Demand

Forecasting
(Peramalan Permintaan)
Putu Eka D.K.W., ST., MT.
TITLE LOREM IPSUM

Lorem Ipsum Lorem Ipsum Lorem Ipsum

Dolor Sit Amet Dolor Sit Amet Dolor Sit Amet
Consectetuer Elit Consectetuer Elit Consectetuer Elit
Nunc Viverra Nunc Viverra Nunc Viverra
APA ITU FORECASTING?
Forecasting adalah proses untuk mengenali pola permintaan(demand
pattern)pada masa lalu untuk meramalkan permintaan pada masa yang
akan datang.
FORECASTING
TUJUAN

Perubahan kecil pada demand planning

menyebabkan perubahan besar pada produksi dan
distribusi.

Tujuan demand planning adalah menghasilkan

peramalan permintaan yang seakurat
mungkin.
POLA PERMINTAAN
METODE FORECAST
Metode
Forecast

Kualitatif Kuantitatif

Time Series Causal

PERBEDAAN METODE KUANTITATIF DAN
KUALITATIF
Kualitatif
• Bersifat subyektif
• Menggunakan opini seorang atau beberapa ahli sehingga sangat bergantung
pada persepsi masing-masing ahli
• Tidak memerlukan data kuantitatif yang lengkap
• Biasa digunakan untuk meramalkan produk baru dan demand jangka panjang

Kuantitatif
• Bersifat obyektif
• Terdapat dua kelompok yaitu time series dan causal method
• Menggunakan model statistik-matematik
• Memerlukan data kuantitatif yang lengkap
• Biasa digunakan untuk meramalkan permintaan pada jangka pendek.
TAHAPAN FORECASTING
DATA OUTLIER
Rata-rata penghasilan lima orang karyawan [Link] adalah 7 juta.

Pernyataan ini diintepretasikan oleh kebanyakan orang bahwa lima orang tersebut
berpenghasilan sekitar 7 juta.
(benar jika data tidak mengandung outlier).

25 + 2 + 2 + 2,5 + 3,5
=7
5
Data Outlier
DATA OUTLIER
✓ Outlier adalah data “aneh” yang muncul sebagai akibat adanya kejadian dan atau kegiatan yang
tidak regular. Misalnya bencana alam, pemilu, perang, promosi dll.

✓Jika outlier ikut diperhitungkan maka akan diperoleh hasil peramalan yang tidak akurat. ( bisa
merusak pola data secara keseluruhan)

✓Outlier harus dikoreksi untuk mendapatkan data yang benar-benar menggambarkan pola
permintaan masa lalu.

✓Koreksi sebaiknya dilakukan secara manual,yaitu dengan memasukan estimasi nilai jika
kejadian khusus tersebut tidak terjadi. (berdasarkan pengalaman).
DATA OUTLIER
Data outlier harus diganti untuk menghindari missing
value.
Ada beberapa cara untuk mengganti data yang outlier:
 Gunakan nilai modus atau rata rata
→Gunakan cara ini untuk pola data konstan
 Jumlahkan permintaan pada periode sebelum
dan sesudah data kemudian bagi dua
→Gunakan metode ini untuk pola data trend dan musiman.
METODE FORECASTING
POLA DATA KONSTAN
METODE UNTUK POLA PERMINTAAN
KONSTAN

❖ Simple Average
❖ Moving Average
❖ Weighted Moving Average
❖ Exponensial Smoothing
SIMPLE AVERAGE
Prediksi permintaan masa depan didasarkan atas rata-rata dari semua permintaan pada
bulan sebelumnya.

Kelebihan:
Mudah

Kekurangan:
Semua data permintaan masa lalu diberi bobot yang sama.
→ seharusnya data yang lebih baru diberi bobot yang lebih besar karena lebih mewakili
masa depan(lebih relevan)
SIMPLE AVERAGE
N

A i
Period Demand Forecast

Ft = i =1 1
2
10
12
10
11
N
3 14 12
Contoh: 4 15 12.8
5 16 13.4
F2 = (10 + 12) / 2 6 17 14
F3 = (10 + 12 + 14)/3 = 12
7 19 14.7
8 21 15.5
F4 = (10 + 12 + 14+15)/4 = 12,8
9 23 16.3
MOVING AVERAGE
Prediksi permintaan menggunakan rata-rata n periode terbaru.

