1 / 40

FORECASTING

FORECASTING. Tujuan. Untuk memberikan pemahaman dan pengetahuan penggunaan berbagai famili model peramalan Membandingkan model-model time series moving averages, exponential smoothing dan trend Penyesuaian data musiman Memahami pendekatan Delphi dan pengambilan keputusan kualitatif lainnya

Sophia
Download Presentation

FORECASTING

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. FORECASTING

  2. Tujuan • Untuk memberikan pemahaman dan pengetahuan penggunaan berbagai famili model peramalan • Membandingkan model-model time series moving averages, exponential smoothing dan trend • Penyesuaian data musiman • Memahami pendekatan Delphi dan pengambilan keputusan kualitatif lainnya • Menghitung berbagai kekeliruan ukuran

  3. 8 Langkah menuju Permalan • Tentukan penggunaan peramalan – apa tujuan yang ingin dicapai • Pilih item/kuantitas yang akan diramal • Tentukan horison waktu peramalan - jangka pendek (1 – 30 hari), jangka menengah (1 – 12 bulan), jangka panjang (lebih dari 1 tahun) • Pilih model peramalan • Kumpulkan data yang diperlukan • Validasi model peramalan • Lakukan peramalan • Implemantasi peramalan

  4. Jenis Peramalan Tehnik-teknik Peramalan Model Kualitatif Metode Time Series Metode Sebab Akibat Analisis Regresi Metode Delphi Moving Average Exponential Smoothing Regresi Berlipat Opini Eksekutif Pendapat Kelompok Penjual Projeksi Trend Survei Pasar Konsumen Dekomposisi

  5. Model Kualitatif • Proses iteratif dari kelompok-kelompok ahli (bisa berlokasi di tempat berbeda) untuk membuat peramalan. • Terdiri dari 3 kelompok partisipan yang berbeda dalam proses Delphi yaitu pengambil keputusan, staf dan responden. • Kelompok pengambil keputusan biasanya terdiri dari 5 – 10 orang. • Kelompok staf membantu mempersiapkan, menyebarkan, mengumpulkan dan meringkas kuesioner hasil survei. • Responden adalah kelompok orang yang memberikan pendapatnya sebagai bahan pengambilan keputusan Metode Delphi

  6. Opini Eksekutif Metode ini menggunakan opini sekelompok kecil dari manajer tingkat atas, dan biasanya digabungkan dengan model-model statistika Pendapat Kelompok Penjual Dalam metode ini, masing-masing penjual melakukan penaksiran penjualan di wilayahnya masing-masing. Peramalan yang dibuat dievaluasi apakah realistis atau tidak dan kemudian digabungkan pada tingkat regional atau nasional untuk membuat peramalan secara keseluruhan. Survei Pasar Konsumen Metode ini menggunakan hasil survei dari konsumen atau konsumen potensial terkait dengan keinginan mereka dikemudian hari.

  7. Metode Time Series • Analisis untuk mempelajari perilaku data dalam dimensi atau horison waktu • Membangun model time series untuk digunakan sebagai alat peramalan • Umum digunakan dalam bidang bisnis dan ekonomi

  8. Komponen Time Series • Trend (jangka panjang) : T • Fluktuasi Siklis : S • Variasi Musiman : M • Variasi Irreguler/Random/Acak : R

  9. Pengamatan Trend Siklis Time

  10. Pengamatan 1 tahun Bulan Komponen Musiman

  11. Pengamatan Variasi Irreguler/Random Time

  12. Model Umum Time Series Model multiplikatif : Y = T × M × S × R Model aditif : Y = T + M + S + R

  13. Ukuran Akurasi • MAPE (Mean Absolute Percentage Error), mengukur akurasi dari data timeseries yang dimodelkan. Akurasi diukur sebagai persentase. • MAD, (Mean Absolute Deviation), mengukur akurasi data time series yang dimodelkan akan tetapi dalam unit yang sama dengan nilai time series. Dengan demikian membantu kita mengkonseptualisasi jumlah kekeliruan yang dibuat. • MSD (Mean Squared Deviation). MSD selalu dihitung dengan menggunakan penyebut atau pembagi yang sama yaitu n, tanpa memandang modelnya. Dengan demikian kita bisa membandingkan nilai-nilai MSD antar model. MSD adalah ukuran yang lebih sensitif terhadap kekeliruan peramalan yang besar dibandingkan MAD.

