Metode PeramalanMetode Peramalan ((Forecasting MethodForecasting Method)) Definisi PeramalanDefinisi PeramalanPeramalan adalah seni dan ilmu untuk Peramalan adalah seni dan ilmu untuk memprediksi masa depan.memprediksi masa depan.Peramalan adalah tahap awal, dan hasil ramalan Peramalan adalah tahap awal, dan hasil ramalan merupakan basis bagi seluruh tahapan pada merupakan basis bagi seluruh tahapan pada perencanaan produksi.perencanaan produksi.Proses peramalan dilakukan pada level agregat Proses peramalan dilakukan pada level agregat ((part familypart family); bila data yang dimiliki adalah data ); bila data yang dimiliki adalah data item, maka perlu dilakukan agregasi terlebih item, maka perlu dilakukan agregasi terlebih dahulu.dahulu.Metode: Kualitatif dan kuantitatif.Metode: Kualitatif dan kuantitatif.Terminologi: perioda, horison, Terminologi: perioda, horison, lead timelead time, , fitting fitting errorerror, , forecast errorforecast error, data dan hasil ramalan., data dan hasil ramalan. Peramalan Eksplanatoris dan Peramalan Eksplanatoris dan Deret BerkalaDeret BerkalaKedua pendekatan ini saling melengkapi danKedua pendekatan ini saling melengkapi dan dimaksudkan untuk jenis penggunaan yg berbeda. dimaksudkan untuk jenis penggunaan yg berbeda.Pendekatan ekspalanatoris mengasumsikan adanyaPendekatan ekspalanatoris mengasumsikan adanya hubungan sebab akibat di antara input dengan outputhubungan sebab akibat di antara input dengan output dari suatu sistem. dari suatu sistem.Hubungan sebab dan akibatInput OutputSistemPeramalan Deret Berkala memperlakukanPeramalan Deret Berkala memperlakukan sistem sistemsebagai kotak hitam. sebagai kotak hitam.Proses BangkitanInput OutputSistem Persyaratan Penggunaan Persyaratan Penggunaan Metode Kuantitatif:Metode Kuantitatif:1.1.Tersedia informasi tentang masa lalu.Tersedia informasi tentang masa lalu.2.2.Informasi tersebut dapat di Informasi tersebut dapat di kuantitatifkan dalam bentuk data kuantitatifkan dalam bentuk data numerik.numerik.3.3.Dapat diasumsikan bahwa beberapa Dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus aspek pola masa lalu akan terus berlanjut di masa mendatang.berlanjut di masa mendatang. Langkah-langkah PeramalanLangkah-langkah PeramalanDefinisikan tujuan peramalan.Definisikan tujuan peramalan.Plot data (Plot data (part familypart family) masa lalu.) masa lalu.Pilih metode-metode yang paling memenuhi Pilih metode-metode yang paling memenuhi tujuan peramalan dan sesuai dengan plot data.tujuan peramalan dan sesuai dengan plot data.Hitung parameter fungsi peramalan untuk Hitung parameter fungsi peramalan untuk masing-masing metode.masing-masing metode.Hitung Hitung fitting errorfitting error untuk semua metode yang untuk semua metode yang dicoba.dicoba.Pilih metode yang terbaik, yaitu metode yang Pilih metode yang terbaik, yaitu metode yang memberikan memberikan errorerror paling kecil.paling kecil.Ramalkan permintaan untuk periode mendatangRamalkan permintaan untuk periode mendatangLakukan verifikasi peramalan.Lakukan verifikasi peramalan. Pola data metode deret berkala (1)Pola data metode deret berkala (1)1.1.Pola Pola horisontal horisontal (H) (H) terjadi bilamana data terjadi bilamana data berfluktuasi disekitar nilai rata-rata yg konstan. berfluktuasi disekitar nilai rata-rata yg konstan. Suatu produk yg penjualannya tdk meningkat Suatu produk yg penjualannya tdk meningkat atau menurun selama waktu tertentu termasuk atau menurun selama waktu tertentu termasuk jenis ini. Pola khas dari data horizontal atau jenis