DEMAND FORECASTING

• Before making an investment decision, must answer these question:

– What should be the size or amount capital required?

– How large should be the size of workforce?

– What should be the size of the order and safety stock?

– What should be the capacity of the plant?

NEED FORECAST

DEFINITION FORECASTING

(American Marketing Association)

• “An estimate of sales in physical units for a specified

future period under proposed marketing plan or program

and under the assumed set of economic and other

forces outside the organisation for which the forecast is

made”

• Forecasting is an estimate of future event achieved by

systematically combining and casting in predetermined

way data about the past.

• Forecasting is based on the historical data and its

requires statistical and management science techniques.

Need for Demand Forecasting• Majority of the activities is depend on the future sales

• Projected demand for the future assists in decision making with respect to investment in plant and machinery, market planning and programs.

• To schedule the production activity to ensure optimum utilisation of plant’s capacity

• To prepare material planning to take up replenishment action to make the materials available at right quantity and right time

• To provide an information about the relationship between demand for different products

• To provide a future trend which is very much essential for product design and development

Forecasting Time Horizon

• Short Range Forecast:– This forecast has a time span of up to 1 year but is generally less than

3 months.

– It is used for planning purchasing, job scheduling, workforce levels, job

assignments, and production levels

• Medium Range Forecast:– This forecast has a time span from 3 months to 3 years

– It is used for sales planning, production planning, and budgeting, and analysis of various operating plans

• Long Range Forecast:– Generally 3 years or more in time span

– It is used for new products, capital expenditures, facility location or expansion, and R&D

Forecasting Approaches

• Qualitative Methods– Incorporate such factors as the decision maker’s intuition, emotions,

personal experiences, and value system in reaching a forecast.

• Quantitative Methods– It use a variety of mathematical models that rely in historical data or

associative variables to forecast demand.

Individual Opinion : Opini peramalan berasal dari pribadi

(Individu) → pakar/expert dalam bidangnya

yaitu :

- Konsultan : Ilmiah / non Ilmiah

- Manajer pemasaran / produksi

- Individu yang banyak bergerak pada

masalah tersebut.

Group Opinion : Opini peramalan diperoleh dari beberapa

orang dengan mencoba merata-ratakan

hasil peramalan yang lebih obyektif

(rasional)

Qualitative Forecasting

MACAM-MACAM GROUP OPINION:

• Riset Pasar– Berguna bila ada kekurangan data historik atau data tidak reliabel.

– Tahapan dalam riset pasar:

• Memastikan informasi yang dicari

• Memastkan sumber-sumber informasi

• Menetapkan cara pengadaan atau pengumpulan data

• Mengembangkan uji pendahuluan peralatan pengukuran

• Menformulasikan sampel

• Mendapatkan informasi

• Melakukan tabulasi dan analisa data

• Metode Delphi– Teknik yang digunakan untuk mendapatkan konsensus pendapat dari

kelompok ahli kemudian mengumpulkan dan menformulasikan daftar pertanyaan baru dan dibagikan kepada kelompok.

• Analogi historik– Peramalan dilakukan dengan menggunakan pengalaman historik

produk sejenis.

• Konsensus Panel– Gagasan yang didiskusikan secara terbuka oleh kelompok untuk

menghasilkan ramalan yang lebih baik daripada dilakukan seseorang. Partisipan terdiri dari: eksekutif, orang penjualan, para ahli dan langganan

Quantitative Forecasting

• Time Series Analysis

– Identifies the historical pattern of demand for the product or project and extrapolates this demand into the future.

– Past data is arranged in a chronological order as a dependent variable and time as an independent variable

• Causal Methods

– Identifies the factors which cause the variation of demand and tries to establish a relationship between the demand and these factors not only depend on time variable.

