Forecasting

1. Forecasting

2. Forecasting • Salah satu keputusan penting dalam perusahaan adalah menentukan tingkat produksi yang perlu disiapkaan untuk masa yang akan datang, Penentuan tkt produksi merupakan penawaran dipengaruhi jumalah permintaan pasar yang dapat dipenuhi perusahaan.

3. Forecasting • Untuk membantu tercapainya suatu keputusan yang optimal diperlukan suatu cara yang tepat, sistematis dan dapat dipertanggungjawabkan. Salah satu alat yang diperlukan oleh manajemen dan merupakan bagian yang integral dari proses pengambilan keputusan ialah metode peramaalan.

4. Forecast are always wrong, be able to explain why

5. Sales will be $200 Million! What is Forecasting? • Proses memprediksikejadian di masadatang. • Menjadidasarkeputusanbisnis : • Production • Inventory • Personnel • Facilities

6. Forecasting • Forecastingmerupakanprakiraandarikejadian dimasadepan, semakinbaikprakiraantersebutmakaorganisasisemakinmampumempersiapkandiriuntukmenghadapinya. • Peramalan yang akuratmenentukanberapabanyak inventory yang harusdimilikipadatitik supply chain (produsen, supplier, distributor)

7. Forecasting & Decision Making • Dalampraktekbanyak manager yang memanfaatkanhasil forecasting untukpengambilankebijakan yang bersifatstrategis: • ManajerProduksi; memanfaatkanuntukmenentukankebutuhanbahanbakuapa yang akandibelidiperiodemendatang.

8. Forecasting & Decision Making • Manajer keuangan; membuat dan menyusun penganggaran modal (capital budgeting) untuk periode mendatang. • Manajer pemasaran; membuat prediksi penjualan produk dan penjualan yang harus dicapai dimasa yang akan datang. • Manajer SDM; berkepentingan dalam perekrutan tenaga kerja baru, menyusun anggaran gaji, atau kegiatan lain.

9. Types of Forecasting Methods • Tergantungdari : • time frame (rentangwaktu) • demand behavior

10. Time Frame Berdasarkanhorizon waktu, peramalandibagi 3, yaitu : 1. Peramalanjangkapendek, jangka waktu yg kurang dari 3 bulan misalnya perencanaan pembelian material, penjadwalan kerja, penugasan karyawan. 2. Peramalanjangkamenengah, jangka waktu antara 3 sampai 18 bulan. Misalnya peramalan untuk perencanaan penjualan, perencanaan produksi dan perencanaan tenaga tidak tetap. 3. Peramalanjangkapanjang mencakup waktu yang lebih besar dari 18 bulan. Misalnya peramalan penanaman modal, perencanaan fasilitas dan perencanaan untuk litbang.

11. Time Frame • Peramalanjangkamenengahdanjangkapanjangdapatdibedakandariperamalanjangkapendekdenganmelihatdaritigahal, yaitu : 1. Peramalanjangkamenengahdan panjangberkaitandenganpermasalah- an yglebihmenyeluruhdanmendukung keputusanmanajemenygberkaitandgn perencanaanproduk, pabrik, dan pro- ses.

12. Time Frame 2. Permalanjangkapendekbiasanyamenetap- kanmetodologiygberbedadibandingkan peramalanjangkapanjang. 3. Peramalanjangkapendekcendrunglebih tepatdibandingkanperamalanjangka panjang. Faktor-faktorygmempengaruhi perubahanpermintaanberubahsetiaphari. Dengandemikiansemakinpanjang horizon waktu, ketepatanperamalanseseorang se- makinberkurang. .

13. Pengaruh siklus hidup produk • Faktor lain ygharusdipertimbangkansaatmembuatperamalanpenjualan, terutamaperamalanpenjualanjangkapanjang, adalahsiklushidupproduk. Penjualanprodukbahkanjasatidakterjadipadatingkatygkonstansepanjanghidupnya. Hampirsemuaprodukygberhasilmelaluiempattahapan, yaitu : perkenalan, pertumbuhan, kematangandanpenurunan.

