• Tidak ada hasil yang ditemukan

Metode Peramalan (Forecasting Method)

N/A
N/A
Protected

Academic year: 2018

Membagikan "Metode Peramalan (Forecasting Method)"

Copied!
42
0
0

Teks penuh

(1)

Metode Peramalan

Metode Peramalan

(

(2)
(3)
(4)

Kompetensi Pokok bahasan

Kompetensi Pokok bahasan

Setelah mengikuti pokok bahasan ini, Setelah mengikuti pokok bahasan ini,

mahasiswa diharapkan mampu: mahasiswa diharapkan mampu:

 Melakukan perencanaan produksi, Melakukan perencanaan produksi,

dalam upaya memenuhi kebutuhan

dalam upaya memenuhi kebutuhan

konsumen.

konsumen.

 Memprediksi kebutuhan yang Memprediksi kebutuhan yang

diperlukan dalam proses produksi.

diperlukan dalam proses produksi.  Mengerti tahapan dalam peramalan.Mengerti tahapan dalam peramalan.

 Menentukan metode peramalan yang Menentukan metode peramalan yang

tepat.

(5)

Introduction

Introduction

 Pokok bahasan ini merupakan Pokok bahasan ini merupakan

pokok bahasan yang mengkaji pokok bahasan yang mengkaji

perencanaan produksi melalui

perencanaan produksi melalui

penerapan metode peramalan. penerapan metode peramalan.

 Teknik peramalan ini ditujukan Teknik peramalan ini ditujukan

untuk menghasilkan perencanaan untuk menghasilkan perencanaan

produksi yang akurat dalam

produksi yang akurat dalam

merespon permintaan pasar. merespon permintaan pasar.

 Langkah Langkah pertama pertama dalam dalam

perencanaan operasi sistem

perencanaan operasi sistem

produksi adalah menentukan

produksi adalah menentukan

peramalan yang akurat terhadap peramalan yang akurat terhadap permintaan barang (produk) yang permintaan barang (produk) yang

(6)

Definisi Peramalan

Definisi Peramalan

 Peramalan adalah seni dan ilmu untuk Peramalan adalah seni dan ilmu untuk

memprediksi masa depan.

memprediksi masa depan.

 Peramalan adalah tahap awal, dan hasil ramalan Peramalan adalah tahap awal, dan hasil ramalan

merupakan basis bagi seluruh tahapan pada

merupakan basis bagi seluruh tahapan pada

perencanaan produksi.

perencanaan produksi.

 Proses peramalan dilakukan pada level agregat Proses peramalan dilakukan pada level agregat

(

(part familypart family); bila data yang dimiliki adalah data ); bila data yang dimiliki adalah data item, maka perlu dilakukan agregasi terlebih

item, maka perlu dilakukan agregasi terlebih

dahulu.

dahulu.

 Metode: Kualitatif dan kuantitatif.Metode: Kualitatif dan kuantitatif.

 Terminologi: perioda, horison, Terminologi: perioda, horison, lead timelead time, , fitting fitting

error

(7)

Peramalan Eksplanatoris dan

Peramalan Eksplanatoris dan

Deret Berkala

Deret Berkala

 Kedua pendekatan ini saling melengkapi dan Kedua pendekatan ini saling melengkapi dan

dimaksudkan untuk jenis penggunaan yg berbeda.

dimaksudkan untuk jenis penggunaan yg berbeda.  Pendekatan ekspalanatoris mengasumsikan Pendekatan ekspalanatoris mengasumsikan

adanya hubungan sebab akibat di antara input

adanya hubungan sebab akibat di antara input

dengan output dari suatu sistem.

dengan output dari suatu sistem.

Hubungan sebab dan akibat

Input Output

Sistem

 Peramalan Deret Berkala memperlakukan Peramalan Deret Berkala memperlakukan sistemsistem sebagai kotak hitam.

sebagai kotak hitam.

Proses Bangkitan

Input Output

(8)

Persyaratan Penggunaan

Persyaratan Penggunaan

Metode Kuantitatif:

Metode Kuantitatif:

1.

