Production Planning and PERAMALAN

Inventory Control (PPIC) PERMINTAAN

PROGRAM STUDI TEKNIK INDUSTRI OTOMOTIF
Production Planning and Prepared by:
Inventory Control (PPIC) 1. Dr. Siti Aisyah, S.T., M.T.
PROGRAM STUDI TEKNIK INDUSTRI OTOMOTIF 2. Laksmi Ambarwati, S.T., M.T.
Course Outline

Definisi & Tujuan Peramalan

Langkah – langkah peramalan

Peramalan Kuantitatif vs Kualitatif

Metode Peramalan

Planning Production & Inventory Control 3

 Pendahuluan

• Salah satu data yang digunakan dalam PPIC adalah data tentang
permintaan pelanggan.
Faktor yang mempengaruhi permintaan:
• Kondisi bisnis dan ekonomi • Siklus (daur) hidup produk (product life cycle)
• Kompetisi Pasar & globalisasi • Perilaku/sikap konsumen
• Trend pasar • Waktu
• Promosi & Iklan • Siklus bisnis
• Harga dan perubahan produk. • Reputasi
• Variasi random • Desain produk
• Rencana konsumen • Kebijaksanaan kredit
• Kualitas

Planning Production & Inventory Control 4

Perencanaan Permintaan

Perubahan kecil pada demand planning menyebabkan

perubahan besar pada produksi dan distribusi.

Tujuan demand planning adalah menghasilkan peramalan

permintaan yang seakurat mungkin.

5
Planning Production & Inventory Control
 Definisi Peramalan (Forecasting)
Peramalan adalah Peramalan adalah
seni dan ilmu metode yang
untuk memprediksi digunakan secara Peramalan permintaan
masa depan. Peramalan adalah prediksi ekstensif dalam adalah proses untuk
atau estimasi atau proyeksi analisis deret waktu mengenali pola
Peramalan adalah atau perkiraan akan suatu untuk memprediksi permintaan (demand
tahap awal dan hasil peristiwa yang tidak pasti di variabel respons, pattern)pada masa lalu
ramalan merupakan masa yang akan datang, seperti keuntungan untuk meramalkan
basis bagi seluruh didasarkan pada data history, bulanan, kinerja permintaan pada masa
tahapan pada agar kesalahan yang mungkin saham, atau angka yang akan datang.
perencanaan produksi. terjadi dapat diperkecil. pengangguran, untuk
periode waktu
tertentu.
Peramalan merupakan
elemen penting dari
penganggaran modal. Terminologi : periode, horison, lead time, fitting error, forecast error, data dan hasil
ramalan.

Planning Production & Inventory Control 6

 Siapa yang membutuhkan forecasting?

• Semua jenis ORGANISASI; besar dan kecil, pribadi dan publik/pemerintah,

harus membuat rencana mengenai masa yang akan datang dimana tidak
akan pernah secara tepat diketahui apa yang akan terjadi🡪 upaya antisipasi
melalui peramalan (forecast).

• Peramalan bisnis meliputi seluruh divisi : finansial, marketing, sumber daya

manusia, produksi, dsb ;
• Marketing - sale forecast
• Operations - capacity, scheduling, inventory

Planning Production & Inventory Control 7

 Karakteristik Peramalan

1. Peramalan >> Perkiraan

2. Jarang sekali akurat 100% dari waktu ke waktu
3. Harus menyertakan perkiraan error
4. Family / grouped / aggregated data forecasts are usually more accurate
than item forecast
5. Lebih akurat untuk periode waktu yang lebih pendek (The longer the
forecast horizon, the less accurate the forecast will be)

Planning Production & Inventory Control 8

 Asumsi Peramalan

1. Informasi (data) tentang masa lalu tersedia.

2. Pola masa lalu akan berlanjut ke masa depan (Model
Rangkaian Waktu).
3. Metode peramalan mengasumsikan ada beberapa
stabilitas yang mendasari sistem.

Planning Production & Inventory Control 9

Faktor yang mempengaruhi peramalan

Permintaan suatu produk sangat dipengaruhi oleh faktor lingkungan yang

saling berinteraksi dalam pasar yang ada di luar kendali perusahaan.
Kondisi umum
bisnis dan
ekonomi
Reaksi dan
Inovasi
tindakan
teknologi
pesaing

Perubahan
Faktor yang
Tindakan
permintaan
konsumen
mempengaruhi pemerintah
peramalan

Gaya dan Kecendrungan

mode pasar

Siklus hidup
produk

Planning Production & Inventory Control 10

Apa yang harus diramalkan?

Independent Demand: Dependent Demand:

Finished Goods; spare parts Raw Materials,
Component parts,
Sub-assemblies, etc.
A

B(4) C(2)

D(2) E(1) D(3) F(2)

Planning Production & Inventory Control 11

Tahapan Peramalan (Forecast)

Membaca data Penyesuaian data

aktual masa lampau

Forecast

Penyesuaian Data
Forecast

Used as demand
plan

12
Planning Production & Inventory Control
 Langkah-langkah Peramalan

 Definisikan tujuan peramalan.

