MANAJEMEN INDUSTRI
METODE FORECASTING (PERAMALAN)
Hendro Suryono (38508)
JURUSAN TEKNIK ELEKTRO DAN TEKNOLOGI INFORMASI
FAKULTAS TEKNIK
UNIVERSITAS GADJAH MADA
YOGYAKARTA
2014
Metode Forecasting (Peramalan)
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-rata bergerak= Permintaan dalam periode n sebelumnyan
Sedangkan pembobotan rata rata bergerak
Pembobotan rata rata bergerak= (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 :
Meningkatkan ukuran n memang menghaluskan fluktuasi dengan lebih baik tetapi metode ini kurang sensitive untuk perubahan nyata dalam data.
Rata-rata bergerak tidak dapat memanfaatkan trend dengan baik.
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 :
Penjualan pada mobil X selama satu tahun lalu. Kita ingin mengetahui nilai penjualan bulan depan tahun yang akan datang.
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 :
Ft=Ft-1+α(At-1-Ft-1)
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-Peramalann
Kesalahan kuadrat rata-rata (mean absolute deviation =MSE)
MSE= Kesalahan peramalan2n
Kesalahan persen mutlak rata-rata (mean absolute percent = MAPE)
MAPE= (Deviasi absolut)/(nilai aktual)×100n
Contoh : Sama seperti sebelumnya.
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 :
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-nxyx2-nx2 a= y-bx
Contoh : Tabel berikut adalah memperlihatkan jumlah produksi trafo selama 4 tahun. Ramalkan produksi trafo yang terjadi pada bulan Mei.
Bulan
Periode waktu (x)
Produksi trafo
(y)
x2
xy
Jan
1
10
1
10
Feb
2
15
4
30
Mar
3
13
9
39
Apr
4
19
16
76
Total
10
57
30
155
x=xn=104=2,5
y=yn=574=14,25
b= xy-nxyx2-nx2 = b= 155-42,514,2530-42,52=2,5
a= y-bx=14,25-2,52,5=8
y=a+bx=8+2,5x
Dengan periode waktu x = 5, maka produksi trafo y = 8 + (2,5)(5) = 20,5 = 21
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
Where Ft = 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)
Example: The demand for smartphone is shown in the table. Forecast the demand for month 6, using a smoothing constant for the average of 0.5, and a smoothing constant for the trend of 0.3. The forecast for month 1 is 1000 units and the trend for month 1 is 150 units.
Month
Demand (A)
Forecast (Ft)
Trend (Tt)
FIT (Ft-1 + Tt-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)=1400
0,3(10,25)+0,7(110,89)=80,7
1480,7
Seasonal Forecast
Average Monthly Demand =
Seasonal Index =
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 ?
Month
2011
2012
2013
Average Annual Demand
1
2000
2200
2300
(2000+2200+2300)/3=2167
2
2500
2600
2800
2633
3
2700
2800
3000
2833
4
3100
3300
3500
3300
5
4000
4300
4500
4267
6
4600
4700
5000
4767
7
5100
5400
5500
5333
8
4700
5000
5300
5000
9
4300
4400
4500
4400
10
3800
3900
4000
3900
11
4100
4300
4400
4267
12
4000
4100
4300
4133
Average Monthly Demand = 47000
Average Monthly Demand = = 47000/12 = 3917
Seasonal Index January = = 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
Forecast for March 2014 = (55000/12) x (2833/3917) = 3315
Forecast for April 2014 = (55000/12) x (3300/3917) = 3861
Forecast for May 2014 = (55000/12) x (4267/3917) = 4993
Forecast for June 2014 = (55000/12) x (4767/3917) = 5578
Forecast for July 2014 = (55000/12) x (5333/3917) = 6240
Forecast for Aug 2014 = (55000/12) x (5000/3917) = 5851
Forecast for Sep 2014 = (55000/12) x (4400/3917) = 5149
Forecast for Oct 2014 = (55000/12) x (3900/3917) = 4563
Forecast for Nov 2014 = (55000/12) x (4267/3917) = 4993
Forecast for Dec 2014 = (55000/12) x (4133/3917) = 4836
Periode Waktu
Produksi Trafo