  14. Forecast Error Pengamatan Nilai ramalan error Data sesungguhnya Waktu

  15. Moving Average Moving Average (Rata-rata Bergerak) merupakan metode penghalusan data dengan mengambil rata-rata nilai data yang berurutan. Biasanya metode ini digunakan jika dalam data berkala tidak mempunyai komponen trend dan musiman. Meski demikian tersedia cara jika data time series mengandung kedua komponen ini. Moving Average digunakan untuk peramalan jangka pendek

  16. Contoh Kasus

  17. Analisis Kekeliruan

  18. Weighted Moving Average Bobot : Bulan Lalu : 3 2 bln lalu : 2 3 bln lalu : 1 Jumlah : 6 Nilai mana yg mau diberikan bobot paling besar tergantung pengalaman seseorang. Bisa dilakukan trial & error. Ambil MAD yg kecil

  19. Analisis Kekeliruan

  20. Single Exponential Smoothing Single Exponential Smoothing juga merupakan metode penghalusan data timeseries dengan menghitung rata-rata dibobot secara eksponensial. Metode ini digunakan jika dalam data berkala tidak mengandung komponen trend dan musiman. Digunakan untuk peramalan jangka pendek

  21. Contoh Kasus

  22. Analisis Kekeliruan : a = 0.1

  23. Analisis Kekeliruan : a = 0.5

  24. Beberapa Metode Exponential Smoothing • Second-order exp. Smoothing (metode exp. smoothing jika dalam data terdapat komponen trend. • Double exp. Smoothing atau Metode Holt’s Bagi yang ingin mendalami dapat membaca buku khusus forecasting

  25. Analisis trend digunakan untuk membangun model umum kecenderungan data berkala (time series) untuk keperluan peramalan (proyeksi trend). Analisis trend dipakai untuk data dengan horison waktu yang lama (sebaiknya lebih dari 10 tahun) dan tidak mengandung komponen musiman.Beberapa model yang umum dipakai : ANALISIS TREND • Linier • Kuadratik • Eksponensial • Kurva-S

  26. Kasus Trend Linier y = 56.71 +10.54 x • Untuk keperluan analisis gunakan analisis regresi linier dengan X = 1, 2, …., n sebagai variabel independen, dimana X = 1 untuk tahun pertama, X = 2 tahun kedua , dan seterusnya. • Substitusikan nilai-nilai X untuk meramalkan nilai pada waktu yang akan datang

  27. Variasi Musiman

  28. Peramalan Musiman Misal diharapkan penjualan pada tahun ke-3 adalah 1.200 unit setahun (tergantung perkiraan pengambil keputusan), maka peramalan disesuaikan untuk tiap bulannya

  29. Beberapa Catatan • Jika data timeseries mengandung komponen trend dan musim maka perlu dilakukan pendekatan lain. Indeks musiman perlu dihitung dengan Rata-rata Bergerak terpusat (centered moving average) • Adanya trend dalam data timeseries dapat dilihat dari adanya peningkatan data pada bulan atau kuartal yang sama dalam tahun yang berbeda. • Untuk mempelajarinya dapat dilihat dalam buku textbook kuantitatif manajemen.

  30. Penggunaan Regresi untuk Data Timeseries yang mengandung Komponen Trend dan Musiman Model dasarnya adalah model dekomposisi aditif (data kuartalan) : Dimana X1 = periode waktu ; X2 = 1 untuk kuartal 2 = 0 untuk lainnya X3 = 1 untuk kuartal 3 = 0 untuk lainnya X4 = 1 untuk kuartal 4 = 0 untuk lainnya Jika X2 = X3 = X4 = 0, maka kuartalnya adalah kuartal 1 Variabel Dummy

  31. Contoh : Berikut adalah model peramalan Turner Industries untuk data 3 tahun (12 kuartal) : Peramalan untuk kuartal pertama tahun yang akan datang adalah Peramalan untuk kuartal kedua tahun yang akan datang adalah

  32. Assignment 1 : Permintaan tahunan pupuk produksi PT. Gobang Gocir sbb : • Buatlah peramalan penjualan menggunakan metode moving average 3-tahunan. • Demikian pula gunakan metode weighted moving average dengan bobot 2 untuk data paling terakhir dan masing-masing 1 untuk data dua tahun lainnya. • Metode mana yang menurut sdr paling baik dipakai • Buatlah persamaan garis trend untuk data tersebut. • Bandingkan ketiga metode tersebut, mana menurut sdr yang terbaik

  33. Assignment 2 : Pendapatan PT. Ogah Rugi Consultant periode Februari – Juli adalah sebagai berikut : Dengan mengasumsikan peramalan awal untuk Februari adalah $ 65.000, lakukan peramalan menggunakan metode exponential smoothing untuk bulan Agustus dengan mengambil konstanta a = 0.1 dan 0.3. Dengan menggunakan MAD, mana dari kedua konstanta ini yang memberikan peramalan lebih baik

  34. Assignment 3 : Data berikut adalah rata-rata nilai tukar kurs US dollar dengan Euro pada tahun 2006 (misal bln Januari 1 euro = 1.210 USD) • Gunakanlah garis trend untuk meramalkan nilai tukar kurs untuk tahun 2007. • Kembangkan model eksponensial smoothing dengan nilai konstanta a = 0.3. Asumsikan bahwa ramalan awal nilai tukar kurs pada bulan Januari adalah 1.200 • Bandingkan kedua model di atas melalui ukuran akurasi MSE.

  35. Assignment 4 : PAD di negara bagian Bojong Soang (dalam juta dollar) adalah sbb : • Periksalah apakah data tersebut mengandung komponen musiman. Jika ada, hitunglah indeks musimannya • Gunakan garis trend untuk meramalkan pendapatan tiap kuartalnya pada tahun kelima

More Related