 Plot data (part family) masa lalu.
 Pilih metode-metode yang paling memenuhi tujuan peramalan dan
sesuai dengan plot data
 Hitung parameter fungsi peramalan untuk masing-masing metode
 Hitung fitting error untuk semua metode yang dicoba
 Pilih metode yang terbaik, yaitu metode yang memberikan error
paling kecil
 Ramalkan permintaan untuk periode mendatang
 Lakukan verifikasi peramalan

Planning Production & Inventory Control 13

 1. Membaca data aktual
Data yang digunakan harus data yang
masih relevan dan usahakan Pola musiman dikenali sebagai trend
karena data tidak cukup banyak
mencakup satu musim penuh (satu
Demand
tahun)

Data yang dimiliki

Jika data yang dimiliki kurang dari

setahun, maka diperlukan
pengetahuan tambahan (kualitatif) Pola sebenarnya (musiman)

mengenai pola permintaan produk.

Misalnya untuk minuman dingin,
maka diduga kuat jika memiliki pola
musiman.
Periode

Planning Production & Inventory Control 14

2. Penyesuaian data masa lampau
dan outlier (1)
Rata-rata penghasilan lima orang
karyawan [Link] adalah 7 juta.

25  2  2  2,5  3,5
Pernyataan ini diintepretasikan oleh
kebanyakan orang bahwa lima orang
7
5
tersebut berpenghasilan sekitar 7 juta.
Data Outlier
(benar jika data tidak mengandung outlier).

Planning Production & Inventory Control 15

 2. Penyesuaian data masa lampau
dan outlier (2)
• 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 25  2  2  2,5  3,5
peramalan yang tidak akurat. ( bisa merusak pola data 7
secara keseluruhan) 5
Data Outlier
• 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).

Planning Production & Inventory Control 16

 2. Penyesuaian data masa lampau
dan outlier (3)
Data outlier harus diganti untuk menghindari missing value.

Ada beberapa cara untuk mengganti data yang outlier: 25  2  2  2,5  3,5
7
• Gunakan nilai modus atau rata rata 5
 Gunakan cara ini untuk pola data konstan
Data Outlier
• Jumlahkan permintaan pada periode sebelum dan
sesudah data kemudian bagi dua 2,5  2  2  2,5  3,5
 Gunakan metode ini untuk pola data trend dan musiman.  2,5
5
Corrected Value

17
Planning Production & Inventory Control
2. Penyesuaian data masa lampau
dan outlier (4)

18
Planning Production & Inventory Control
3. Melakukan peramalan
(forecasting)

Pola data dapat ditentukan

dengan cara mengeplot data
dan memahami karakteristik
produk(misal : lampu natal
pasti musiman, lampu
standard pasti konstan)

19
Planning Production & Inventory Control
 3. Melakukan Peramalan (2) :
memilih metode yang sesuai
Data Historis
7,000

6,000

5,000

4,000

3,000

2,000

1,000

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

20
Planning Production & Inventory Control
3. Melakukan Peramalan (2) :
memilih metode yang sesuai
Peramalan dengan berbagai metode

21
Planning Production & Inventory Control
4. Penyesuaian Peramalan

Kondisi Perekonomian Siklus Hidup Produk

Kompetisi Performasi Produk

Faktor-faktor yang harus
diperhatikan dalam melakukan
Kepercayaan Konsumen Kualitas Produk
adjusment pada statistic forecast
Teknologi Baru Promosi

Produk Substitusi Harga

Promosi Pesaing Reputasi Produk

22
Planning Production & Inventory Control
5. Use as Demand Plan

Setelah adjustment, hasil forecast digunakan sebagai input awal dalam perencanaan
produksi dan distribusi
Besarnya demand suatu produk pada masa yang akan datang
Produk Forecast Kapasitas Final forecast yang akan “benar-benar” dipenuhi ditentukan lagi dengan
mempertimbangkan ketersediaan sumber daya (mesin, bahan
DPX 1000 ton
1500 ton
? baku, tenaga kerja, produk lain yang lebih menguntungkan,
CWF 1200 ton
?
penjadwalan mesin,…)

Dalam menentukan komposisi produk yang akan diproduksi dapat

menggunakan metode-metode optimisasi seperti: linear programming,
non linear programming,..
TEACH A COURSE 23
Berbeda strategi manufaktur, berbeda yang diramalkan.

