32)/3 = 1.17 S4 = (1.66+1.68+1.66)/3 = 1.67 SUPPLY CHAIN MANAGEMENT 10/9/2017

3. Estimating the Forecast Menggunakan rumus Ft+l = [L + (t + l)T]St+l ramalan permintaan untuk 4 periode ke depan F13 = (L+13T)S13 = [18439+(13)(524)](0.47) = 11868 F14 = (L+14T)S14 = [18439+(14)(524)](0.68) = 17527 F15 = (L+15T)S15 = [18439+(15)(524)](1.17) = 30770 F16 = (L+16T)S16 = [18439+(16)(524)](1.67) = 44794 SUPPLY CHAIN MANAGEMENT 10/9/2017

Adaptive Forecasting Penghitungan level, trend dan seasonality disesuaikan dan diperbarui setelah setiap permintaan diobservasi Moving average Simple exponential smoothing Trend-corrected exponential smoothing (Holt’s model) Trend- and seasonality-corrected exponential smoothing (Winter’s model) SUPPLY CHAIN MANAGEMENT 10/9/2017

Basic Formula for Adaptive Forecasting Ft+1 = (Lt + lT)St+1 = forecast for period t+l in period t Lt = Estimate of level at the end of period t l=Period to be forecasted Tt = Estimate of trend at the end of period t St = Estimate of seasonal factor for period t Ft = Forecast of demand for period t (made period t-1 or earlier) Dt = Actual demand observed in period t Et = Forecast error in period t At = Absolute deviation for period t = |Et| MAD = Mean Absolute Deviation = average value of At SUPPLY CHAIN MANAGEMENT 10/9/2017

Moving Average Digunakan ketika permintaan pasar tetap stabil (tidak ada trend atau seasonality) Level pada periode t adalah permintaan rata-rata terhadap N periode terakhir (the N-period moving average) Peramalan saat ini untuk semua periode di masa mendatang sama dan didasarkan pada perkiraan level saat ini Lt = (Dt + Dt-1 + … + Dt-N+1) / N Ft+1 = Lt and Ft+n = Lt Setelah permintaan diobservasi selama perode t+1, perkiraan diperbarui sebagai berikut: Lt+1 = (Dt+1 + Dt + … + Dt-N+2) / N Ft+2 = Lt+1 SUPPLY CHAIN MANAGEMENT 10/9/2017

Moving Average Example Dari contoh NaturalGas.Com Pada akhir periode 4, bagaimana permalan permintaan untuk periode 5 sampai 8 dengan menggunakan 4-period moving average? L4 = (D4+D3+D2+D1)/4 = (34000+23000+13000+8000)/4 = 19500 F5 = 19500 = F6 = F7 = F8 Permintaan yg diobservasi pada perode 5 merupakan D5 = 10000 Forecast error pada periode 5, E5 = F5 - D5 = 19500 - 10000 = 9500 Revise estimate of level in period 5: L5 = (D5+D4+D3+D2)/4 = (10000+34000+23000+13000)/4 = 20000 F6 = L5 = 20000 SUPPLY CHAIN MANAGEMENT 10/9/2017

Simple Exponential Smoothing Digunakan ketika permintaan pasar tetap stabil (tidak ada trend atau seasonality) Perkiraan awal level, L0, diasumsika rata-rata dari semua data historis L0 = [Sum(i=1 to n)Di]/n Peramalan saat ini untuk semua periode mendatang sama dengan perkiraan level saat ini Ft+1 = Lt and Ft+n = Lt Setelah permintaan diobservasi selama perode Dt+1, perkiraan level diperbarui sebagai berikut: Lt+1 = aDt+1 + (1-a)Lt Lt+1 = Sum(n=0 to t+1)[a(1-a)nDt+1-n ] SUPPLY CHAIN MANAGEMENT 10/9/2017

