Senin, 04 Mei 2020

Metode Forecasting (Rizman Maulida Alsa-201631066-SIMPEL Kelas E

Definisi Peramalan

  • Peramalan adalah seni dan ilmu untuk memprediksi masa depan.
  • Peramalan adalah tahap awal, dan hasil ramalan merupakan basis bagi seluruh tahapan pada perencanaan produksi.
  • Proses peramalan dilakukan pada level agregat (part family); bila data yang dimiliki adalah data item maka perlu dilakukan agregasi terlebih dahulu.
  • Metode : Kualitatif dan Kuantitatif.
  • Terminologi : perioda, horison, lead time, fitting error, forecast error, data dan hasil ramalan.


Peramalan Eksplanatoris dan Deret Berkala

  • Kedua pendekatan ini saling melengkapi dan dimaksudkan untuk jenis penggunaan yang berbeda.
  • Pendekatan eksplanatoris mengasumsikan adanya hubungan sebab akibat di antara input dengan output dari suatu sistem.
Peramalan Data Time Series - ppt download


Persyaratan penggunaan metode kuantitatif :

  1. Tersedia informasi tentang masa lalu.
  2. Informasi tersebut dapat dikuantitatifkan dalam bentuk data numerik.
  3. Dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus berlanjut di masa mendatang.

Langkah-langkah Peramalan

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

Pola data metode deret berkala (1)

  1. Pola Horisontal (H) terjadi bilamana data berfluktuasi di sekitar nilai rata-rata yang konstan.Suatu produk yang penjualannya tidak meningkat atau menurun selama waktu tertentu termasuk jenis ini. Pola khas dari data horizontal atau stasioner seperti ini dapat dilihat dalam gambar 1.1.
  2. 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.

Pola data metode deret berkala (2)


  1. 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.
  2. Pola trend (T) terjadi bilamana terdapat kenaikan atau penurunan sekuler panjang dalam data. Contoh : Penjualan banyak perusahaan, GNP dan berbagai indikator bisnis atau ekonomi lainnya.
2012200958STIFBab2001 - page 6 of 41


Karakteristik Trend

Komponen
Amplitudo
Penyebab
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

Metode Deret Waktu

  1. Constant
  2. Linier Trend
  3. Quadratic
  4. Exponential
  5. Moving Average
  6. Exponential Smoothing
  7. Seasonal

1. Metode Constant

  • Dalam metode Constant, peramalan dilakukan dengan mengambil rata-rata data masa lalu (historis).
  • Rumus untuk constant :

    • Keterangan :  d’t = Forecast untuk saat t
                               t = time (independent variable)
                             dt = demand pada saat t
                              n = jumlah data


2. Metode Linier Trend

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



3. - Metode Quadratic (1)

  • Model ini menggunakan data yang secara random berfluktuasi membentuk 
    kurva quadratic. 
  • Rumus untuk model quadratic:
 Keterangan : ...............


   - Metode Quadratic (2) 


4. - Metode Exponential (1) 

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

    

- Metode Exponential (2)

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


5. Metode Moving Average (1)

  • Digunakan bila data-datanya :
    • tidak memiliki trend
    • tidak dipengaruhi faktor musim
  • Digunakan untuk peramalan dengan perioda waktu spesifik.
  • Moving Average didefinisikan sebagai :
  •  

Metode Moving Average (2)

  • Peramalan jangka pendek lebih baik dibandingkan jangka panjang.
  • Kelemahan : tidak cocok untuk pola data trend atau pola data musiman.

6. Metode Exponential Smoothing (1)

  • Kesalahan peramalan masa lalu digunakan untuk koreksi peramalan berikutnya.
  • Dihitung berdasarkan hasil peramalan + kesalahan peramalan sebelumnya.

- Metode Exponential Smoothing (2)

ES didefinisikan sebagai :
Keterangan:
Ft+1 = Ramalan untuk periode berikutnya
Dt = Demand aktual pada periode t
Ft = Peramalan yg ditentukan sebelumnya untuk periode t
a = Faktor bobot

a besar, smoothing yg dilakukan kecil
a kecil, smoothing yg dilakukan semakin besar
a optimum akan meminimumkan MSE, MAPE  

7. Metode Seasonal


Demand meningkat karena pengaruh tertentu atau berdasarkan waktu.