MTS : forecast finished goods

ATO : forecats semi finished

goods and calculated part &
assemblies

MTO : company resources,

components and raw
materials

24
Planning Production & Inventory Control
KLASIFIKASI METODE PERAMALAN
(Forecasting Methods)
METODE PERAMALAN

KUALITATIF KUANTITATIF

TIME-SERIES CAUSAL

MOVING EXPONENTIAL
AVERAGE DECOMPOSITION
SMOOTHING

25
Planning Production & Inventory Control
KLASIFIKASI METODE PERAMALAN
(Forecasting Methods) (2)

KUALITATIF KUANTITATIF
• Bersifat subyektif
• Menggunakan opini seorang atau beberapa
• Bersifat obyektif
ahli sehingga sangat bergantung pada
• Terdapat dua kelompok yaitu time series dan
persepsi masing-masing ahli
causal method
• Tidak memerlukan data kuantitatif yang • Menggunakan model statistik-matematik
lengkap • Memerlukan data kuantitatif yang lengkap
• Biasa digunakan untuk meramalkan produk • Biasa digunakan untuk meramalkan
baru dan demand jangka panjang permintaan pada jangka pendek.
• Teknik : Management Decision, Executive
opinion, Delphi Technique, Market Research,
FGD

Planning Production & Inventory Control 26

Metode Kualitatif
Kelebihan :
– Mampu melakukan prediksi walaupun tidak
ada dukungan data historis
– Umumnya cukup valid karena melibatkan para
expert yang kompeten dengan permasalahan
yang terjadi, sehingga model dan metode yang
dipergunakan cukup akurat

Kelemahan :
– Cost – nya sangat tinggi karena melibatkan
expert  terkait dengan labour time
– Memakan waktu yang cenderung lama apalagi
“Building Models & Methods” memerlukan
validasi guna hasil yang relevan

27
Planning Production & Inventory Control
Metode Kuantitatif

Digunakan ketika data historis yang cukup tersedia dan ketika nilai-nilai data ini dinilai
mewakili masa depan yang tidak diketahui
Asumsi: Pola di masa depan mengikuti pola di masa lalu

Metode kuantitatif dapat dikategorikan:

• Metode deret waktu (Time Series Methods)
Fokus sepenuhnya pada pola, perubahan pola, gangguan yang disebabkan oleh
pengaruh acak
◦ Moving average, exponential smoothing, Holts, winter
• Metode Kausal (Causal Methods)
Mengidentifikasi dan menentukan hubungan antara variabel yang akan diramalkan
dengan variabel lain yang berpengaruh
• Regresi
28
Planning Production & Inventory Control
Metode Kuantitatif
Berdasarkan jenis Permintaan

 Nonseasonal Model  Seasonal & Trend

◦ Naive  Winter
◦ Moving average
◦ Weighted moving average (Trend & Seasonality
Corrected Exponential
◦ Exponential Smoothing
Smoothing)
 Trend Model
 Seasonal Model
◦ Time Series  Holt’s Model
Decomposition (Trend corrected Exponential
◦ ARIMA Smoothing)
◦ Artificial Neural Network
(ANN)

29
Planning Production & Inventory Control
Pola Permintaan

Untuk setiap pola permintaan terdapat beberapa metode

kuantitatif yang dapat dipakai.

30
Planning Production & Inventory Control
 Pola Permintaan (2)

KONSTAN CYCLICAL
• gerakan berulang naik-turun dalam permintaan
• Non tahunan; multi-tahun
TREND
• Karena interaksi faktor-faktor yang mempengaruhi
• Pergerakan permintaan naik atau turun secara perekonomian
bertahap dan berjangka panjang
• Karena populasi, teknologi, dll
SEASONAL
• gerakan berulang naik-turun dalam permintaan
INTERMITTENT yang terjadi secara berkala
Ketika permintaan suatu barang tidak lancar dan • Terjadi dalam satu tahun
tidak kontinyu, hal itu disebut “intermittent • Karena cuaca, bea cukai dll
demand" yang tidak terjadi pada setiap periode
peramalan SEASONAL TREND

31
Planning Production & Inventory Control
 Time Series Methods
Pola Permintaan Nonseasonal

1. Moving Average (MA)

2. Naive

3. Exponential Smoothing (ES)

4. Holt’s – Trend Corrected (Trend Linier)

5. Seasonal
Planning Production & Inventory Control 32
 1. MOVING AVERAGE (MA)
- Rata2 Bergerak -
Moving Average (MA) didefinisikan
 Digunakan untuk meratakan deret berkala
sebagai :
suatu data yang bergelombang . Tidak
cocok untuk pola data trend dan pola data n

musiman. d t
MA n  t 1
n
 Digunakan untuk peramalan dengan Keterangan :
periode waktu spesifik. n = jumlah perioda
dt = demand pada bulan ke t

 Peramalan jangka pendek lebih baik

dibanding jangka panjang.

Planning Production & Inventory Control 33

 1. MOVING AVERAGE (MA)
- Rata2 Bergerak -
Metode Moving Average biasa digunakan untuk melakukan forecast hal-hal yang bersifat
random, artinya tidak ada gejala trend naik maupun turun, musiman dan sebagainya,
melainkan sulit diketahui polanya.