14. 1. Identifikasitujuandari forecast 2. Kumpulkan data historis 3. Plot data danidentifikasipolanya 6. Cekkeakuratan forecast dengan 1/lebihmetode 5. Kembangkan / hitung forecast untukperiodemendatang 4. Pilih model forecast yang sesuaiuntuk data 7. Apakahakurasinyadapatditerima? 8b. Pilihmetode forecast yang baruatausesuaikan parameter dr model yang ada 10. Monitor hasildanukurakurasi forecast 9. Sesuaikan forecast denganinformasikualitatif 8a. Forecast untuksepanjanghorisonwaktuperencanaan Forecasting Process No Yes

15. Forecasting Approaches Qualitative Methods Quantitative Methods • Digunakanjikasituasicenderungberubah-ubahdan data hanyatersediasedikit • Produkbaru • Teknologibaru • Melibatkanintuisidanpengalaman • Digunakanjikasituasistabildan data historistersedia • Produk yang sudahada • Teknologi yang sudahada • Melibatkanteknikmatematis • e.g., forecasting sales of color televisions

16. Qualitative Methods Pihakmanajemen, pemasaran, pembelian, dan engineering menjadisumberdariperamalankualitatif Expert A Expert B

17. Qualitative Methods Ada 4 teknikperamalankualitatif : 1. Juridariopinieksekutif 2. Metode Delphi 3. Komposittenagapenjualan 4. Surveripasarkonsumen

18. Quantitative Methods • Peramalankuantitatifperamalanyang menggunakan model matematis yangberagamdengan data masalaludanvariabelsebab-akibatuntukperamalanpermintaan.

19. Quantitative Methods • Time series • Teknikstatistik yang menggunakan data historisuntukmemprediksi demand di masa yang akandatang • Regression methods • Hubunganmatematisantara demand danfaktor yang menyebabkanpolapermintaannya. Model asosiatif (hubungansebabakibat) sepertiregresi linear, menggabungkanbanyakvariabelataufaktorygmungkinmempengaruhikuantitasygsedang di-ramalkan. Sebagaicontoh, model asosia-tifdaripenjualanmesinpemotongrumputmungkinmemasukkanfaktorsptadanyaperumahanbaru, anggaraniklan, danhargapesaing.

20. Time Series • Mengasumsikanbahwakejadiandimasalaluakanterjadilagidimasa yang akandatang. • Metodeinimenghubungkanperamalandenganhanyasatufaktor yang mempengaruhinya, yaituWaktu • Deretwaktudidasarkanpadaurutandarititik-titik data ygberjaraksamadalamwaktu (mingguan, bulanan, kuartalan, dll). • Menganalisisderetwaktuberartimembagi data masalalumenjadikomponen-komponen, kemudianmemproyeksikan-nyakemasadepan. Deretwaktumem-punyaiempatkomponen :

21. Pola data metode deret berkala (1) • Polahorisontal(H) terjadibilamana data berfluktuasidisekitarnilai rata-rata ygkonstan. Suatuprodukygpenjualannyatdkmeningkatataumenurunselamawaktutertentutermasukjenisini. • Polamusiman(S)terjadibilamanasuatuderetdipengaruhiolehfaktormusiman (misalnyakuartaltahuntertentu, bulanan, atauhari-haripadaminggutertentu). Restoran , toko serba ada serta bioskop mengalami variasi variasi musiman mingguan.

22. Pola data metodederetberkala (2) • Polasiklus (C) terjadibilamanadatanyadipengaruhiolehfluktuasiekonomijangkapanjangseperti yang berhubungandengansiklusbisnis. Perbedaan utama pola musiman dan pola siklus adalah pola musiman mempunyai gelombang panjang yang tetap dan terjadi pada jarak waktu yang tetap, sedangkan pola siklus memiliki jangka waktu yang lebih panjang dan bervariasi dari siklus ke siklus lainnya.Siklus ini sering kali berkaitan dengan berbagai kondisi ekonomi, politik . • Polatrend (T)terjadibilamanaterdapatkenaikanataupenurunanjangkapanjangdalam data. Pola ini disebabkan, karena bertambahnya populasi, pengaruh budaya.

23. Time Series • Terdiridari : • moving average • exponential smoothing • linear trend line

24. Pendekatan Naif • Pendekatannaifadalahteknikperamalanygmengasumsikanpermintaanperiodeberikutnyasamadenganpermintaanpadaperiodeterakhir. Dengan kata lain, jikapenjualansebuahproduk (mis: telpongenggam Motorolla) adalah 68 unit padabulanJanuari, kitadapatmeramalkan pen-jualanpadabulanFebruari. • Pendekatannaifinimerupakan model peramalanobjektifyg paling efektifdanefisiendarisegibiaya. Paling tidakpendekatannaifmemberikantitikawaluntukperbandingandengan model lain yang lebihcanggih.

