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