Terdapat 2 pendekatan moving average:

a) Simple Moving Average (rata-rata bergerak sederhana)
b) Weighted Moving Average (rata-rata bergerak tertimbang)

34
Planning Production & Inventory Control
 a) Simple Moving Average (SMA)
 Metode Simple Moving Averages mempunyai 2 sifat khusus:
• Untuk membuat forecast diperlukan data masa lalu selama jangka waktu tertentu.
• Semakin panjang moving averages, maka akan menghasilkan moving averages yang
semakin halus.
 SMA memprediksi permintaan masa depan dengan cara mencari rata-rata dari semua
permintaan pada bulan sebelumnya (Data n periode sebelumnya), sehingga :

X t  X t -1  ... X t -n 1
n

St 1  d t

n MA n  t 1
n
St+1 = Forecast untuk periode ke t+1
Keterangan :
Xt = Data periode t
n = Jumlah perioda
n = Jangka waktu moving averages. dt = Demand pada bulan ke t

35
Planning Production & Inventory Control
a) Simple Moving Average (SMA)

Kekurangannya : semua data

permintaan masa lalu diberi
bobot yang sama  seharusnya
Kelebihan : Mudah data yang lebih baru diberi bobot
yang lebih besar karena lebih
mewakili masa depan (lebih
relevan)

Planning Production & Inventory Control

 a) Simple Moving Average (SMA)

Misal:
Untuk mendapatkan angka perkiraan dengan menggunakan metode rata-rata bergerak 3
bulan , maka perkiraan data berikutnya sebesar rata-rata 3 bulan sebelumnya.

Untuk mendapatkan angka perkiraan dengan menggunakan metode rata-rata bergerak 5

bulan , maka perkiraan data berikutnya sebesar rata-rata 5 bulan sebelumnya.

37
Planning Production & Inventory Control
a) Simple Moving Average (SMA)

Contoh
ORDERS MOVING 3
MONTH PER MONTH AVERAGE 
i=1
Di
Jan 120 – MA3 =
Feb 90 – 3
Mar 100 –
Apr 75 103.3 90 + 110 + 130
= 3
May 110 88.3
June 50 95.0
July 75 78.3 = 110 orders
Aug 130 78.3
for Nov
Sept 110 85.0
Oct 90 105.0
Nov - 110.0

Planning Production & Inventory Control

a) Simple Moving Average (SMA)

Contoh

ORDERS MOVING
AVERAGE 5
MONTH PER MONTH
–

i=1
Di
Jan 120
Feb 90 – MA5 =
–
5
Mar 100
Apr 75 –
90 + 110 + 130+75+50
May 110 – =
99.0
5
June 50
July 75 85.0
Aug 130 82.0 = 91 orders
Sept 110 88.0 for Nov
Oct 90 95.0
Nov - 91.0

Planning Production & Inventory Control

a) Simple Moving Average (SMA)

150 – Hasil Simple Moving Average

125 – 5-month

100 –
Orders

75 –

50 – 3-month

Actual
25 –

0– | | | | | | | | | | |
Jan Feb Mar Apr May June July Aug Sept Oct Nov
Month
40
Planning Production & Inventory Control
 a) Simple Moving Average (SMA)

Period Demand Forecast where

n
1 10 10 
i=1
Di n = jumlah periode dalam moving
average
2 12 11 MAn = Di = jumlah permintaan pada
3 14 12 n periode i
4 15 12.8
5 16 13.4
6 17 14
7 19 14.7 F2 = (10 + 12) / 2 = 11
8 21 15.5 F3 = (10 + 12 + 14)/3 = 12
9 23 16.3
F4 = (10 + 12 + 14+15)/4 = 12,8

41
Planning Production & Inventory Control
a) Simple Moving Average (SMA)

Week Demand
1 650
A t-1 + A t-2 + A t-3 +...+A t- n
2 678
Ft =
3 720
n
4 785
5 859
6 920 • Question: What are the 3-week and
7 850 6-week moving average forecasts
8 758 for demand?
9 892 • Pertanyaan : berapakah nilai
10 920 forecast moving average dengan
11 789 data permintaan 3 minggu dan 6
12 844 minggu?

42
Planning Production & Inventory Control
a) Simple Moving Average (SMA)

Week Demand 3-Week 6-Week

1 650 F4=(650+678+720)/3
2 678 =682.67
3 720
4 785 682,67 F7=(650+678+720
5 859 727,67 +785+859+920)/6
6 920 788,00 =768.67
7 850 854,67 768,67
8 758 876,33 802,00
9 892 842,67 815,33
10 920 833,33 844,00
11 789 856,67 866,50
12 844 867,00 854,83
Planning Production & Inventory Control
 b) Weighted Moving Average (WMA)

 Metode Weighted Moving Averages (WMA) atau rata-rata bergerak tertimbang

memprediksi dengan cara memberikan bobot kepada data n periode sebelumnya,
kemudian membaginya dengan jumlah bobot.
 Bobot terbesar diberikan ke data 1 (pertama) periode sebelumnya

Misal :
Untuk mendapatkan angka perkiraan dengan menggunakan metode rata-rata bergerak
tertimbang n bulan, maka perkiraan data berikutnya adalah:

∑ (bobot untuk periode n) * (permintaan dalam periode n)

WMA =
∑ bobot

44
Planning Production & Inventory Control
 b) Weighted Moving Average (WMA)

Cara memberikan bobot:

Bulan Permintaan Bobot Periode

Misal terdapat data permintaan seperti

Januari 20
dalam tabel, untuk prediksi
permintaan pada bulan Mei, maka Pebruari 24 1 3 bln lalu
pembobotannya adalah sebagai Maret 21 2 2 bln lalu
berikut :
April 19 3 bln lalu
Mei ?