25. Simple Moving Average • Simple moving average • Digunakan jika kita dapat mengasumsikan bahwa permintaan pasar akan stabil sepanjang masa yang akan kita ramalkan. Nilai prakiraan untuk suatu periode merupakan rata2 n periode terakhir. Istilah rata2 bergerak digunakan karena setiap kali observasi baru tersedia, angka rata2 baru dihitung dengan memasukkan data terbaru dan mengeluarkan data periode terlama. Rata2 yang baru ini kemudian dipakai sebagai prakiraan utk periode yang akan datang.

26. n i= 1  Di MAn = n where n = jumlah periode dalam rata-rata bergerak Di= permintaan periodei Simple Moving Average

27. 3 i= 1 ORDERS MONTH PER MONTH MOVING AVERAGE  Di MA3 = Jan 120 Feb 90 Mar 100 Apr 75 May 110 June 50 July 75 Aug 130 Sept 110 Oct 90 Nov - – – – 103.3 88.3 95.0 78.3 78.3 85.0 105.0 110.0 3 = 110 orders for Nov 90 + 110 + 130 3 = 3-month Simple Moving Average

28. 5 i= 1 ORDERS MONTH PER MONTH MOVING AVERAGE  Di MA5 = Jan 120 Feb 90 Mar 100 Apr 75 May 110 June 50 July 75 Aug 130 Sept 110 Oct 90 Nov - – – – – – 99.0 85.0 82.0 88.0 95.0 91.0 5 90 + 110 + 130+75+50 5 = = 91 orders for Nov 5-month Simple Moving Average

29. 150 – 125 – 100 – 75 – 50 – 25 – 0 – 5-month Orders 3-month Actual | | | | | | | | | | | Jan Feb Mar Apr May June July Aug Sept Oct Nov Month Smoothing Effects

30. Simple moving average • Metode SMA memiliki kelemahan karena diaanggab menggunakan bobot yang sama pada setiap periode. Dalam banyak hal, periode yang diramalkan banyak mengandung informasi yang sama dengan dengan periode terakhir dibandingkan dengan periode sebelumnya. Maka periode yang terakhir harus mendapat bobot yang lebih besar dibanding periode sebelumnya. Maka dikembangkan metode rata2 tertimbang atau Weighted moving average

31. Weighted moving average • Weighted moving average • Digunakan untuk menempatkan penekanan yang lebih pada nilai terkini. Praktik ini membuat teknik peramalan lebih tanggab terhadap perubahan karena periode yang lebih dekat mendapatkan bobot yang lebih berat.

32.  Wi Di WMAn = i = 1 dimana Wi = bobot pada periode i, diantara0 and 100 persen Wi= 1.00 Weighted Moving Average n Adjusts moving average method to more closely reflect data fluctuations

33. 3 i = 1  WMA3 = Wi Di November Forecast = (0.50)(90) + (0.33)(110) + (0.17)(130) = 103.4 orders Weighted Moving Average Example MONTH WEIGHT DATA August 17% 130 September 33% 110 October 50% 90

34. Exponential Smoothing Metodeinidigunakanuntuk data yang mempunyaipolaacakdanmempunyaikecenderungantrend. Penghalusaneksponensialmerupakanmetodeperamalan rata-rata bergerakdgnpembobotandimanatitik data dibobotkanolehfungsieksponensial.

35. Exponential Smoothing (cont.) Ft +1 = Dt + (1 - )Ft where: Ft +1 = forecast for next period Dt= actual demand for present period Ft= previously determined forecast for present period ( hasil forecasting sebelumnya) = weighting factor, smoothing constant dimana: αadalahsebuahbobotataukonstanta penghalusanygdipiliholehperamalygmempunyainilaiantara0 dan 1.

36. Effect of Smoothing Constant 0.0  1.0If = 0.20, then Ft +1 = 0.20Dt + 0.80 Ft If = 0, then Ft+1 = 0Dt + 1 Ft = FtForecast does not reflect recent data If = 1, then Ft +1 = 1Dt + 0 Ft=DtForecast based only on most recent data

37. PERIOD MONTH DEMAND 1 Jan 37 2 Feb 40 3 Mar 41 4 Apr 37 5 May 45 6 Jun 50 7 Jul 43 8 Aug 47 9 Sep 56 10 Oct 52 11 Nov 55 12 Dec 54 F2 = D1 + (1 - )F1 = (0.30)(37) + (0.70)(37) = 37 F3 = D2 + (1 - )F2 = (0.30)(40) + (0.70)(37) = 37.9 F13 = D12 + (1 - )F12 = (0.30)(54) + (0.70)(50.84) = 51.79 Exponential Smoothing (α=0.30)

38. FORECAST, Ft + 1 PERIOD MONTH DEMAND ( = 0.3) ( = 0.5) 1 Jan 37 – – 2 Feb 40 37.00 37.00 3 Mar 41 37.90 38.50 4 Apr 37 38.83 39.75 5 May 45 38.28 38.37 6 Jun 50 40.29 41.68 7 Jul 43 43.20 45.84 8 Aug 47 43.14 44.42 9 Sep 56 44.30 45.71 10 Oct 52 47.81 50.85 11 Nov 55 49.06 51.42 12 Dec 54 50.84 53.21 13 Jan – 51.79 53.61 Exponential Smoothing (cont.)