ini. Pola khas dari data horizontal atau stasioner seperti ini dapat dilihat dalam Gambar stasioner seperti ini dapat dilihat dalam Gambar 1.1.1.1.2.2.Pola Pola musiman musiman (S)(S) terjadi bilamana suatu deret terjadi bilamana suatu deret dipengaruhi oleh faktor musiman (misalnya dipengaruhi oleh faktor musiman (misalnya kuartal tahun tertentu, bulanan, atau hari-hari kuartal tahun tertentu, bulanan, atau hari-hari pada minggu tertentu). Penjualan dari produk pada minggu tertentu). Penjualan dari produk seperti minuman ringan, es krim, dan bahan seperti minuman ringan, es krim, dan bahan bakar pemanas ruang semuanya menunjukkan bakar pemanas ruang semuanya menunjukkan jenis pola ini. Untuk pola musiman kuartalan jenis pola ini. Untuk pola musiman kuartalan dapat dilihat Gambar 1.2.dapat dilihat Gambar 1.2. Pola data metode deret berkala (2)Pola data metode deret berkala (2)3.3.Pola Pola siklis siklis (C) (C) terjadi bilamana datanya terjadi bilamana datanya dipengaruhi oleh fluktuasi ekonomi jangka dipengaruhi oleh fluktuasi ekonomi jangka panjang seperti yang berhubungan dengan panjang seperti yang berhubungan dengan siklus bisnis. Contoh: Penjualan produk siklus bisnis. Contoh: Penjualan produk seperti mobil, baja, dan peralatan utama seperti mobil, baja, dan peralatan utama lainnya. Jenis pola ini dapat dilihat pada lainnya. Jenis pola ini dapat dilihat pada Gambar 1.3.Gambar 1.3.4.4.Pola Pola trend trend (T)(T) terjadi bilamana terdapat terjadi bilamana terdapat kenaikan atau penurunan sekuler jangka kenaikan atau penurunan sekuler jangka panjang dalam data. Contoh: Penjualan panjang dalam data. Contoh: Penjualan banyak perusahaan, GNP dan berbagai banyak perusahaan, GNP dan berbagai indikator bisnis atau ekonomi lainnya. Jenis indikator bisnis atau ekonomi lainnya. Jenis pola ini dapat dilihat pada Gambar 1.4.pola ini dapat dilihat pada Gambar 1.4. Karakteristik trendKarakteristik trendKomponen Amplitudo PenyebabSeasonal 12 bulan Liburan, musim, perioda finansialCyclical 3-5 tahun Ekonomi nasional, perubahan politikBisnis 1-5 tahun Pemasaran, kompetisi, performanceProduct life cycle1-5 tahun, makin pendekSubstitusi produk Metode Deret WaktuMetode Deret Waktu1. 1.ConstantConstant2. 2.Linier trendLinier trend3. 3.QuadraticQuadratic4. 4.ExponentialExponential5. 5.Moving AverageMoving Average6. 6.Exponential smoothingExponential smoothing7. 7.SeasonalSeasonal 1. Metode Constant1. Metode ConstantDalam Metode Constant, peramalan dilakukan dengan mengambil rata-rata data masa lalu (historis).Rumus untuk metoda linier:Rumus untuk metoda linier:Keterangan:dt = Forecast untuk saat tt = time (independent variable)dt = demand pada saat tn = jumlah datanddttn1' 2. Metode Linier trend2. Metode Linier trend( ) 222t t ntd t d tat t( ) 22t t nd t td nbt tKeterangan:dt = Forecast untuk saat ta = interceptb = kemiringan garist = time (independent variable)dt = demand pada saat tn = jumlah data..... , 3 , 2 , 1' + t bt a d tModel ini menggunakan data yang Model ini menggunakan data yang secara random berfluktuasi membentuk secara random berfluktuasi membentuk garis lurus.garis lurus.Rumus untuk metoda linier:Rumus untuk metoda linier: 3. Metode Quadratic (1)3. Metode Quadratic (1)Model ini menggunakan data yang secara randomModel ini menggunakan data yang secara random berfluktuasi membentuk berfluktuasi membentukkurva quadratic. kurva quadratic.Rumus untuk model quadratic: Rumus untuk model quadratic:.... , 3 , 2 , 1) ( '2 + + t ct bt a t d2 bKeterangan : 3. Metode Quadratic (2)3. Metode Quadratic (2) ,`