Sehingga:
(3 x 19) + (2 x 21) + (1 x 24)
Perkiraan bln Mei = = 20,5
3+2+1

45
Planning Production & Inventory Control
 b) Weighted Moving Average (WMA)
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

Planning Production & Inventory Control 46

b) Weighted Moving Average (WMA)

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
6 17 13.4 15 15.2
12
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

47
Planning Production & Inventory Control
 2. NAIVE FORECAST
 Permintaan periode saat ini digunakan sebagai
ramalan periode berikutnya. Permintaan bulan ORDERS
kemarin dijadikan peramaan permintaan bulan MONTH PER MONTH FORECAST
berikutnya.
Jan 120 -
Feb 90 120
 Dalam metode Naive, peramalan dilakukan dengan
Mar 100 90
mengambil rata-rata data masa lalu (histori).
Apr 75 100
May 110 75
 Mudah dilakukan. June 50 110
July 75 50
 Ketidakakuratan tinggi Aug 130 75
Sept 110 130
 Biasanya dilakukan di penjualan Oct 90 110
perorangan/industri mikro Nov - 90

Planning Production & Inventory Control 48

 3. EXPONENTIAL SMOOTHING (ES)

• Salah satu metode peramalan yang memberikan bobot yang relatif lebih besar
untuk data yang paling akhir
• Dalam ES terdapat suatu nilai konstanta yang biasanya dilambangkan dengan α.
Dimana α adalah besarnya bobot yang diberikan untuk data aktual yang terakhir.
• Sedangkan 1 – α (damping factor/smoothing constrant) adalah besarnya bobot
untuk nilai peramalan periode tersebut.
• damping factor / smoothing constrant adalah suatu faktor koreksi dari nilai
peramalan yang dipakai untuk meminimalisasi ketidakstabilan data.
• Angka untuk α memang sangat subyektif dengan nilai antara 0 sampai 1.
• Pemilihan  adalah pertukaran antara stabilitas dan respon (The choice of
alpha is a trade off between stability and response)

49
Planning Production & Inventory Control
EXPONENTIAL SMOOTHING

Ft  Ft 1   Dt 1  Ft 1    besar, smoothing yg dilakukan

kecil.

Ft   Dt 1  1   Ft 1
  kecil, smoothing yg dilakukan
semakin besar.
  optimum akan meminimumkan
MSE, MAPE

Dt-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.
Nilai peramalan baru adalah nilai peramalan lalu ditambah nilai error dari
peramalan yang lalu
50
Planning Production & Inventory Control
Contoh : EXPONENTIAL SMOOTHING

(α=0.30)
PERIOD MONTH DEMAND
1 Jan 37 F2 = D1 + (1 - )F1
2 Feb 40 = (0.30)(37) + (0.70)(37)
3 Mar 41 = 37
4 Apr 37
5 May 45 F3 = D2 + (1 - )F2
6 Jun 50 = (0.30)(40) + (0.70)(37)
7 Jul 43
= 37.9
8 Aug 47
9 Sep 56
F13 = D12 + (1 - )F12
10 Oct 52
11 Nov 55 = (0.30)(54) + (0.70)(50.84)
12 Dec 54 = 51.79

51
Planning Production & Inventory Control
Contoh : EXPONENTIAL SMOOTHING

FORECAST, Ft + 1
PERIOD MONTH DEMAND ( = 0.3) ( = 0.5)
1 Jan 37 – –
2 Feb 40 37.00 37.00
3 Mar 41 37.90 38.50
4 Apr 37 38.83 39.75
5 May 45 38.28 38.37
6 Jun 50 40.29 41.68
7 Jul 43 43.20 45.84
8 Aug 47 43.14 44.42
9 Sep 56 44.30 45.71
10 Oct 52 47.81 50.85
11 Nov 55 49.06 51.42
12 Dec 54 50.84 53.21
13 Jan – 51.79 53.61

52
Planning Production & Inventory Control
EXPONENTIAL SMOOTHING

22 Per Dem Simple3MA WMA Exp Sm

1 10 10.0
20
2 12 10 10.0
18 3 14 11 10.6
4 15 12 12.0 12.4 11.6
16
5 16 12.8 13.7 14.0 12.6
14 6 17 13.4 15 15.2 13.6
7 19 14 16 16.2 14.7
12
8 21 14.7 17.3 17.7 16.0
10 9 23 15.5 19 19.4 17.5
0 2 4 6 8 10
Dem Simple 3MA =0.3
WMA ES