1.

Tersedia informasi tentang masa lalu.

Tersedia informasi tentang masa lalu.

2.

2.

Informasi tersebut dapat di

Informasi tersebut dapat di

kuantitatifkan dalam bentuk data

kuantitatifkan dalam bentuk data

numerik.

numerik.

3.

3.

Dapat diasumsikan bahwa beberapa

Dapat diasumsikan bahwa beberapa

aspek pola masa lalu akan terus

aspek pola masa lalu akan terus

berlanjut di masa mendatang.

(9)

Langkah-langkah Peramalan

Langkah-langkah Peramalan

 Definisikan tujuan peramalan.Definisikan tujuan peramalan.

 Plot data (Plot data (part familypart family) masa lalu.) masa lalu.

 Pilih metode-metode yang paling memenuhi Pilih metode-metode yang paling memenuhi

tujuan peramalan dan sesuai dengan plot data.

tujuan peramalan dan sesuai dengan plot data.

 Hitung parameter fungsi peramalan untuk Hitung parameter fungsi peramalan untuk

masing-masing metode.

masing-masing metode.

 Hitung Hitung fitting errorfitting error untuk semua metode yang untuk semua metode yang

dicoba.

dicoba.

 Pilih metode yang terbaik, yaitu metode yang Pilih metode yang terbaik, yaitu metode yang

memberikan

memberikan errorerror paling kecil. paling kecil.

(10)

Pola data metode deret berkala (1)

Pola data metode deret berkala (1)

1.

1. Pola Pola horisontal horisontal (H) (H) terjadi bilamana data terjadi bilamana data

berfluktuasi disekitar nilai rata-rata yg konstan.

berfluktuasi disekitar nilai rata-rata yg konstan.

Suatu produk yg penjualannya tdk meningkat

Suatu produk yg penjualannya tdk meningkat

atau menurun selama waktu tertentu termasuk

atau menurun selama waktu tertentu termasuk

jenis ini. Pola khas dari data horizontal atau

jenis ini. Pola khas dari data horizontal atau

stasioner seperti ini dapat dilihat dalam Gambar

stasioner seperti ini dapat dilihat dalam Gambar

1.1.

1.1.

2.

2. Pola Pola musiman musiman (S)(S) terjadi bilamana suatu deret terjadi bilamana suatu deret

dipengaruhi oleh faktor musiman (misalnya

dipengaruhi oleh faktor musiman (misalnya

kuartal tahun tertentu, bulanan, atau hari-hari

kuartal tahun tertentu, bulanan, atau hari-hari

pada minggu tertentu). Penjualan dari produk

pada minggu tertentu). Penjualan dari produk

seperti minuman ringan, es krim, dan bahan

seperti minuman ringan, es krim, dan bahan

bakar pemanas ruang semuanya menunjukkan

bakar pemanas ruang semuanya menunjukkan

jenis pola ini. Untuk pola musiman kuartalan

jenis pola ini. Untuk pola musiman kuartalan

dapat dilihat Gambar 1.2.

(11)

Pola data metode deret berkala (2)

Pola data metode deret berkala (2)

3.

3. Pola Pola siklis siklis (C) (C) terjadi bilamana datanya terjadi bilamana datanya

dipengaruhi oleh fluktuasi ekonomi jangka

dipengaruhi oleh fluktuasi ekonomi jangka

panjang seperti yang berhubungan dengan

panjang seperti yang berhubungan dengan

siklus bisnis. Contoh: Penjualan produk

siklus bisnis. Contoh: Penjualan produk

seperti mobil, baja, dan peralatan utama

seperti mobil, baja, dan peralatan utama

lainnya. Jenis pola ini dapat dilihat pada

lainnya. Jenis pola ini dapat dilihat pada

Gambar 1.3.

Gambar 1.3.

4.