Jan Feb Mar Apr May Jun Jul

Moving Average 3 bulan:

Prediksi permintaan bulan juni:
FJun = (AMar + AApr + AMay)/3
MOVING AVERAGE
t −1

 Ai Contoh:
Period
1
Demand 3 MA
10
Ft = i =t − n
2 12
n
3 14
4 15 12,0
5 16 13,66667
6 17 15
7 19 16,0
8 21 17,33333
9 23 19
Simple Moving Average Problem

Week Demand A t-1 + A t-2 + A t-3 +...+A t-n

1 650 Ft =
2 678 n
3 720 • Question: What are the 3-week and
4 785 6-week moving average forecasts
5 859 for demand?
6 920
7 850
8 758
9 892
10 920
11 789
12 844
Simple Moving Average Problem
Week Demand 3-Week 6-Week
1 650
2 678 F4=(650+678+720)/3
3 720 =682.67
4 785 682,67
5 859 727,67
6 920 788,00 F7=(650+678+720
7 850 854,67 768,67
8 758 876,33 802,00 +785+859+920)/6
9 892 842,67 815,33
10 920 833,33 844,00
=768.67
11 789 856,67 866,50
12 844 867,00 854,83
WEIGHTED MOVING AVERAGE
FJun = (AMar + AApr + AMay)/3
= (3AMar + 3DApr + 3AMay)/9 → semua periode diberi bobot yang sama

Kenapa tidak memberikan bobot yang berbeda?

FJun = (2AMar + 3AApr + 4AMay)/9
FJun = 2/9 AMar + 3/9 AApr + 4/9 AMay

Jumlah bobot harus sama dengan 1.

Ft = (w1At-3 + w2At-2 + w3At-1)/(w1+w2 +w3)
W = + w1 + w2 + w3 and w’1 =w1 / W
Ft = w’1At-3 + w’2At-2 + w’3At-2
WEIGHTED MOVING AVERAGE
22
Periode Demand Simple 3 MA WMA
20 1 10
18 2 12 10
3 14 11
16
4 15 12 12.0 12.4
14 5 16 12.8 13.7 14.0

12 6 17 13.4 15 15.2
7 19 14 16 16.2
10
8 21 14.7 17.3 17.7
0 2 4 6 8 10 9 23 15.5 19 19.4
Dem Simple 3 MA WMA

Bobot 2/9, 3/9, 4/9

EXPONENTIAL SMOOTHING
Ft = Ft −1 +  ( At −1 − Ft −1 )
Ft = (1 −  )Ft −1 +  At −1

At-1 Permintaan aktual period t-1

Ft-1 Prediksi permintaan periode t-1
 Smoothing constant 0<  <1
→ (Smoothing Constant () between 0.1-0.3)

Forecast is old forecast plus a portion of the error of the last forecast.
EXPONENTIAL SMOOTHING
Per Dem Simple3MA WMA Exp Sm
22
1 10 10.0
20 2 12 10 10.0
3 14 11 10.6
18
4 15 12 12.0 12.4 11.6
16 5 16 12.8 13.7 14.0 12.6
6 17 13.4 15 15.2 13.6
14
7 19 14 16 16.2 14.7
12 8 21 14.7 17.3 17.7 16.0
9 23 15.5 19 19.4 17.5
10

=0.3
0 2 4 6 8 10
Dem Simple 3MA
WMA ES
POLA DATA TREND
TREND
Menentukan bagaimana permintaan bertambah (atau berkurang) dari
waktu ke waktu.

Ft = Prediksi permintaan periode t

Ft = a + bt
t = periode
b = kemiringan garis(gradien)
a = Nilai yt pada t = 0
REGRESI

b=
 xy − n x  y
 x − nx
2 2

a=
 y − b x
= y − bx
n
POLA DATA MUSIMAN
 MUSIMAN
1. Musiman tanpa trend
2. Musiman dengan trend
→ trend : kecenderungan naik atau turun
SEASONAL FACTORS
Indeks Seasonal :
Rata-rata tiap musim / rata-rata keseluruhan