53
Planning Production & Inventory Control
Latihan: EXPONENTIAL SMOOTHING

Period Data_3  = 0.1  = 0.2  = 0.3  = 0.4

Starting 120.00 #N/A #N/A #N/A #N/A
1.00 119.58 120.00 120.00 120.00 120.00
2.00 118.79 119.96 119.92 119.87 119.83
3.00 119.01 119.84 119.69 119.55 119.42
4.00 120.21 119.76 119.55 119.39 119.25
5.00 118.82 119.80 119.68 119.63 119.63
6.00 120.67 119.70 119.51 119.39 119.31
7.00 121.13 119.80 119.74 119.77 119.85
8.00 120.82 119.93 120.02 120.18 120.36
9.00 120.12 120.02 120.18 120.37 120.54
10.00 120.73 120.03 120.17 120.30 120.38
11.00 118.60 120.10 120.28 120.43 120.52
12.00 118.62 119.95 119.94 119.88 119.75
13.00 120.54 119.82 119.68 119.50 119.30
14.00 121.53 119.89 119.85 119.81 119.79
15.00 120.35 120.05 120.19 120.33 120.49
16.00 120.07 120.08 120.22 120.34 120.44
17.00 119.33 120.08 120.19 120.25 120.29
18.00 118.93 120.01 120.02 119.98 119.90
19.00 119.45 119.90 119.80 119.66 119.52
20.00 120.17 119.85 119.73 119.60 119.49

54
Planning Production & Inventory Control
Contoh: EXPONENTIAL SMOOTHING

Planning Production & Inventory Control 55

4. HOLT’S – TREND CORRECTED
- Pola Permintaan Trend -

Dimana :
Level  St = Dt + (1-)(St-1 + Gt-1) D = Permintaan Aktual (Actual Demand)
Trend Gt = b(St – St-1) + (1-b)Gt-1 S = Intercept / Level
G = Trend (Slope)
α = parameter smoothing untuk data

Ft,t+τ = St + τGt β = parameter smoothing untuk trend

F = nilai peramalan untuk periode t
τ = jumlah periode yang akan diramalkan

56
Planning Production & Inventory Control
4. HOLT’S – TREND CORRECTED
Metode Holt mampu mengakomodasikan trend pada data dengan
cukup baik. Nilai Beta yang lebih besar lebih progresif mengejar trend.

350

300

250 Demand
Holt B(0.1)
200 Holt B(0.3)

150

100
1 2 3 4 5 6 7 8 9 10 11 12

57
Planning Production & Inventory Control
4. HOLT’S – TREND CORRECTED

Year Quarter Black Plastic Level Trend Forecast

• alfa = 0,1
2042,737 286,606 • beta = 0,1
1998 I 2250 225 76,17173 301,1717
II 1737 444,7546 90,53001 535,2846
III 2412 722,9561 109,2972 832,2533
IV 7269 1475,928 173,6646 1649,593 14
1999 I 3514 1836,033 192,3087
RAW DATA 2028,342
/
II 2143 2039,808 193,4553 2233,263
ACTUAL DATA 12
III 3459 2355,837 205,7127 2561,549
IV 7056 3010,995 250,6572 3261,652
10
2000 I 4120 3347,487 259,2406 3606,727
II 2766 3522,654 250,8334 3773,488
III 2556 3651,739 238,6585 3890,398 8
IV 8253 4326,658 282,2845 4608,942
Planning Production & Inventory Control
58 6
4. HOLT’S – TREND CORRECTED

Year Quarter Black Plastic Level Trend Forecast

2042,737 286,606
1998 I 2250 2321,409 285,8126 2321,409
II 1737 2520,199 277,1104 2520,199
III 2412 2758,778 273,2573 2758,778
IV 7269 3455,732 315,6269 3455,732
Dua versi penentuan nilai Level (S) dan Trend (G) di periode 0
1999 I 3514 3745,623 313,0533 3745,623
:
II nilainya2143
1. Diasumsikan diketahui 3867,109 293,8966 3867,109
III
2. Diambil dari persamaan regresi3459 4090,805
yang diperoleh dari raw286,8765 4090,805
data, dimana S0 =IV intercept, G07056
= slope 4645,513 313,6597 4645,513
3. Asumsi nilai dilakukan di periode 1 (bukan periode 0)
2000 I 4120 4875,256 305,268 4875,256
II 2766 4939,071 281,1227 4939,071
III 2556 4953,775 254,4808 4953,775
IV 8253 5512,73 284,9282 5512,73
59
Planning Production & Inventory Control
 4. HOLT’S – TREND CORRECTED
• alfa = 0,1 ; beta = 0,1
Year Quarter Black Plastic Level Trend Forecast
2042,737 286,606
1998 I 2250 2321,409 285,8126 2321,409
II 1737 2520,199 277,1104 2520,199
III 2412 2758,778 273,2573 2758,778
IV 7269 3455,732 315,6269 3455,732
St = Dt + (1-)(St-1 + Gt-1)
1999
S1 = 0,12250 I
+ [(0,9)(2042,737 3514
+286,606) 3745,623 313,0533 3745,623
II 2143 3867,109 293,8966 3867,109
III 3459 4090,805
Gt = b(St – St-1) + (1-b)Gt-1
286,8765 4090,805
4645,513 Ft, t+τ = St + τG
313,6597 4645,513
G1 IV
= 0,1(2321,4097056– 2042,737) + t

2000 I 4120
(0,9)286,606 4875,256 F305,268
1,1 = 2321,409
4875,256
+(0)285,813
II 2766 4939,071 281,1227 4939,071
III 2556 4953,775 254,4808 4953,775
IV 8253 5512,73 284,9282 5512,73
60
Planning Production & Inventory Control
Time Series Methods
Pola Permintaan Musiman (Tanpa Trend)

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.