4. Pola Pola trend trend (T)(T) terjadi bilamana terdapat terjadi bilamana terdapat

kenaikan atau penurunan sekuler jangka

kenaikan atau penurunan sekuler jangka

panjang dalam data. Contoh: Penjualan

panjang dalam data. Contoh: Penjualan

banyak perusahaan, GNP dan berbagai

banyak perusahaan, GNP dan berbagai

indikator bisnis atau ekonomi lainnya. Jenis

indikator bisnis atau ekonomi lainnya. Jenis

pola ini dapat dilihat pada Gambar 1.4.

(12)
(13)

Karakteristik trend

Karakteristik trend

Komponen

Komponen

Amplitudo

Amplitudo

Penyebab

Penyebab

Seasonal

Seasonal 12 bulan12 bulan Liburan, musim, Liburan, musim, perioda finansial

perioda finansial

Cyclical

Cyclical 3-5 tahun3-5 tahun Ekonomi nasional, Ekonomi nasional, perubahan politik

perubahan politik

Bisnis

Bisnis 1-5 tahun1-5 tahun Pemasaran, kompetisi, Pemasaran, kompetisi, performance

performance

Product life

Product life

cycle

(14)

Metode Deret Waktu

Metode Deret Waktu

1.

1.

Constant

Constant

2.

2.

Linier trend

Linier trend

3.

3.

Quadratic

Quadratic

4.

4.

Exponential

Exponential

5.

5.

Moving Average

Moving Average

6.

6.

Exponential smoothing

Exponential smoothing

7.

(15)

1. Metode Constant

1. Metode Constant

• Dalam Metode Constant, peramalan

dilakukan dengan mengambil rata-rata

data masa lalu (historis).

Rumus untuk metoda linier:

Rumus untuk metoda linier:

Keterangan:

d’t = Forecast untuk saat t

t = time (independent variable)

dt = demand pada saat t

n = jumlah data

n

d

d

t

t

n

1

(16)

2. Metode Linier trend

2. Metode Linier trend

 

a = intercept

b = kemiringan garis

t = time (independent variable)

dt = demand pada saat t

Model ini menggunakan data yang

Model ini menggunakan data yang

secara random berfluktuasi membentuk

secara random berfluktuasi membentuk

garis lurus.

garis lurus.

(17)

3. Metode Quadratic (1)

3. Metode Quadratic (1)

 Model ini menggunakan data yang secara Model ini menggunakan data yang secara

random berfluktuasi membentuk

random berfluktuasi membentuk

kurva quadratic.

kurva quadratic.

 Rumus untuk model quadratic:Rumus untuk model quadratic:

....

,

3

,

2

,

1

)

(

'

t

a

bt

ct

2

t

d

2







(18)

3. Metode Quadratic (2)

3. Metode Quadratic (2)

(19)

4. Metode Exponential (1)

4. Metode Exponential (1)

 Digunakan apabila persamaan a dan b tidak bisa Digunakan apabila persamaan a dan b tidak bisa

dipecahkan dengan cara konvensional.

dipecahkan dengan cara konvensional.

 Digunakan transformasi logaritma ke dalam Digunakan transformasi logaritma ke dalam

situasi regresi.

situasi regresi.

 Persamaan metode eksponensial :Persamaan metode eksponensial : bt

ae

(t)

d'

Keterangan:

d’t = Forecast untuk saat t a = intercept

b = kemiringan garis

(20)

4. Metode Eksponensial (2)

4. Metode Eksponensial (2)

Persamaan transformasi logaritma :

Persamaan transformasi logaritma :

d'

(t)

ln(a)

ln(e

)

ln(a)

bt

ln

bt

Keterangan:

d’t = Forecast untuk saat t a = intercept

b = kemiringan garis

(21)

5. Metode Moving Average (1)

5. Metode Moving Average (1)

 Digunakan bila data-datanya :Digunakan bila data-datanya :

- tidak memiliki trend

- tidak memiliki trend

- tidak dipengaruhi faktor musim

- tidak dipengaruhi faktor musim

 Digunakan untuk peramalan dengan perioda Digunakan untuk peramalan dengan perioda

waktu spesifik.

waktu spesifik.

