CHAPTER 6

CHAPTER 6FORECASTINGKELOMPOK 6 PUTRI SULISTIANINSUCI PRASETIATRIANTO ISMAIL M.Forecasting adalah kegiatan yang dilakukan untuk membuat prediksi tersebut. Peramalan dilakukan dengan mengolah data historis, untuk mempertimbangkan kegiatan di masa depan.Kegunaan peramalan terlihat pada saat pengambilan keputusan atau menetapkan berbagai kebijakan. Keputusan yang baik adalah keputusan yang didasarkan atas pertimbangan apa yang akan terjadi pada waktu keputusan itu dilaksanakan.

Pengertian ForecastingManfaat dari peramalan adalah sebagai berikut:Membantu agar perencanaan suatu pekerjaan dapat diperkirakan dengan tepatMerupakan suatu pedoman dalam menentukan tingkat persediaan perencanaan sehingga dapatbekerja secara optimalSebagai masukan untuk penentuan jumlah investasiMembantu menentukan pengembangan suatu pekerjaan untuk periode selanjutnya

Manfaat ForecastingForecastingForecasting MethodsQualitative QuantitativeCausalTime SeriesSmoothingTrend ProjectionTrend Projection Adjusted for Seasonal InfluenceForecasting : Pendekatan kuantitatif Peramalan kuantitatif, menggunakan berbagai model matematis atau metode statistik dan data historis dan atau variabel- variabel kausal untuk meramalkan permintaan, time series adalah nilai-nilai suatu variabel yang berurutan menurut waktu (misal: hari, minggu, bulan, tahun) metode deret berkala (time series) : metode yang dipergunakan untuk menganalisis serangkaian data yang merupakan fungsi dari waktu, metodekausal (causal/explanatory model) : mengasumsikan variabel yang diramalkan menunjukkan adanya hubungan sebab akibat dengan satu atau beberapa variabel bebas (independent variable).Tersedia informasi tentang masa lalu.Informasi tersebut dapat di kuantitatifkan dalam bentuk data numerik.Dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus berlanjut di masa mendatang.

Persyaratan Penggunaan metode KuantitatifTime Series MethodsTiga Metode Time Series :smoothingtrend projectiontrend projection adjusted for seasonal influenceTrend, Yaitu komponen jangka panjang yang mendasari pertumbuhan (atau penurunan) suatu data runtut waktu. Merupakan pergerakan data sedikit demi sedikit meningkat atau menurun.

Komponen dari Time Series

Siklikal, yaitu suatu pola dalam data yang terjadi setiap beberapa tahun. fluktuasi atau siklus dari data runtut waktu akibat perubahan kondisi ekonomi

Komponen dari Time Series

Musiman (seasonal), yaitu pola data yang berulang pada kurun waktu tertentu. fluktuasi musiman yang sering dijumpai pada data kuartalan,bulanan atau mingguan.

Komponen dari Time Series

Tak Beraturan (irregular), yaitu pola acak yang disebabkan oleh peristiwa yang tidak bisa diprediksi atau tidak beraturan.

Komponen dari Time Series

Mean Square Error(MSE)Mean Squared Error (MSE) adalah metode lain untuk mengevaluasi metode peramalan. Masing-masing kesalahan atau sisa dikuadratkan. Kemudian dijumlahkan dan ditambahkan dengan jumlah observasi. Pendekatan ini mengatur kesalahan peramalan yang besar karena kesalahan-kesalahan itu dikuadratkan. Metode itu menghasilkan kesalahan-kesalahan sedang yang kemungkinan lebih baik untuk kesalahan kecil, tetapi kadang menghasilkan perbedaan yang besar

Ukuran Akurasi dari Forecasting

Mean Absolute Deviation(MAD)Metode untuk mengevaluasi metode peramalan menggunakan jumlah dari kesalahan-kesalahan yang absolut.Mean Absolute Deviation(MAD)mengukur ketepatan ramalan dengan merata-rata kesalahan dugaan (nilai absolut masing-masing kesalahan). MAD berguna ketika mengukur kesalahan ramalan dalam unit yang sama sebagai deret asli.

Ukuran Akurasi dari Forecasting

Dalam kasus dimana seri waktu cukup stabil dan tidak memiliki signifikan trend, seasonal, atau cyclical effect, kita dapat menggunakan metode smoothing untuk menghitung rata-rata komponen irregular dari time series.

3 Metode smoothing :Moving averagesWeighted moving averagesExponential smoothingMetode Smoothing Rata-rata bergerak (moving averages)

Moving Averages: metode peramalan perataan nilai dengan mengambil sekelompok nilai pengamatan kemudaian dicari rata-ratanya, lalau menggunakan rata-rata tersebut sebagai ramalan untuk periode berikutnyaMetode Smoothing WeekSales(1000s of gallons)117218316417515618Moving Average

Contoh :Gasoline sales times series, (forecase untuk minggu ke-7)WeekSales (1000s of gallons)117218316417515618DATAWeekTime Series ValueMoving Average Forecast117218316417175151761816716,67kalkulasi Forecasting menggunakan moving average sebanyak 3 mingguMoving average (weeks 1 - 3)

Moving average (weeks 2 - 4)

Moving average (weeks 3 - 5) Moving average (weeks 2 - 4)

Forecast error = time series-moving averageSequared Forecast error = (forecast error)Forecast for week 7WeekTime Series ValueMoving Average ForecastForecast ErrorSquared Forecast Error117218316417170051517-2461816 2416,67Totals08