61
Planning Production & Inventory Control
Permintaan Musiman Tanpa Trend

Data Permintaan
Sales Seasonal 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
Planning Production & Inventory Control 62
 Permintaan Musiman Tanpa Trend

Jika diperkirakan total permintaan tahun depan adalah

1100, maka rata-rata permintaan tiap musim/quarter
adalah 1100/4=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
Planning Production & Inventory Control 63
Winter’s –
Trend and Seasonality Corrected
St = (Dt/ct-p) + (1-)(St-1+Gt-1)
Gt = b(St – St-1) + (1-b)Gt-1
ct = g(Dt/St) + (1-g)ct-p
Ft, t+τ = (St+ τ Gt)(ct +τ-p)

• S = time series (level)

• G = trend
• c = seasonal factor
• p : banyak periode dimana kejadian seasonal berulang
/ panjang periode seasonal
Planning Production & Inventory Control 64
 Winter’s –
Trend and Seasonality Corrected (2)
• Sebelum masuk ke Winter’s, raw data di-
”deseasonalized “ terlebih dahulu

p : banyak periode dimana kejadian seasonal berulang

panjang periode seasonal

Planning Production & Inventory Control 65

 Deseasonalized for Winter’s (1)
Year Quarter Black Plastic Deseasonalized

1998 I 2250
II 1737
III 2412 3575
IV 7269 3783,75
1999 I 3514 3965,375
II
III
2143
3459
4069,625
4118,75
ingat, bahwa D
ada 5 cycle
IV 7056 4272,375 kejadian
2000 I 4120 4237,375 seasonal (lihat:
II 2766 4274,125 sheet Raw
STEP 1III 2556 4595,125 Data)
IV 8253 4968,5
2001 I 5491 5390,375
[2250 + II3514 + (2*(1737+2412+7269))]/(2*4)
4382 6083 Jumlah data demand= 20 Jadi pakai formulasi “for even” :
III 4315 6575,375
p (=N) = 4 (even/genap) [Dt-(p/2) + Dt+(p/2) + ∑2Di] / 2p
IV 12035 6509,25 which
2002 I 5648 6489,5
II 3696 6688,25
Dt =(sum is from i = t+1-(p/2) to t+1+(p/2))
III 4843
IV 13097
Planning Production & Inventory Control 66
 Deseasonalized for Winter’s (1)
Deseasonalized Pooled Seasonal
Year Quarter Black Plastic Deseasonalized Seasonal Factor
Regression Factor

1998 I 2250 2819,603493 0,797984541 0,899279159

II 1737 3046,459375 0,570170085 0,598875319
III 2412 3575 3273,315257 0,736867613 0,697570004
IV 7269 3783,75 3500,17114 2,076755596 1,800289582
1999 I 3514 3965,375 3727,027022 0,942842641
II
III
2143
3459
4069,625
4118,75
3953,882904
4180,738787
0,541998853
0,82736573
D
IV 7056 4272,375 4407,594669 1,600873159
2000 I 4120 4237,375 STEP 3
4634,450551 0,888994273
II 2766 4274,125 4861,306434 Y 0,568982852
= A + B*t
III 2556 4595,125 5088,162316 0,502342465
Yt = 2592,75 + (226,85) 1
IV 8253 4968,5 5315,018199 1,552769848
2001 I 5491 5390,375 (dimana
5541,874081 t = urutan data ; A =
0,990820058
II 4382 6083 intercept
5768,729963 ; B = slope)
0,759612606
III 4315 6575,375 5995,585846 0,719696142
IV 12035 6509,25 6222,441728 1,934128197
2002 I STEP
56482 6489,5 6449,29761 0,875754282
II 3696 6688,25 6676,153493 0,553612197
III 4843 6903,009375 0,701578071
IV 13097 7129,865257 1,83692111
intercept 2592,74761
slope 226,8558824
TEACH A COURSE 67
 Rangkuman Time Series Methods
 Naive forecast
 Simple moving average
 Weighted moving average
weights are assigned to most recent data 

 Exponential smoothing  Ft +1 = Dt + (1 - )Ft

 Trend-Corrected Exponential Smoothing (Holt’s Model)

St = Dt + (1-)(St-1 + Gt-1)
Gt = b(St – St-1) + (1-b)Gt-1
Ft, t+τ = St + τGt

 Trend- and Seasonality-Corrected Exponential Smoothing (Winter’s Model)