39. 70 – 60 – 50 – 40 – 30 – 20 – 10 – 0 – Actual  = 0.50 Orders  = 0.30 | | | | | | | | | | | | | 1 2 3 4 5 6 7 8 9 10 11 12 13 Month Exponential Smoothing (cont.)

40. Linear Trend Line • Adalahsuatumetodeperamalanserangkaianwaktuygsesuaidengangaristrenterhadapserangkaiantitik-titik data masalalu, kemudiandiproyeksikankedalamperamalanmasadepanuntukperamalanjangkamenengahdanjangkapanjang. • Hubunganny kausal tetapi tidak selalu berarti kausalitis ( sebab akibat )

41. xy - nxy x2- nx2 b = a = y - b x where n = number of periods x = = mean of the x values y = = mean of the y values x n y n Linear Trend Line y = a + bx where a = intercept b = slope of the line x = time period y = forecast for demand for period x

42. x(PERIOD) y(DEMAND) xy x2 1 73 37 1 2 40 80 4 3 41 123 9 4 37 148 16 5 45 225 25 6 50 300 36 7 43 301 49 8 47 376 64 9 56 504 81 10 52 520 100 11 55 605 121 12 54 648 144 78 557 3867 650 Least Squares Example

43. x = = 6.5 y = = 46.42 b = = =1.72 a = y - bx = 46.42 - (1.72)(6.5) = 35.2 557 12 78 12 xy - nxy x2 - nx2 3867 - (12)(6.5)(46.42) 650 - 12(6.5)2 Least Squares Example (cont.)

44. Linear trend line y = 35.2 + 1.72x Forecast for period 13 y = 35.2 + 1.72(13) = 57.56 units 70 – 60 – 50 – 40 – 30 – 20 – 10 – 0 – Actual Demand Linear trend line | | | | | | | | | | | | | 1 2 3 4 5 6 7 8 9 10 11 12 13 Period

45. MenghitungKesalahanPeramalan Ada beberapaperhitunganygbiasadigunakanuntukmenghitungkesalahandlmperamalan. Tigadariperhitungan yang paling terkenaladalahdeviasimutlak rata-rata (mean absolute deviation = MAD). Kesalahankuadrat rata-rata (mean absolute deviation =MSE) dankesalahanpersenmutlak rata-rata (mean absolute percent = MAPE). KesalahanPeramalan = PermintaanAktual – NilaiPeramalan = At - Ft

46. MenghitungKesalahanPeramalan • MAD adalahnilaiygdihitungdengan me-ngambiljumlahnilaiabsolutdarisetiapkesalahanperamalandibagidenganjumlahperiode data (n). • MSE merupakan rata2 selisih kuadrat antara nilai yang diramalkan dan yang diamati • MAPE dihitung rata2 diferensiasi absolut antara nilai yang diramal dan aktual, dinyatakan sebagai presentai nilai aktual.

47. MenghitungKesalahanPeramalan • Dari sudut pandang perhitungan perbedaan dari ukuran2 ini adalah bobot MAD merata pada semua kesalahan, bobot kesalahan MSE sesuai dengan nilai kuadrat serta bobot MAPE sesuai dengan kesalahan relatif.

48. DeviasiMutlak Rata-rata (MAD)

49. Mean Squared Error (MSE) MSE= | Kesalahan Peramalan |2 n -1 Mean Absolute Persen Error MAPE = | Aktual i- ramalan i | / aktual ke i x 100 n Other Accuracy Measures

50. DeviasiMutlak Rata-rata (MAD) • Contoh : Selama 8 kuartalterakhir, Perusahaan X membongkarmuatsejumlahbesarbiji-bijiandarikapal. Manajeroperasipelabuhaninginmengujipenggunaanpenghalusaneksponensialutkmelihatseberapabaikteknikinibekerjadlmmemprediksitonasebiji-bijianygdibongkar/muat. Iamenebakperamalanbongkar/muatbiji-bijianpadakuartalpertamaadalah 175 ton. Duanilaiygdiujiα=0,1 danα=0,5.