.|ntntt n t14212 ntntntt tY n t Y t1 1 1) ( ) ( ntntntt Y t n t Y t121 12) ( ) ( ntntntt n t t131 12 ,`

.|ntntt n t1221 ) )( (bcntcntbnt Yantntnt 121 1) ( 4. Metode Exponential (1)4. Metode Exponential (1)Digunakan apabila persamaan a dan b tidak bisa Digunakan apabila persamaan a dan b tidak bisa dipecahkan dengan cara konvensional.dipecahkan dengan cara konvensional.Digunakan transformasi logaritma ke dalam Digunakan transformasi logaritma ke dalam situasi regresi.situasi regresi.Persamaan metode eksponensial :Persamaan metode eksponensial :btae (t) d' Keterangan:dt = Forecast untuk saat ta = interceptb = kemiringan garist = time (independent variable)e = exponential (konstanta) 4. Metode Eksponensial (2)4. Metode Eksponensial (2)Persamaan transformasi logaritma :Persamaan transformasi logaritma :[ ] bt ln(a) ) ln(e ln(a) (t) d' lnbt+ + Keterangan:dt = Forecast untuk saat ta = interceptb = kemiringan garist = time (independent variable)e = exponential (konstanta) 5. Metode Moving Average (1)5. Metode Moving Average (1)Digunakan bila data-datanya :Digunakan bila data-datanya :- tidak memiliki trend- tidak memiliki trend- tidak dipengaruhi faktor musim- tidak dipengaruhi faktor musimDigunakan untuk peramalan dengan perioda Digunakan untuk peramalan dengan perioda waktu spesifik.waktu spesifik.Moving Average didefinisikan sebagai :Moving Average didefinisikan sebagai :Keterangan :Keterangan :n = jumlah perioda n = jumlah perioda ddt t = demand pada bulan ke t= demand pada bulan ke tndMAn1 ttn 5. Metode Moving Average (2)5. Metode Moving Average (2)Peramalan jangka pendek lebih baik Peramalan jangka pendek lebih baik dibandingkan jangka panjang.dibandingkan jangka panjang.Kelemahan : tidak cocok untuk pola data Kelemahan : tidak cocok untuk pola data trend atau pola data musiman.trend atau pola data musiman. 6. Metode Exponential Smoothing (1)6. Metode Exponential Smoothing (1)Kesalahan peramalan masa lalu Kesalahan peramalan masa lalu digunakan untuk koreksi peramalan digunakan untuk koreksi peramalan berikutnya.berikutnya.Dihitung berdasarkan hasil peramalan + Dihitung berdasarkan hasil peramalan + kesalahan peramalan sebelumnya.kesalahan peramalan sebelumnya. 6. Metode Exponential Smoothing (2)6. Metode Exponential Smoothing (2)besar, smoothing yg dilakukan kecilkecil, smoothing yg dilakukan semakin besaroptimum akan meminimumkan MSE, MAPEt t tF D F ) 1 (1 + +ES didefinisikan sebagai:ES didefinisikan sebagai:Keterangan: Ft+1 = Ramalan untuk periode berikutnyaDt = Demand aktual pada periode tFt = Peramalan yg ditentukan sebelumnya untuk periode t= Faktor bobot 7. Metode Seasonal7. Metode Seasonal Demand meningkat karena pengaruh tertentu Demand meningkat karena pengaruh tertentu atau berdasarkan waktu.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 :ddi i = a + b= a + bt tKeterangan :Keterangan :ddi i = peramalan untuk saat ke i= peramalan untuk saat ke it = perioda waktu (bulan, minggu, dll)t = perioda waktu (bulan, minggu, dll)Formulasi Peramalan Seasonal :Formulasi Peramalan Seasonal :SFSF(i)(i) = (S= (Si i).(d).(dt t)) Forecasting Errors & Tracking SignalsForecasting Errors & Tracking Signals3 metode perhitungan kesalahan peramalan :Nd dMADNtt t 1') ( DeviationAbsolute Meana.( )Nd dNtt t 12') (MSE ErrorSquared Meanb. ]]]]

N1 tt't tdd dN100) (MAPE Error Percent Absolute Meanc. Verifikasi (1)Verifikasi (1)Salah satu metode verifikasi adalah Moving Range Salah satu metode verifikasi adalah Moving Range Chart (MRC).Chart (MRC).Moving Range (MR) didefinisikan sebagai :Moving Range (MR) didefinisikan sebagai :