Nilai/harga faktor seasonal antar 0 dan 1.
Formulasi peramalan pada tahun ke i :
  d’i = a + bt
  Keterangan :
  d’i = peramalan untuk saat ke i
  t = perioda waktu (bulan, minggu, dll)
Formulasi Peramalan Seasonal :
  SF(i) = (Si).(d’t)

Forecasting Errors & Tracking Signals


3 metode perhitungan kesalahan peramalan :

Verifikasi (1)

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

Verifikasi (2)


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

Verifikasi (3)

Verifikasi (4)

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 8 titik yang berurutan, seluruhnya   berada di atas atau di bawah center line.
        Satu titik berada di luar batas kontrol.

Verifikasi (5)


Contoh Soal : Kasus Peramalan Konstan 

Verifikasi (6)


Verifikasi (7)

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

Contoh Metode Constant 


Bulan       t         dt            
Jan         1         90         
Feb         2       111
Mar         3         99         
Apr         4         89   
Mei         5         87    
Jun         6         84
Jul          7       104
Aus         8       102
Sep        9        95
Okt        10       114
Nov       11       103
Des       12       113
       ∑ =  1191


Contoh Metode Linear Trend


t         dt            tdt          t2       d’t         (dt-d’t)2
1      2050       2050        1     2108,5    3.422,2
2      2235       4470        4     2210,1       620,0
3      2420       7260        9     2311,7   11.728.9
4      2360       9440      16     2413,3    2.840,9
5      2490     12450      25     2514,9       620,0
6      2620     15720      36     2616,5         12,3
21   14175    51390      91                  19.244,3
d’t = a + bt
    = 2006,9 + 101,6t

Contoh Metode Quadratic 

t
t2
t3
t4
dt
tdt
t2dt
1
1
1
1
16
16
16
2
4
8
16
24
48
96
3
9
27
81
34
102
306
4
16
64
256
46
184
736
5
25
125
625
60
300
1500
          ∑15
55
225
979
180
650
2654



Contoh Metode Eksponensial

                  t
            dt
            Ln(dt)
           tLn(dt)
                   t2
1
2.50
0.92
0.92
1
2
4.12
1.42
2.84
4
3
6.80
1.92
5.76
9
4
11.20
2.42
9.68
16
5
18.47
2.92
14.60
25
15
9.60
33.8
55

Contoh Metode Moving Average

Bulan    t     dt             MA 3 bulan      MA 5 bulan
Jan      1     10                   -                        -
Feb     2     12                    -                        -
Mar     3     13                    -                        -
Apr     4     16    (10+12+13)/3=11,66         -
Mei     5     19    (12+13+16)/3=13,66         -
Jun     6     23    (13+16+19)/3=16,00  (10+12+13+16+19)/5 = 14
Jul      7     26    (16+19+23)/3=19,33  (12+13+16+19+23)/5 = 16,6


Contoh Metode Exponential Smoothing



Period
Demand
Forecast , Ft+1
a=0.3
a=0.5
1
37
-
-
2
40
37
37
3
41
37.9
38.5
4
37
38.83
39.75
5
45
38.28
38.37
6
50
40.29
41.68
7
43
43.20
45.84
8
47
43.14
44.42
9
56
44.30
45.71
10
52
47.81
50.85
11
55
49.06
51.42
12
54
50.84
53.21
51.79
53.61

Contoh Metode Seasonal (1)

Year  
Demand (x 1000)
           Kwartal-1
          Kwartal-2
        Kwartal-3
         Kwartal-4
Total
1992
12.6
8.6
6.3
17.5
45
1993
14.1
10.3
7.5
18.2
50.1
1994
15.3
10.6
8.1
19.6
53.6
42
29.5
21.9
55.3
148.7
Perhitungan faktor bobot :
S1= D1/SD = 42/148.7 = 0.28
S2 = 0.20
S3 = 0.15
S4 = 0.37


Contoh Metode Seasonal (2)


a = 40.97                 b = 4.3
                 y = 40.97 + 4.3 t
Untuk tahun 1995 (t =4) diperoleh 58.17
Peramalan utk tiap kwartal:
SF1 = S1.F5 = .28 (58.7)   = 16.28
SF2   = 11.63
SF3   =  8.73
SF4   = 21.53

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.

Tidak ada komentar:

Posting Komentar