 Moving Average didefinisikan sebagai :Moving Average didefinisikan sebagai :

Keterangan :

Keterangan :

n = jumlah perioda

n = jumlah perioda

d

dtt = demand pada bulan ke t = demand pada bulan ke t

n d MA

n

1 t

t n

(22)

5. Metode Moving Average (2)

5. Metode Moving Average (2)

Peramalan jangka pendek lebih baik

Peramalan jangka pendek lebih baik

dibandingkan jangka panjang.

dibandingkan jangka panjang.

Kelemahan : tidak cocok untuk pola data

Kelemahan : tidak cocok untuk pola data

trend atau pola data musiman.

(23)

6. Metode Exponential Smoothing (1)

6. Metode Exponential Smoothing (1)

Kesalahan peramalan masa lalu

Kesalahan peramalan masa lalu

digunakan untuk koreksi peramalan

digunakan untuk koreksi peramalan

berikutnya.

berikutnya.

Dihitung berdasarkan hasil peramalan +

Dihitung berdasarkan hasil peramalan +

kesalahan peramalan sebelumnya.

(24)

6. Metode Exponential Smoothing (2)

6. Metode Exponential Smoothing (2)

besar, smoothing yg dilakukan kecilbesar, smoothing yg dilakukan kecil

kecil, smoothing yg dilakukan semakin kecil, smoothing yg dilakukan semakin

besar

besar

optimum akan meminimumkan MSE, optimum akan meminimumkan MSE,

MAPE

MAPE

t t

t

D

F

F

1

(

1

)

ES didefinisikan sebagai:

ES didefinisikan sebagai:

Keterangan:

Keterangan:

F

Ft+1t+1 = Ramalan untuk periode berikutnya = Ramalan untuk periode berikutnya D

Dtt = Demand aktual pada periode t = Demand aktual pada periode t F

Ftt = Peramalan yg ditentukan sebelumnya untuk periode t = Peramalan yg ditentukan sebelumnya untuk periode t

(25)

7. Metode Seasonal

7. Metode Seasonal

Demand meningkat karena pengaruh

Demand meningkat karena pengaruh

tertentu atau berdasarkan waktu.

tertentu atau berdasarkan waktu.

Nilai/harga faktor seasonal antar 0 dan 1.

Nilai/harga faktor seasonal antar 0 dan 1.

Formulasi peramalan pada tahun ke i :

Formulasi peramalan pada tahun ke i :

d’

d’

ii

= a + b

= a + b

tt

Keterangan :

Keterangan :

d’

d’

ii

= peramalan untuk saat ke i

= peramalan untuk saat ke i

t = perioda waktu (bulan, minggu, dll)

t = perioda waktu (bulan, minggu, dll)

Formulasi Peramalan Seasonal :

Formulasi Peramalan Seasonal :

SF

(26)

Forecasting Errors & Tracking Signals

Forecasting Errors & Tracking Signals

3 metode perhitungan kesalahan

3 metode perhitungan kesalahan

(27)

Verifikasi (1)

Verifikasi (1)

 Salah satu metode verifikasi adalah Moving Range Salah satu metode verifikasi adalah Moving Range

Chart (MRC).

Chart (MRC).

 Moving Range (MR) didefinisikan sebagai :Moving Range (MR) didefinisikan sebagai :

MR = |d’

MR = |d’

t t

– d

– d

tt

| – |d’

| – |d’

t-1t-1

– d

– d

t-1t-1

|

|

Keterangan :

Keterangan :

d’

d’

t t

= ramalan pada bulan ke t

= ramalan pada bulan ke t

d

d

t t

= kebutuhan pada bulan ke t

= kebutuhan pada bulan ke t

d’

d’

t–1 t–1

= ramalan pada bulan ke t-1

= ramalan pada bulan ke t-1

(28)

Verifikasi (2)

Verifikasi (2)

 Rata-rata MR dihitung :Rata-rata MR dihitung :

 Batas kontrol atas (UCL), batas kontrol Batas kontrol atas (UCL), batas kontrol

bawah (LCL), dan garis tengah (CL)

bawah (LCL), dan garis tengah (CL) 1

n

MR MR

1 n

1

i i

 