MR = |(dMR = |(dtt d dt t) (d) (dt-1 t-1 d dt-1t-1 )|)|

Keterangan :Keterangan :

ddtt = ramalan pada bulan ke t= ramalan pada bulan ke t

ddtt = kebutuhan pada bulan ke t = kebutuhan pada bulan ke t

ddt1t1 = ramalan pada bulan ke t-1= ramalan pada bulan ke t-1

ddt1t1 = kebutuhan pada bulan ke t-1 = kebutuhan pada bulan ke t-1 Verifikasi (2)Verifikasi (2)Rata-rata MR dihitung :Rata-rata MR dihitung :Batas kontrol atas (UCL), batas kontrol Batas kontrol atas (UCL), batas kontrol bawah (LCL), dan garis tengah (CL)bawah (LCL), dan garis tengah (CL)1 nMRMR1 n1 ii0 CLMR 66 , 2 LCLMR 66 , 2 UCL + Verifikasi (3)Verifikasi (3)0d' - dRegion ARegion BRegion CBatas kontol bawahGaris tengahRegion CRegion BRegion ABatas kontrol atasPeriodaGambar 1. KriteriaPetaKontrol Verifikasi (4)Verifikasi (4)Pengujian out of kontrol :Pengujian out of kontrol :Dari 3 titik yang berurutan, 2 titik atau lebih Dari 3 titik yang berurutan, 2 titik atau lebih beradadi daerah A.beradadi daerah A.

Dari 5 titik yang berurutan, 3 titik atau lebih Dari 5 titik yang berurutan, 3 titik atau lebih berada di daerah B.berada di daerah B.

Dari 8 titik yang berurutan, seluruhnya Dari 8 titik yang berurutan, seluruhnya berada di atas atau di bawah berada di atas atau di bawah center line.center line.

Satu titik berada di luar batas kontrol.Satu titik berada di luar batas kontrol. Verifikasi (5)Verifikasi (5)Contoh Soal: Kasus Peramalan KonstanContoh Soal: Kasus Peramalan Konstan28.2 - LCL28.2 UCL10.611117MR MR = |(d MR = |(dt t d dt t) (d ) (dt-1 t-1 d dt-1 t-1) )| | Verifikasi (6)Verifikasi (6)Gambar 2. Peta Kendali Peramalan Konstan-30-20-100102030J F M A M J J A S O N DBuland' - dCLUCL = +28.2LCL = -28.2 Verifikasi (7)Verifikasi (7)Bila kondisi out of control terjadi:Bila kondisi out of control terjadi:Perbaiki ramalan dengan memasukkan Perbaiki ramalan dengan memasukkan data baru.data baru.Tunggu Tunggu evidence evidence (fakta-fakta) selanjutnya.(fakta-fakta) selanjutnya. Contoh Metode ConstantContoh Metode Constantnddttn1'Bulan t dt

Jan 190Feb 2111Mar 399Apr 489Mei 587 Jun 684Jul 7104Aus 8 102Sep 995Okt 10 114Nov 11 103Des 12 113 119125 . 99121191'121 td Contoh Metode Linear trendContoh Metode Linear trendttddt t tdtdt tt t2 2ddt t(d(dt t-d-dt t))2 21 1 2050 20502050 2050 1 2108,51 2108,5 3.422,2 3.422,2 2 2 2235 22354470 4470 4 2210,14 2210,1620,0620,0 3 3 2420 24207260 7260 9 2311,79 2311,7 11.728.911.728.9 4 4 2360 23609440 9440 16 2413,316 2413,3 2.840,9 2.840,9 5 5 2490 249012450 12450 25 2514,925 2514,9620,0 620,06 6 2620 2620 15720 15720 36 36 2616,5 2616,5 12,312,3 21 21 14175 5139091 14175 5139091 19.244,319.244,3 ddt t = a + bt= a + bt