MSEForecast untuk minggu ke-7Rata-Rata Bergerak Tertimbang (weighted moving averages)

Weighted Moving Averages : apabila ada pola atau trend yang dapat dideteksi, Bobot bisa digunakan untuk menempatkan lebih banyak tekanan pada nilai baru

Metode Smoothing Weighted Moving Average

Weighted Moving Average WeekSales (1000s of gallons)117218316417515618Contoh:Gasoline sales times series, (forecase Untuk minggu ke-7)* Weighted : 1, 2, 3Forecast using a three-week weighted moving average:Moving average (weeks 1 - 3) Moving average (weeks 2 - 4) Moving average (weeks 3 - 5) Moving average (weeks 4 - 6)

WeekTime Series ValueWeighted Moving Average ForecastForecast ErrorSquared Forecast Error11721831641716,83 0,170,028951516,83-1,833,348961815,83 2,174,708916,83Total 0,518,0867kalkulasi Forecast menggunakan weighted moving average sebanyak 3 mingguForecast Untuk minggu ke-7

MSEForecast Untuk minggu ke-7Penghalusan eksponensial (exponential smoothing)

Penghalusan Eksponensial: metode peramalan dengan menambahkan parameter alpha dalam modelnya untuk mengurangi faktor kerandoman. Istilah eksponensial dalam metode ini berasal dari pembobotan/timbangan (faktor penghalusan dari periode-periode sebelumnya yang berbentuk eksponensial.Metode Smoothing FungsiDimana : Ft+1= ramalan untuk periode berikutnya t + 1Yt= permintaan aktual (periode sekarang)Ft= ramalan yang telah ditentukan sebelumnya (periode sekarang )= bobot atau konstanta penghalus (0 1)Ft+1 = Yt + (1- ) FtMonthSales117 218316420515618Contoh:Times Series Penjualan Mobil Showroom RXY selama 6 bulanPertanyaan:Forecast untuk minggu ke 2 dan 3 menggunakan Exponential Smoothing jika =0,2 ?F2 = Y1 + (1 - ) F1Karena minggu ke-1 adalah data pertama, F1 tidak dapat di forecast, jadi F1 = Y1, jadi :F2 = 0,2 . 17 + (1 - 0,2) 17F2 = 3,2+ (0,8) 17F2 = 3,2+ 13,6F2 = 17.. F2 = 17 or F2 = Y1F3 = Y2 + (1 - ) F2F3 = 0,2 . 18 + (1 - 0,2) 17F3 = 3,6+ (0,8) 17F3 = 3,6+ 13,6F3 = 17,2.. F3 = 17,2 WeekTime Series ValueExponential Smoothing ForecastForecast ErrorSquared Forecast Error11721817,001,001,000031617,20-1,201,440042016,963,049,241651517,57-2,576,604961817,050,950,9025717,24Total1,2219,189Kalkulasi exponential smoothing forecast dari gasoline Forecast untuk minggu ke-7

MSEMetode proyeksi trend dengan regresi, merupakan metode yang dignakan baik untuk jangka pendek maupun jangka panjang. Metode ini merupakan garis trend untuk persamaan matematis. Trend Projection (proyeksi tren) juga dapat di artikan sebagai metode peramalan yang menyesuaikan sebuah garis tren pada sekumpulan data masa lalu, dan kemudian diproyeksikan dalam garis untuk meramalkan masa depan.

Proyeksi trend (trend projection)Proyeksi trend (trend projection)

FUNGSI:T1 = b0 + b1 tdimana Tt = nilai tren pada periode t (sebagai variabel tak bebas/dependent variabel) b0 = intercept garis tren b1 = slope/kemiringan garis tren t = waktu (sebagai variabel bebas/independent variable)

Dimana Yt = nilai sebenarnya pada periode t n = banyaknya periode dalam deret berkala menghitung b1 dan b0Year {t}Sales (in 1000s) {Yt}1202223234215236247268239201024Contoh :Gasoline Sales Time Series

tYttYtt2120201222444323699421841652311525624144367261824982318464920180811024240100Totals552261262385

dimana, Tt = 21,34 + 0,23 tJadi forecasting untuk minggu ke 11: T11 = 21,34 + 0,23 (11) = 21,34 + 2,53 = 23,87Banyak Situasi dalam bisnis dan ekonomi melibatkan period-to-period comparisons. Misalnya pengangguran meningkat sampai dengan 2% dibandingkan bulan lalu atau produksi baja menigkat hingga 5% dibanding bulan lalu. Namun karena setiap kali pengaruh musiman hadir, perbandingan tersebut biasanya tidak terlalu banyak berpengaruhPenghapusan dari efek seasonal dari time series disebut dengan deseasonalizing the time series. Mengunakan penghapusan tersebut akan membuat period-to-period comparisons lebih berpengaruh dan bisa membantu mengidentifikasi trend

Trend dan Seasonal Components T = Trend ComponentS = Seasonal Component I = irregular Component t = irregular Component at timeY = Multiplicative time series model

Multiplicative ModelYt = Tt + St + ItIrregular component menyumbang efek acak dalam time series yang tidak dapat dijelaskan oleh tren dan komponen musiman.Tt adalah tren yang diukur dalam satuan item yang perkiraan. Pada St dan komponen It diukur secara relatif.

Nilai >1.00 = efek di atas trenNilai