MANAJEMEN INDUSTRI
METODE FORECASTING (PERAMALAN)
Hendro Suryono (38508)
JURUSAN TEKNIK ELEKTRO DAN TEKNOLOGI
INFORMASI
FAKULTAS TEKNIK
UNIVERSITAS GADJAH MADA
YOGYAKARTA
Metode Forecasting (Peramalan)
1.
Metode Rata-rata Bergerak (Moving Average)
Rata-rata bergerak adalah suatu metode peramalan yang
menggunakan rata-rata periode terakhir data untuk meramalkan periode
berikutnya.
Rata
−
ratabergerak
=
∑
Permintaandalam periode n sebelumnya
n
Sedangkan pembobotan rata rata bergerak
Pembobotanrata ratabergerak
=
∑
(
bobot peride n
)
×
(
permintaan dala periode n
)
∑
bobot
Dengan n adalah jumlah periode dalam rata-rata.
Metode ini dapat menghaluskan fluktuasi tiba-tiba dalam pola
permintaan untuk menghasilkan estimasi yang stabil. Metode ini
mempunyai masalah :
1. Meningkatkan ukuran n memang menghaluskan fluktuasi dengan
lebih baik tetapi metode ini kurang sensitive untuk perubahan nyata
dalam data.
2. Rata-rata bergerak tidak dapat memanfaatkan trend dengan baik.
3. Karena merupakan rata-rata, rata-rata bergerak akan selalu berada
dalam tingkat masa lalu dan tidak akan memprediksi perubahan ke
tingkat yang lebih tinggi maupun yang lebih rendah.
Contoh :
2. Metode
Eksponential
Smoothing
Metode eksponential smoothing merupakan pengembangan dari metode
moving averages. Dalam metode ini peramalan dilakukan dengan mengulang perhitungan secara terus menerus dengan menggunakan data terbaru. Setiap data diberi bobot, data yang lebih baru diberi bobot yang lebih besar. Rumus metode eksponential smoothing :
dimana : Ft = Peramalan baru
Ft-1 = Peramalan sebelumnya
α = Konstanta penghalusan (0≤α≥1) At-1 = Permintaan aktual periode lalu
Menghitung kesalahan peramalan
Ada beberapa perhitungan yang biasa digunakan untuk menghitung kesalahan dalam peramalan. Tiga dari perhitungan yang paling terkenal adalah :
Deviasi mutlak rata-rata (mean absolute deviation = MAD)
MAD adalah nilai yang dihitung dengan mengambil jumlah nilai absolut dari setiap kesalahan peramalan dibagi dengan jumlah periode data (n).
MAD=
∑
⌊Aktual−Peramalan⌋ n Kesalahan kuadrat rata-rata (mean absolute deviation =MSE)
MSE
=
∑
(
Kesalahan peramalan
)
2n
Kesalahan persen mutlak rata-rata (mean absolute percent = MAPE)
MAPE
=
∑
(
Deviasi absolut
)/(
nilai aktual
)
×
100
n
0 2 4 6 8 10 12
3. Metode Trend Projection
Adalah suatu metode peramalan serangkaian waktu yang sesuai dengan garis tren terhadap serangkaian titik-titik data masa lalu, kemudian
diproyeksikan ke dalam peramalan masa depan untuk peramalan jangka menengah dan jangka panjang. Persamaan garis :
ˇ
y
=
a
+
bx
Dengan: y = variabel yg akan diprediksi a = konstanta
b = kemiringan garis regresi x = variabel bebas (waktu)
Dengan metode kuadrat terkecil (MKT) didapat :
b=
∑
xy−n´x´y∑
x2−n´x2 a= ´y−b´xContoh : Tabel berikut adalah memperlihatkan jumlah produksi trafo selama 4 tahun. Ramalkan produksi trafo yang terjadi pada bulan Mei.
Bulan waktu (x)Periode Produksi trafo (y) x2 xy
´
4. Exponential Smoothing With Trend Adjustment
Forecast Including Trend Ft = (At-1) + (1 - )(Ft-1 + Tt-1)
Trend Tt = (Ft – Ft-1) + (1 - )T t-1
WhereFt = Exponentially smoothed forecast for period t
Tt = Exponentially smoothed trend for period t
At = Actual demand for period t
= Smoothing constant for the average (0 1)
= Smoothing constant for the trend (0 1)
Mont
h Demand (A) Forecast (Ft) Trend (Tt) FIT (FTt-1) t-1 +
1 1000 1000 150 1150
2 1200 0,5(1000)+0,5(1150)=
1075 0,3(75)+0,7(150)=127,5 1202,5 3 1250 0,5(1200)+0,5(1202,5)=
1201,25 0,3(126,25)+0,7(127,5)=127,12 1328,4 4 1375 0,5(1250)+0,5(1328,4)=
1289,2 0,3(87,9)+0,7(127,12)=115,35 1404,5 5 1300 0,5(1375)+0,5(1404,5)=
1389.75
0,3(100.5)+0,7(115,35) =110,89
1500 6 1350 0,5(1300)+0,5(1500)=14
00
5. Seasonal Forecast
Average Monthly Demand =
∑
Average Monthly Demand
12
months
Seasonal Index =
Average Annual Demand
Average Monthly Demand
Example: The demand for product X over the past three years is shown in the table. If we expect the total yearly demand in 2014 to be 55.000 units, what will be our forecasted monthly demands in 2014 ?
Mont
Average Annual Demand
0 0 0
Average Monthly Demand =
∑
Average Annual Demand
12 months
= 47000/12 = 3917
Seasonal Index January =
Average Annual Demand
Average Monthly Demand
= 2167/3917 = 0,553
Forecast for January 2014 = (55000/12) x 0,533 = 2535
Seasonal Index February = 2633/3917 = 0,672
Forecast for February 2014 = (55000/12) x (2633/3917) = 3080
0 2 4 6 8 10 12 14 0
1000 2000 3000 4000 5000 6000 7000