= 2006,9 + 101,6t= 2006,9 + 101,6t 2n1 tn1 t2n1 tn1 ttn1 ttt t nt d td nb

,`

.| nt b dan1 tn1 tt 101,6 b dan9 , 2006 a Contoh Metode QuadraticContoh Metode Quadratict t2t3t4dttdtt2dt1 1 1 1 16 16 162 4 8 16 24 48 963 9 27 81 34 102 3064 16 64 256 46 184 7365 25 125 625 60 300 150015 55 225 979 180 650 2654300 ) 225 )( 5 ( ) 55 )( 15 ( 50 ) 55 )( 5 ( ) 15 (2 1870 ) 979 )( 5 ( ) 55 (2 550 ) 650 )( 5 ( ) 180 )( 15 ( 3370 ) 2654 )( 5 ( ) 180 )( 55 ( 5) 300 ( ) 50 )( 1870 () 300 )( 3370 ( ) 550 )( 1870 (2 b11870) 1870 ( c105555) 15 )( 5 (5180 a60 5 ) 5 ( 5 10 ) 5 ( ' 5 10 ) ( '2 2 + + + + d t t t d Contoh Metode EksponensialContoh Metode Eksponensialt dtLn(dt) tLn(dt) t21 2.50 0.92 0.92 12 4.12 1.42 2.84 43 6.80 1.92 5.76 94 11.20 2.42 9.68 165 18.47 2.92 14.60 2515 9.60 33.8 555 . 0225 ) 55 )( 5 () 15 )( 60 . 9 ( ) 8 . 33 )( 5 ( b42 . 05) 15 )( 5 . 0 (560 . 9) ln( aa e anti50 . 2 ) 42 . 0 ln(42 . 0 50 5 . 2 ) 6 ( '5 . 2 ) ( ) ( '3 5 . 0 e d e e a t dt t b Contoh Metode Moving AverageContoh Metode Moving AverageBulan Bulan t dt dt t MA 3 bulan MA 3 bulan MA 5 bulan MA 5 bulanJan Jan 1 10- 1 10- - - Feb Feb2 12- 2 12- - - Mar Mar3 13- 3 13- - - Apr Apr4 16(10+12+13)/3=11,66 4 16(10+12+13)/3=11,66 --Mei Mei5 19(12+13+16)/3=13,665 19(12+13+16)/3=13,66- - Jun Jun6 23(13+16+19)/3=16,00 6 23(13+16+19)/3=16,00(10+12+13+16+19)/5 = 14 (10+12+13+16+19)/5 = 14Jul Jul7 26(16+19+23)/3=19,33 7 26(16+19+23)/3=19,33(12+13+16+19+23)/5 = 16,6 (12+13+16+19+23)/5 = 16,6ndMAn1 ttn Contoh Metode Exponential Contoh Metode Exponential SmoothingSmoothingPeriod Demand Forecast , Ft+1 =0.3 =0.51 37 - -2 40 37 373 41 37.9 38.54 37 38.83 39.755 45 38.28 38.376 50 40.29 41.687 43 43.20 45.848 47 43.14 44.429 56 44.30 45.7110 52 47.81 50.8511 55 49.06 51.4212 54 50.84 53.2151.79 53.61t t tF D F ) 1 (1 + + Contoh Metode Seasonal (1)Contoh Metode Seasonal (1)Year Demand (x 1000)Kwartal-1 Kwartal-2 Kwartal-3 Kwartal-4 Total1992 12.6 8.6 6.3 17.5 451993 14.1 10.3 7.5 18.2 50.11994 15.3 10.6 8.1 19.6 53.642 29.5 21.9 55.3 148.7Perhitungan faktor bobot:S1= D1/ D = 42/148.7 = 0.28S2 = 0.20S3 = 0.15S4 = 0.372n1 tn1 t2n1 tn1 ttn1 ttt t nt d td nb

,`

.| nt b dan1 tn1 tt a = 40.97a = 40.97b = 4.3b = 4.3y = 40.97 + 4.3 ty = 40.97 + 4.3 tUntuk tahun 1995 (t =4) diperoleh 58.17Untuk tahun 1995 (t =4) diperoleh 58.17Peramalan utk tiap kwartal:Peramalan utk tiap kwartal:SFSF1 1 = S= S1 1.F.F5 5 = .28 (58.7) = .28 (58.7) = 16.28= 16.28SFSF2 2= 11.63= 11.63SFSF3 3=8.73=8.73SFSF4 4= 21.53= 21.53Contoh Metode Seasonal (2) KesimpulanKesimpulan1. 1.Peramalan merupakan tahapan awal Peramalan merupakan tahapan awal dalam perencanaan sistem operasi dalam perencanaan sistem operasi produksi.produksi.2. 2.Model yang paling tepat harus dipilih Model yang paling tepat harus dipilih dalam melakukan peramalan.dalam melakukan peramalan.3. 3.Model yang dipilih dapat dibandingkan Model yang dipilih dapat dibandingkan dengan model yang lain dengan dengan model yang lain dengan menggunakan kriteria menggunakan kriteria minimumminimum average average sum of squared errorssum of squared errors..4. 4.Distribusi Distribusi forecast errorsforecast errors harus harus dimonitor, jika terjadi bias maka model dimonitor, jika terjadi bias maka model yang digunakan tidak tepat.yang digunakan tidak tepat.