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.
Qualitative Forecasting 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)
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 Biaya total
Biaya peramalan
resiko Upaya peramalan
Model kualitatif regresi Metode peramalan
Moving average
Time series smoothing
Model kuantitatif
ekonometri kausal
Regresi multivariate
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 - Trend (linier) - Kwadratis - Eksponential - Cyclic (siklis)
: dt’ = a : dt’ = a + bt : dt’ = a + bt + ct2 : dt’ = a.ebt : dt’ = a + b sin
cos
Standar Error Of Estimate (SEE) SEE
n
t 1
X t F 2 n f
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 : 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 (dt = Xt) Bagaimana ramalan permintaan produk “x” untuk 12 bulan mendatang ?
METODE REGRESI LINIER SEDERHANA dt’ = f(t) Konstan :
n
n
t 1
t 1
dt a n
dt n.a t 1
n
a
dt t 1
n
→ a = 30 + 20 + …. + 50 + 35 = 42 12 dt ’ = 42
MENCARI SEE :
1. 2. 3. 4. 5.
6. 7. 8. 9.
10. 11. 12.
dt = X(t) 30 20 45 35 30 60 40 50 45 65 50 35
Ramalan (dt’) 42 42 42 42 42 42 42 42 42 42 42 42
dt – dt’ -12 -22 3 -7 - 12 18 -2 8 3 23 8 -7 Jumlah
(dt-dt’)2 144 484 9 49 144 324 4 64 9 529 64 49 1873
2 (dt dt ' ) SEE n f t 1 n
1873 12 1
170,27 13,05
REGRESI LINIER ~ TREND dt’ = a + bt
b
n
n
n
t 1
t 1
t 1
N t. y t y t . t N . t t t 1 t 1 n
n
2
2
→ b
n
n
n
t 1
t 1
t 1 2
N t.dt dt. t n 2 N . t t t 1 t 1 n
n t dt t 1 t 1 a b N N n
t dt t 1 t 1 a b a dt bt N N n
n
T 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. ∑ = 78 = 6,5
dt = y(t) 30 20 45 35 30 60 40 50 45 65 50 35 505 = 42
t.dt 30 40 135 140 150 360 280 400 405 650 550 420
t2 1 4 9 16 25 36 49 64 81 100 121 144
3560
650
dt’ 31 33 35 37 39 41 43 45 47 49 51 53
dt-dt’ -1 -13 10 -2 -9 19 -3 5 -2 16 -1 -18
(dt-dt’)2 1 169 100 4 81 361 9 25 4 256 1 324
∑ = 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
dt dt n
i
SEE
t 1
n f
1335 SEE 12 2 SEE 11,55
133,5
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
1 2 3 4 5 6 7 8 9 10 11 12 13
400 490 570 500 640 680 710 800 820 910 860 950 ?
1460 1560 1710 1820 2030 2190 2330 2530 2590 2720 -
487 520 570 607 677 730 777 844 864 907 -
• 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
1 2 3 4 5 6 7 8 9 10 11 12 13 14
Penjuala n (unit) 140 159 136 157 173 131 177 188 154 179 180 160 ? ?
MA (4) MA (4) (st’) (st’’)
148 156,25 149,25 159,50 167,25 162,50 174,50 175,25 168,50
153,25 158,06 159,62 165,93 169,87 170,12
at
bt
165,75 176,43 165,37 183,06 180,62 166,37
4,17 6,13 1,92 5,71 3,58 -1,25
at+bt
169,91 182,56 167,29 188,77 184,20 165,12 163,85
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.
Moving Average 4 Periode : Data
MA(4)
30 20 45 35 30 60 40 50 45 65 50 35
32,50 32,50 42,50 41,25 45,00 48,75 50,00 52,50 48,75
Ramalan
e
e2
32,50 32,50 42,50 41,25 45,00 48,75 50,00 52,50 48,75
-2,50 27,50 -2,50 8,75 0 16,25 0 17,50
6,25 756,25 6,25 76,56 0 264,06 0 306,25 1415,62
Linear Moving Average 4 Periode : Data 30 20 45 35 30 60 40 50 45 65 50 35
MA(4) St’
M4(4x4) St”
at
bt
32,50 32,50 42,50 41,25 45,00 48,75 50,00 52,50 48,75
37,19 40,31 44,38 46,25 49,06 49,94
45,31 46,69 53,12 53,75 55,94 47,56
2,71 3,13 2,91 2,50 0,63 -0,79
Ft + m
e
e2
48,02 49,82 56,03 56,25 56,57 46,77
1,98 -4,82 8,97 -6,25 -21,57
3,92 23,23 80,46 39,06 465,26 611,93
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’
1 2 3 4 5 6 7 8 9 10 11 12
30 20 45 35 30 60 40 50 45 65 50 35
31 33 35 37 39 41 43 45 47 49 51 53
-1 -13 10 -2 -9 19 -3 5 -2 16 -1 -18
MRt 12 23 12 7 28 22 8 7 18 17 17 171
41,32
BA
A
B
C
27,48 13,74 0
t
-13,74 -27,48 -41,23 BB
A
B
C
KONDISI – KONDISI OUT OF CONTROL - Bila ada titik sebaran (dt-dt’) diluar batas kontrol (>BA ;
MRC
OUT OF CONTROL
tidak
ya
Fungsi Penyebabnya diketahui tidak
Ganti dengan Fungsi baru Ulangi kembali
ya Mis: pada titik tsb ada pesanan khusus
Gunakan Fungsi yang Diperoleh untuk meramal Gejala tsb bukan Bersifat random Sehingga data Menyimpang (≠ tidak mengikuti hk. Statistika)
Mengitung kembali Fungsi tsb dengan Menghilangkan titiktitik out of control sehingga diperoleh Fungsi baru (jumlah data berkurang)