Seasonal factor bulan mei 1.20, berarti permintaan bulan mei 20% lebih besar
diatas rata-rata.
Seasonal Factor bulan July 0.90, berarti permintaan bulan July 10% dibawah
rata-rata.
MUSIMAN TANPA TREND
Sales Factor
Spring 200 200/250 = 0.8
Summer 350 350/250 = 1.4
Fall 300 300/250 = 1.2
Winter 150 150/250 = 0.6

Total 1,000
Avg 1,000/4=250
MUSIMAN TANPA TREND

If we expected total demand for the next year to be 1,100, the average
per quarter would be 1,100/4=275

Forecast
Spring 275 * 0.8 = 220
Summer 275 * 1.4 = 385
Fall 275 * 1.2 = 330
Winter 275 * 0.6 = 165
Total 1,100
HOLT-WINTERS MODEL
The Holt-Winters forecasting model could be used in forecasting trends. Holt-
Winters model consists of both an exponentially smoothing component (E, w) and a
trend component (T, v) with two different smoothing factors.
HOLT-WINTERS MODEL
Ft + k = Et + kTt
St = Dt −1 + (1 −  )( St −1 + Tt −1 )
Tt =  ( St − St −1 ) + (1 −  )Tt −1
where:
Ft+k= Forecast value k periods from t 1. E1 and T1 are not
Yt-1 = Actual value for period t-1 defined.
2. E2 = Y2
Et-1 = Estimated value for period t-1
3. T2 = Y2 – Y1
Tt = Trend for period t
w = Smoothing constant for estimates
v = Smoothing factor for trend
k = number of periods
Musiman dengan Trend
oMethod can be combined with other approaches to apportion annual
demand into different seasons.
oFirst, estimate seasonal factors
oSecond, estimate annual demand for next year
oThird, apportion next year’s annual demand using seasonal factors

Seasonal factor = Si = DDi


PROPORTION OF ANNUAL DEMAND
SEASONAL ADJUSTMENT EXAMPLE

Year 1 2 3 4 Total
1995 12.6 8.6 6.3 17.5 45.0
1996 14.1 10.3 7.5 18.2 50.1
1997 15.3 10.6 8.1 19.6 53.6
Total 42.0 29.5 21.9 55.3 148.7
Si 28% 20% 15% 37%

D1 = 42.0 = 0.28
S1 =
 D 148.7
PROPORTION OF ANNUAL DEMAND SEASONAL ADJUSTMENT
EXAMPLE

•The Data has an annual trend, which is estimated using regression.

•Annual Demand = 40.97 + 4.30 x
•Annual Forecast for 1998 (year 4)
→ 40.97 + 4.30 (4) = 58.17

Year 1 2 3 4 Total
Si 28% 20% 15% 37%
1998 16.43 11.54 8.57 21.63 58.17
MUSIMAN DENGAN TREND
Period Q Demand
1 1 600 Indeks Seasonal
2 2 1,550
3 3 1,500 Year
4 4 1,500 Q 1 2 3 Avg Factor
5 1 2,400 1 600 2,400 3,800 2,267 0.816
6 2 3,100 2 1,550 3,100 4,500 3,050 1.097
7 3 2,600 3 1,500 2,600 4,000 2,700 0.972
8 4 2,900 4 1,500 2,900 4,900 3,100 1.115
9 1 3,800
10 2 4,500 Average 2,779
11 3 4,000
12 4 4,900

Sum 33,350
REGRESI LINIER + MUSIMAN
A B A/B 7,000
Period Q Demand Factor Deseas Linear Demand
1 1 600 0,816 735,3 896,9 Deseasonalized
6,000
2 2 1.550 1,097 1.412,9 1.239,1 Linear
3 3 1.500 0,972 1.543,2 1.581,3 5,000
4 4 1.500 1,115 1.345,3 1.923,5
5 1 2.400 0,816 2.941,2 2.265,7 4,000
6 2 3.100 1,097 2.825,9 2.607,9
7 3 2.600 0,972 2.674,9 2.950,1 3,000
8 4 2.900 1,115 2.600,9 3.292,3
9 1 3.800 0,816 4.656,9 3.634,6
2,000
10 2 4.500 1,097 4.102,1 3.976,8
11 3 4.000 0,972 4.115,2 4.319,0
1,000
12 4 4.900 1,115 4.394,6 4.661,2
13 5.003,4
-
14 5.345,6
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
15 5.687,8
16 6.030,0