0

CL 2,66MR

LCL

MR 66

, 2 UCL

  

(29)

Verifikasi (3)

Verifikasi (3)

0

d'

- d

Re

gio

n A

Re

gio

n B

Re

gio

n C

Batas kontol bawah Garis tengah

Re

gio

n C

Re

gio

n B

Re

gio

n A Batas kontrol atas

Perioda

(30)

Verifikasi (4)

Verifikasi (4)

 Pengujian out of kontrol :Pengujian out of kontrol :

 Dari 3 titik yang berurutan, 2 titik atau lebih Dari 3 titik yang berurutan, 2 titik atau lebih

berada di daerah A.

berada di daerah A.

Dari 5 titik yang berurutan, 2 titik atau lebih Dari 5 titik yang berurutan, 2 titik atau lebih berada di daerah B.

berada di daerah B.

Dari 8 titik yang berurutan, seluruhnya Dari 8 titik yang berurutan, seluruhnya berada di atas atau di bawah

berada di atas atau di bawah center line.center line.

(31)

Verifikasi (5)

Verifikasi (5)

Contoh Soal: Kasus Peramalan Konstan

Contoh Soal: Kasus Peramalan Konstan

28.2 -LCL

28.2 UCL

10.6 11

117 MR

 

 

MR = |d’

(32)

Verifikasi (6)

Verifikasi (6)

Gambar 2. Peta Kendali Peramalan Konstan -30

-20 -10 0 10 20 30

J F M A M J J A S O N D

Bulan

d

'

d

CL UCL = +28.2

(33)

Verifikasi (7)

Verifikasi (7)

Bila kondisi out of control terjadi.

Bila kondisi out of control terjadi.

Perbaiki ramalan dengan memasukkan

Perbaiki ramalan dengan memasukkan

data baru.

data baru.

(34)

Contoh Metode Constant

Contoh Metode Constant

(35)

Contoh Metode Linear trend

Contoh Metode Linear trend

(36)

Contoh Metode Quadratic

Contoh Metode Quadratic

(37)

Contoh Metode Eksponensial

Contoh Metode Eksponensial

t

5 18.4718.47 2.922.92 14.6014.60 2525

(38)

Contoh Metode Moving Average

Contoh Metode Moving Average

Bulan

Bulan t d t dtt MA 3 bulan MA 3 bulan MA 5 bulanMA 5 bulan

Jan

Jan 1 10 - 1 10 - - - Feb

Feb 2 12 - 2 12 - - - Mar

Mar 3 13 - 3 13 - - - Apr

Apr 4 16 (10+12+13)/3=11,66 4 16 (10+12+13)/3=11,66 - -Mei

Mei 5 19 (12+13+16)/3=13,66 5 19 (12+13+16)/3=13,66 - - Jun

Jun 6 23 (13+16+19)/3=16,00 6 23 (13+16+19)/3=16,00 (10+12+13+16+19)/5 = 14 (10+12+13+16+19)/5 = 14 Jul

Jul 7 26 (16+19+23)/3=19,33 7 26 (16+19+23)/3=19,33 (12+13+16+19+23)/5 = 16,6 (12+13+16+19+23)/5 = 16,6

n

d

MA

n

1 t

t

n

(39)

Contoh Metode Exponential

Contoh Metode Exponential

Smoothing

Smoothing

Period

Period DemandDemand Forecast , FForecast , Ft+1t+1

=0.3=0.3 =0.5=0.5

1

1 3737 -- -

-2

2 4040 3737 3737 3

3 4141 37.937.9 38.538.5 4

4 3737 38.8338.83 39.7539.75 5

5 4545 38.2838.28 38.3738.37 6

6 5050 40.2940.29 41.6841.68 7

7 4343 43.2043.20 45.8445.84 8

8 4747 43.1443.14 44.4244.42 9

9 5656 44.3044.30 45.7145.71 10

10 5252 47.8147.81 50.8550.85 11

11 5555 49.0649.06 51.4251.42 12

12 5454 50.8450.84 53.2153.21 51.79

51.79 53.6153.61

t t

t

D

F

(40)

