MANAJEMEN INDUSTRI METODE FORECASTING PE

(1)

MANAJEMEN INDUSTRI

METODE FORECASTING (PERAMALAN)

Hendro Suryono (38508)

JURUSAN TEKNIK ELEKTRO DAN TEKNOLOGI

INFORMASI

FAKULTAS TEKNIK

UNIVERSITAS GADJAH MADA

YOGYAKARTA

(2)

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 :

(3)

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 :

(4)

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

)

2

n

 Kesalahan persen mutlak rata-rata (mean absolute percent = MAPE)

MAPE

=

∑

(

Deviasi absolut

)/(

nilai aktual

)

×

100 n

(5)

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´x

Contoh : 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

(6)

´

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)

(7)

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

(8)

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

(9)

0 2 4 6 8 10 12 14 0

1000 2000 3000 4000 5000 6000 7000