Simple Exponential Smoothing From NaturalGas.Com data, forecast demand for period 1 using exponential smoothing L0 = average of all 12 periods of data = Sum(i=1 to 12)[Di]/12 = 22083 F1 = L0 = 22083 Observed demand for period 1 = D1 = 8000 Forecast error for period 1, E1, is as follows: E1 = F1 - D1 = 22083 - 8000 = 14083 Assuming a = 0.1, revised estimate of level for period 1: L1 = aD1 + (1-a)L0 = (0.1)(8000) + (0.9)(22083) = 20675 F2 = L1 = 20675 Note that the estimate of level for period 1 is lower than in period 0 SUPPLY CHAIN MANAGEMENT 10/9/2017

Trend-Corrected Exponential Smoothing (Holt’s Model) Digunakan ketika permintaan diasumsikan mempunyai level dan trend namun tidak mempunyai seasonality Obtain initial estimate of level and trend by running a linear regression of the following form: Dt = at + b T0 = a L0 = b In period t, the forecast for future periods is expressed as follows: Ft+1 = Lt + Tt Ft+n = Lt + nTt SUPPLY CHAIN MANAGEMENT 10/9/2017

Trend-Corrected Exponential Smoothing (Holt’s Model) After observing demand for period t, revise the estimates for level and trend as follows: Lt+1 = aDt+1 + (1-a)(Lt + Tt) Tt+1 = b(Lt+1 - Lt) + (1-b)Tt a = smoothing constant for level b = smoothing constant for trend Using NaturalGas.Com demand data, forecast demand for period 1 using Holt’s model (trend corrected exponential smoothing) Using linear regression, L0 = 12015 (linear intercept) T0 = 1549 (linear slope) SUPPLY CHAIN MANAGEMENT 10/9/2017

Holt’s Model Example (continued) Forecast for period 1: F1 = L0 + T0 = 12015 + 1549 = 13564 Observed demand for period 1 = D1 = 8000 E1 = F1 - D1 = 13564 - 8000 = 5564 Assume a = 0.1, b = 0.2 L1 = aD1 + (1-a)(L0+T0) = (0.1)(8000) + (0.9)(13564) = 13008 T1 = b(L1 - L0) + (1-b)T0 = (0.2)(13008 - 12015) + (0.8)(1549) = 1438 F2 = L1 + T1 = 13008 + 1438 = 14446 F5 = L1 + 4T1 = 13008 + (4)(1438) = 18760 SUPPLY CHAIN MANAGEMENT 10/9/2017

Trend- and Seasonality-Corrected Exponential Smoothing (Winter’s Model) Digunakan ketika permintaan mempunyai level, trend dan faktor seasonal Systematic component = (level+trend)(seasonal factor) Assume periodicity p Obtain initial estimates of level (L0), trend (T0), seasonal factors (S1,…,Sp) using procedure for static forecasting In period t, the forecast for future periods is given by: Ft+1 = (Lt+Tt)(St+1) and Ft+n = (Lt + nTt)St+n SUPPLY CHAIN MANAGEMENT 10/9/2017

Trend- and Seasonality-Corrected Exponential Smoothing (continued) After observing demand for period t+1, revise estimates for level, trend, and seasonal factors as follows (Eq 7.18-7.20, p. 189): Lt+1 = a(Dt+1/St+1) + (1-a)(Lt+Tt) Tt+1 = b(Lt+1 - Lt) + (1-b)Tt St+p+1 = g(Dt+1/Lt+1) + (1-g)St+1 a = smoothing constant for level b = smoothing constant for trend g = smoothing constant for seasonal factor SUPPLY CHAIN MANAGEMENT 10/9/2017

Measures of Forecast Error Analisis kesalahan dilakukan untuk menentukan apakah metode peramalan yang digunakan memprediksi permintaan dengan akurat Jika menghasilkan nilai kesalahan yang positif, berarti metode peramalan harus dikoreksi Forecast error = Et = Ft - Dt Mean squared error (MSE) MSEn = (Sum(t=1 to n)[Et2])/n Absolute deviation = At = |Et| Mean absolute deviation (MAD) MADn = (Sum(t=1 to n)[At])/n s = 1.25MAD SUPPLY CHAIN MANAGEMENT 10/9/2017