Faktor-faktor yange berpengaruh:

- harga produk

- saluran distribusi

- promosi

- pendapatan

- jumlah penduduk, dll

dt = f (faktor penyebab demand)

Pada metode ini diperlukan : - identifikasi variabel yang relevan

- mencari fungsi yang cocok

Kebaikan : - mempunyai ketepatan hasil yang tinggi

- dapat digunakan untuk peramalan jangka panjang

Kelemahan : - tidak praktis, membutuhkan banyak jenis data

- waktu lama

- mahal

Forecasting : upaya memperkecil resiko yang mungkin

timbul akibat pengambilan keputusan dalam

suatu perencanaan produksi

Namun, upaya memperkecil resiko dibatasi

oleh biaya

Biaya totalBiaya peramalan

Biaya

resiko

Upaya

peramalan

Metode

peramalan

Model

kualitatif

Model

kuantitatif

Time

series

kausal

smoothing

regresi

ekonometri

Regresi

multivariate

Moving

average

Exponential

smoothing

Faktor-faktor yang harus dipertimbangkan dalam pemilihan

metode peramalan :

- tujuan peramalan

- jangkauan peramalan

- tingkat ketelitian

- ketersediaan data

- bentuk pola data

- biaya

Hal-hal yang harus dilakukan :

- definisikan tujuan peramalan

- buat diagram pencar

- pilih beberapa metode peramalan

- hitung ramalan dan kesalahannya

- pilih metode dengan kesalahan terkecil

JENIS POLA DATA :

- Konstan

- Trend (linier )

- Musiman (seasional)

- Cyclic (siklis)

Fungsi peramalan :

- Konstan : dt’ = a

- Trend (linier) : dt’ = a + bt

- Kwadratis : dt’ = a + bt + ct2

- Eksponential : dt’ = a.ebt

- Cyclic (siklis) : dt’ = a + b sin cos

Standar Error Of Estimate (SEE)

f = derajat bebas

1 = untuk data konstan

2 = untuk data linier

3 = untuk data kwadratis

Contoh :

Dari12 bulan terakhir ini dicatat penjualan produk “x” sbb :

Bagaimana ramalan permintaan produk “x” untuk 12 bulan

mendatang ?

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

Penjualan

(dt = Xt)

30 20 45 35 30 60 40 50 45 65 50 35

n

t

t

fn

FXSEE

1

2

METODE REGRESI LINIER SEDERHANA

dt’ = f(t)

Konstan :

→ a = 30 + 20 + …. + 50 + 35 = 42

12

dt ’ = 42

n

dt

a

andt

adt

n

t

n

t

n

t

n

t

1

1

1 1

.

dt = X(t) Ramalan (dt’) dt – dt’ (dt-dt’)2

1. 30

2. 20

3. 45

4. 35

5. 30

6. 60

7. 40

8. 50

9. 45

10. 65

11. 50

12. 35

42

42

42

42

42

42

42

42

42

42

42

42

-12

-22

3

-7

- 12

18

-2

8

3

23

8

- 7

144

484

9

49

144

324

4

64

9

529

64

49

Jumlah 1873

MENCARI SEE :

n

t fn

dtdt

1

2)'(

SEE

05,1327,170

112

1873

REGRESI LINIER ~ TRENDdt’ = a + bt

→

2

11

2

1 1 1

.

..

n

t

n

t

n

t

n

t

n

t

ttN

ttytytN

b

2

1 1

2

1 1 1

.

..

n

t

n

t

n

t

n

t

n

t

ttN

tdtdttN

b

N

t

bN

dt

a

n

t

n

t

11

btdtaN

t

bN

dt

a

n

t

n

t

11

T dt = y(t) t.dt t2 dt’ dt-dt’ (dt-dt’)2

1.

2.

3.

4.

5.

6.

7.

8.

9.

10.

11.

12.