Contoh Metode Seasonal (1)

Contoh Metode Seasonal (1)

Year

Year Demand (x 1000)Demand (x 1000)

Kwartal-1

Kwartal-1 Kwartal-2Kwartal-2 Kwartal-3Kwartal-3 Kwartal-4Kwartal-4 TotalTotal 1992

42 29.529.5 21.921.9 55.355.3 148.7148.7

Perhitungan faktor bobot:

(41)

a = 40.97

a = 40.97

b = 4.3

b = 4.3

y = 40.97 + 4.3 t

y = 40.97 + 4.3 t

Untuk tahun 1995 (t =4) diperoleh 58.17

Untuk tahun 1995 (t =4) diperoleh 58.17

Peramalan utk tiap kwartal:

Peramalan utk tiap kwartal:

SF

SF

11

= S

= S

11

.F

.F

55

= .28 (58.7)

= .28 (58.7)

= 16.28

= 16.28

SF

SF

22

= 11.63

= 11.63

SF

SF

33

= 8.73

= 8.73

SF

SF

44

= 21.53

= 21.53

(42)

Kesimpulan

Kesimpulan

1.

1.

Peramalan merupakan tahapan awal

Peramalan merupakan tahapan awal

dalam perencanaan sistem operasi

dalam perencanaan sistem operasi

produksi.

produksi.

2.

2.

Model yang paling tepat harus dipilih

Model yang paling tepat harus dipilih

dalam melakukan peramalan.

dalam melakukan peramalan.

3.

3.

Model yang dipilih dapat dibandingkan

Model yang dipilih dapat dibandingkan

dengan model yang lain dengan

dengan model yang lain dengan

menggunakan kriteria

menggunakan kriteria

minimum

minimum

average

average

sum of squared errors

sum of squared errors

.

.

4.

4.

Distribusi

Distribusi

forecast errors

forecast errors

harus

harus

dimonitor, jika terjadi bias maka model

dimonitor, jika terjadi bias maka model

yang digunakan tidak tepat.

Gambar

Gambar 1.3.Gambar 1.3.Pola Pola trend trend (T)kenaikan atau penurunan sekuler jangka kenaikan atau penurunan sekuler jangka
Gambar 1. Kriteria Peta Kontrol
Gambar 2. Peta Kendali Peramalan Konstan

Referensi

Dokumen terkait

Untuk melakukan peramalan diperlukan metode tertentu dan metode mana yang digunakan tergantung dari data dan informasi yang akan diramal serta tujuan yang hendak dicapai..

Salah satu metode peramalan yang paling tepat untuk meramalkan jumlah pengunjung objek wisata adalah dengan menggunakan metode Dekomposisi (Metode Deret Berkala)

perhitungan peramalan model peramalan yang dipilih. e) Memilih model peramalan yang tepat berdasarkan hasil analisa data yang dilakukan. Langkah pengolahan data untuk

Peramalan dengan metode kombinasi minimum variance menghasilkan variansi dari kesalahan peramalan yang lebih kecil daripada variansi dari kesalahan model peramalan

Maka dapat dilakukan strategi yang tepat untuk melakukan perencanaan selanjutnya, dalam peramalan ini bagian yang dapat digunakan adalah metode rata – rata bergerak dan

Berdasarkan hasil uji dari pelatihan, metode peramalan yang dipilih yaitu metode peramalan Exponential Smoothing α: 0,9 karena lebih sesuai dan akurat untuk digunakan

Dalam melakukan analisa peramalan untuk data-data produk untuk perusahaan manufaktur yang harus diperhatikan adalah data-data produk apakah berdasarkan hasil

Peramalan dan MAPE Setelah memenuhi asumsi yang dibutuhkan model SARIMAX 2,0,21,0,012 digunakan untuk melakukan peramalan dengan pembagian data training sebesar 216 data yaitu dari