Slope 342,21
Int 554,68
EVALUASI FORECASTS

Forecasts

Demands
 EVALUASI FORECASTS
Forecast error: et = At − Ft
n
Mean Absolute Deviation MAD = (1 / n) ei
i =1
n
Mean Squared Error
MSE = (1 / n) ei
2

i =1

 n

Mean Absolute MAPE = (1 / n) ei / Di  100
Percent Error  i =1 
FORECAST ERROR
CFE : Indicates bias or direction of errors.
MAD : Indicates magnitude of errors.
MSE : Emphasizes large errors.
MAPE : Allows comparison of forecasts using different data.
ERROR TOTAL DAN MEAN PERCENTAGE ERROR

Sum of all errors

Average of percent errors
n
ET = e 1 n
MPE =  PE
t nt =1 t
t =1
 Uses raw (positive or negative) errors ▪ Can be positive or negative
 ET can be positive or negative
▪ Measures bias, should stay close to zero
 Measures bias of the forecast
 Should stay close to zero
 MSE, RMSE, MAPE, MAD
Average of squared errors
Average of squared errors
1 n 2
MSE = e RMSE = 1 n 2
 et
nt =1 t n t =1
Always positive ▪ Always positive
Measures “magnitude” of errors ▪ Measures “magnitude” of errors
▪ Units are “demand units squared”
Units are “demand units squared”

Average of absolute percentage errors Smoothed absolute errors

1 n MADt = (1−0.3)MAD + 0.3e

MAPE =  PE t −1 t
nt =1 t
▪ Always positive
▪ Always positive ▪ Measures magnitude of errors
▪ Measures magnitude of errors ▪ Looks at the recent past
▪ Units are “percentage”
 FORECAST ERROR
Jangan gunakan Error Total (ET) dan Mean Percentage Error (MPE) sebagai ukuran
keakuratan forecast. ET dan MPE bisa mempunyai nilai yang kecil namun tidak
menunjukkan kalau forecast tersebut akurat.

Expost
Periode Historical Data Forecast Error
1 14 25 -11
35
2 11 1 10
30
3 12 15 -3 25

4 15 33 -18 20
15
5 16 2 14
10
6 14 21 -7 5
7 15 33 -18 0
1 2 3 4 5 6 7 8 9 10 11 12
8 12 7 5
Data Historis Ex-post Forecast
9 13 25 -12
10 16 5 11
11 17 2 15
12 15 1 14
Error Total 0
MAD OR MSD ?
Error metode 1 Error Metode 2
1 3
0 3
2 4
11 2
1 3
1 3

Metode Metode
1 2 keputusan
Pilih metode
MAD 16 18 1
Pilih metode
MSD 128 56 2
 KESIMPULAN
•Terdapat 5 pola permintaan yaitu konstan, trend, seasonal, seasonal trend dan sporadic.

•Untuk setiap pola permintaan terdapat beberapa metode forecast yang dapat digunakan.

•Data yang tidak baik(mengandung outlier, tidak lengkap, tidak relevan) tidak akan bisa menghasilkan
ramalan yang baik.

•Data “aneh” yang merupakan kejadian khusus harus dikoreksi lebih dahulu sebelum melakukan
forecast.

•Penggunaan data yang banyak tidak selalu memberikan peramalan yang akurat. Hal ini terjadi jika
data tersebut sudah tidak relevan lagi atau kondisi sudah jauh berubah
 KESIMPULAN
•Asumsi dasar forecast adalah bahwa pola permintaan akan terus berlanjut di masa depan. Jika kondisi
berubah maka diperlukan adjustment.

•Tidak ada metode yang selalu terbaik untuk semua pola permintaan produk.

•Metode forecast yang dipilih merupakan metode yang memiliki error terkecil. Jangan pergunakan error total
(ET) dan mean percentage error (MPE) sebagai ukuran keakuratan forecast.

•Kesalahan yang kecil pada tahap perencanaan mempunyai dampak yang besar pada distribusi dan
[Link] karena itu, tujuan utama demand planning adalah menghasilkan ramalan permintaan yang
seakurat mungkin.
 Terima Kasih

Sumber: bahan ajar PPIC Prodi Teknik Industri ITS

Oleh:
DODY HARTANTO