30

20

45

35

30

60

40

50

45

65

50

35

30

40

135

140

150

360

280

400

405

650

550

420

1

4

9

16

25

36

49

64

81

100

121

144

31

33

35

37

39

41

43

45

47

49

51

53

-1

-13

10

-2

-9

19

-3

5

-2

16

-1

-18

1

169

100

4

81

361

9

25

4

256

1

324

∑ = 78

= 6,5

505

= 423560 650 ∑ = 1335

b = 12.(3560) – 505.78

12(650) – 782

= 3330 = 1,94

1716

= 42 – 1,94 (6,5)

= 42 – 12,61

= 29,39

→ dt’ = 29,39 + 1,94t ~ dt’ = 29 + 2t

55,11

5,133212

1335

1

SEE

SEE

fn

dtdt

SEE

n

t

i

Untuk regresi konstan : dt’ = 42

SEE = 13,05

Untuk regresi linier : dt’ = 29 + 2t

SEE = 11,55

METODE SMOOTHING

Pada metode smoothing, data digunakan periode per periode

terdiri dari 2 kelompok, yaitu :

metode rata-rata dan metode exponential smoothing

a) Single Moving Average

atau rata-rata bergerak

Moving average pada suatu periode merupakan peramalan

untuk satu periode ke depan dari periode rata-rata tersebut.

Contoh : Data Penjualan suatu produk 12 bulan terakhir :

t Data penjualan (Unit) Moving Total Ramalan

123456789

10111213

400490570500640680710800820910860950?

-1460156017101820203021902330253025902720

-

-

487520570607677730777844864907

-

• Peramalan untuk bulan ke 13 = 907

• Peramalan untuk bulan ke 14 =

Last moving total +demand utk bulan ke 13 – demand utk bulan ke 10

3

= 2720 +907 – 910

3

= 906 units

b. Linier Moving Average

Jika pola data menunjukan “Pola Trend” maka single moving

average tidak tepat. Yang lebih tepat adalah linier moving average.

Dasarnya : Penggunaan moving average kedua untuk memperoleh

penyesuaian pola trend

1. Hitung single moving average dari data dengan periode

perata-rataan tertentu; hasilnya notasikan St’

2. Hitung moving average kedua, yaitu moving average dari

St’ dengan periode perata-rataan yang sama, hasilnya

notasikan dengan St’’

3. Hitung komponen at dengan rumus :

at = St’ + (St’ - St’’)

4. Hitung komponen trend bt dengan rumus :

bt = 2 (st’ – st‘’)

N-1

5. Peramalan m periode ke depan setelah t adalah sbb :

Ft = at + bt Contoh :

t Penjualan (unit)

MA (4)(st’)

MA (4)(st’’)

at bt at+bt

123456789

1011121314

140159136157173131177188154179180160??

148156,25149,25159,50167,25162,50174,50175,25168,50

153,25158,06159,62165,93169,87170,12

165,75176,43165,37183,06180,62166,37

4,176,131,925,713,58-1,25

169,91182,56167,29188,77184,20165,12163,85

Single Exponential Smoothing

Dipakai untuk peramalan jangka pendek.

Dasar pemikiran :

Nilai ramalan pada periode t + 1 merupakan nilai aktual pada

periode t ditambah dengan penyesuaian yang berasal dari

kesalahan nilai ramalan yang terjadi pada periode tersebut.

Ft + 1 = Ft + α (Xt – Ft)

Permasalahan : Inisialisasi !!!

- Nilai awal F1?

- Harga α (parameter / koefisien smoothing)

F1 → Nilai X1 atau

Nilai rata-rata 4 s/d 5 (Xt) pertama

α → 0 < α < 1

Modifikasi :

dt+1’ = α dt + (1- α ) dt’

t 1 2 3 4 5 6 7 8 9 10 11 12

dt 30 20 45 35 30 60 40 50 45 65 50 35

Jika α = 0,1

d1’ = d1 = 30, maka

d2’ = 0,1 (30) + 0,9(30) = 30

d3’ = 0,1(d2) + 0,9 (d2’)

0,1(20) + 0,9 (30) = 29

d4’ = 0,1(45) + 0,9 (29) = 30,6

dst

PROSEDUR PERAMALAN

1. Definisikan tujuan peramalan yang akan dilakukan

2. Buat diagram pencar dari data

3. Pilih paling tidak 2 metode yang dapat mengakomodasikan tujuan tersebut dan mendekati pola data yang tergambar dari langkah 2