St = (Dt/ct) + (1-)(St-1+Gt-1)
Gt = b(St – St-1) + (1-b)Gt-1
ct = g(Dt/St) + (1-g)ct-p
Ft, 1+τ = (St+ τ Gt)(ct +τ-p)
Planning Production & Inventory Control 68
 Evaluasi Forecasts:
Untuk membandingkan metode time series yang berbeda atau untuk memilih
kumpulan nilai awal "terbaik" untuk parameter, gunakan kombinasi dari 3 metrik
berikut (Asumsi : error berdistribusi normal)
Forecast error:

Forecasts
Mean Absolute Mean Squared Mean Absolute
Deviation Error Percent Error

Demands Paling sering digunakan Mirip dengan variansi

 Standar deviasi error sampel acak (dari error)
diasumsikan 1.25 kali  Digunakan bersama
MAD dengan MAD

Planning Production & Inventory Control 69

 Forecast Error (1)

• MFE : Mengukur bias atau arah dari error

• MAD : Mengukur besar dari error.
• MSE : Menekankan pada error besar.
• MAPE : Memungkinkan perbandingan perkiraan menggunakan
data yang berbeda.

Planning Production & Inventory Control 70

 Forecast Error

Error Total Mean Percentage Error

Sum of all errors Average of percent errors

n 1 n
ET  e MPE   PE
t nt 1 t
t 1
 Menggunakan data mentah (positive or negative) errors  Dapat bernilai negatif maupun positif
 ET bisa bernilai positif maupun negatif  Mengukur rata-rata bias
 Mengukur bias dari peramalan  Nilainya seharusnya mendekati nol
 Nilainya seharusnya mendekati nol

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.

Planning Production & Inventory Control 71

Forecast Error (2)
Average of squared errors
Average of squared errors

1 n 2
MSE  e RMSE  1 n 2
 et
nt 1 t n t 1
• Selalu Positif  Selalu Positif
• Mengukur “besarnya” of errors  Mengukur “besarnya” error
• Unitnya menggunakan “kuadrat dari unit
 Unitnya menggunakan “Akar dari
permintaan” unit permintaan”

Average of absolute percentage errors Smoothed absolute errors

1 n
MAPE   PE MADt  (10.3)MAD  0.3e
t 1 t
nt 1 t
 Selalu Positif
 Selalu positif  Mengukur besarnya error
 Mengukur besarnya error  Melihat data lampau yang paling baru
 Unit dalam prosentase
Planning Production & Inventory Control 72
 Contoh Kasus :

Tahun 2020 Permintaan

Sebuah perusahaan memiliki
data permintaan selama tahun Januari 20
2020 seperti disajikan pada Februari 21
Maret 19
tabel. Hitung berapa kira-kira April 17
permintaan pada bulan Januari Mei 22
2021, dan berapa perkiraan Juni 24
kesalahan akurasinya apabila Juli 18
menggunakan metode rata- Agustus 23
rata bergerak 3 bulan dan rata- September 20
Oktober 25
rata bergerak 5 bulan ? November 22
Desember 24

73
Planning Production & Inventory Control
 Jawaban: MA 3 Bulan
Tahun 2020 Permintaan Forecast 3
bulan
• Mencari forecast
untuk rata-rata Januari 20 -
Februari 21 -
bergerak 3 bulan. Maret 19 -
• Hasilnya sbb  April 17 20.00
Mei 22 19.00
Juni 24 19.33
Juli 18 21.00
Agustus 23 21.33
September 20 21.67
Oktober 25 20.33
November 22 22.67
Desember 24 22.33

74
Planning Production & Inventory Control
 Jawaban: MA 3 Bulan

Tahun 2020 Permintaan Forecast Error Absolut Error Error 2

Mencari Mean Absolute
Error & Mean Square Error
Januari 20 - - - -
untuk rata-rata bergerak 3 Februari 21 - - - -
bulan, dengan cara sbb: Maret 19 - - - -
April 17 20,00 -3,00 3,00 9,00
Mei 22 19,00 3,00 3,00 9,00
Juni 24 19,33 4,67 4,67 21,78
Juli 18 21,00 -3,00 3,00 9,00
Agustus 23 21,33 1,67 1,67 2,78
September 20 21,67 -1,67 1,67 2,78
Oktober 25 20,33 4,67 4,67 21,78
November 22 22,67 -0,67 0,67 0,44
Desember 24 22,33 1,67 1,67 2,78
Jumlah : 24,00 79,33

75
Planning Production & Inventory Control
Jawaban: MA 3 Bulan

Mean Absolute Error 

Mean Squared Error 


 t t
X  S 2

E
n

76
Planning Production & Inventory Control
Jawaban: MA 3 Bulan

• Prediksi permintaan pada bulan Januari 2021 dengan metode rata-rata bergerak 3
bulan adalah:

2021

• Dengan MAE sebesar 2,67 dan MSE sebesar 8,81

77
Planning Production & Inventory Control
 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
• .Akurasi peramalan akan semakin tinggi apabila nilai-nilai MAD, MAPE, dan MSE semakin kecil.

Planning Production & Inventory Control 78