4. Hitung kesalahan peramalan yang terjadi

5. Pilih metode peramalan yang terbaik, yaitu :

- yang memberikan kesalahan terkecil atau

- kalau ingin menguji lebih halus lagi gunakan tes variansi

Contoh

Dari 12 bulan terakhir, tercatat penjualan produk “x” sebagai

berikut :

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

Penjualan 30 20 45 35 30 60 40 50 45 65 50 35

Bagaimana ramalan permintaan produk “x” untuk 12 bulan mendatang? Penggambaran diagram pencar

Berdasarkan gambar diagram pencar tersebut akan dicoba 2 bentuk pola data, yaitu konstan dan trend. Untuk konstan diambil metode moving average 4 periode dan untuk trend digunakan metode linear moving average 4 periode.

Data MA(4) Ramalan e e2

302045353060405045655035

32,5032,5042,5041,2545,0048,7550,0052,5048,75

32,5032,5042,5041,2545,0048,7550,0052,5048,75

-2,5027,50-2,508,75

016,25

017,50

6,25756,25

6,2576,56

0264,06

0306,25

1415,62

Moving Average 4 Periode :

DataMA(4)

St’M4(4x4)

St”at bt Ft + m e e2

302045353060405045655035

32,5032,5042,5041,2545,0048,7550,0052,5048,75

37,1940,3144,3846,2549,0649,94

45,3146,6953,1253,7555,9447,56

2,713,132,912,500,63-0,79

48,0249,8256,0356,2556,5746,77

1,98-4,828,97-6,25-21,57

3,9223,2380,4639,06

465,26

611,93

Linear Moving Average 4 Periode :

SEE data berpola trend “lebih kecil”, sehingga ramalan permintaan untuk 12 bulan mendatang sebagai berikut :

Ft + m = 47,56 – 0,79m

Bulan 13 Ft = 46,77

Bulan 14 Ft = 45,98

Bulan 15 Ft = 45,19

Bulan 16 Ft =

Bulan 17 Ft =

Bulan 18 Ft =

Bulan 19 Ft =

Bulan 20 Ft =

Bulan 21 Ft =

Bulan 22 Ft =

Bulan 23 Ft =

Bulan 24 Ft =

Untuk menguji apakah fungsi cukup representatif pola datanya,

digunakan proses verifikasi digunakan Moving Range Chart

(Peta sebaran bergerak)

Dari data yang lalu : dt’ = 29 + 2t. Regresi Linier

Dari data yang lalu : dt’ = 29 + 2t. (Regresi Linier)

t dt dt’ dt – dt’ MRt

123456789101112

302045353060405045655035

313335373941434547495153

-1-1310-2-919-35-216-1-18

1223127282287181717171

BA A B C

t

BB A B C

41,32

27,48

13,74

0

-13,74

-27,48

-41,23

KONDISI – KONDISI OUT OF CONTROL

- Bila ada titik sebaran (dt-dt’) diluar batas kontrol (>BA

; <BB)

Jika semua titik sebaran berada pada batas kontrol,

apakah dijamin bahwa fungsi tersebut representatif ?

Belum tentu !!

Cek, ikuti aturan berikut :

- Aturan 3 titik : bila ada tiga buah titik secara berurutan

yang ada pada salah satu sisi, daerah A

- Aturan 5 titik : bila terdapat lima buah titik secara

berurutan berada pada salah satu sisi, daerah B

- Aturan 8 titik : bila terdapat 8 buah titik secara

berurutan berada pada salah satu sisi, daerah C

MRC

OUT OF

CONTROL

Gunakan Fungsi

yang

Diperoleh untuk

meramal

Gejala tsb bukan

Bersifat random

Sehingga data

Menyimpang

(≠ tidak mengikuti

hk. Statistika)

Fungsi

Penyebabnya

diketahui

Ganti dengan

Fungsi baru

Ulangi

kembali

Mengitung kembali

Fungsi tsb dengan

Menghilangkan titik-

titik out of control

sehingga diperoleh

Fungsi baru

(jumlah data berkurang)

tidak

ya

ya

tidak

Mis: pada titik

tsb ada pesanan

khusus