2. Demand Forcasting
• Tujuan dari proses forcasting pada dasarnya adalah
bagaimana cara untuk memprediksikan komponen
sistematik dari permintaan dan mengestimasi
komponen random
• Dalam PPC, komponen yang dipelajari hanya komponen
sistematik saja
• Komponen sistematik dari data permintaan, pada
umumnya mengandung tiga elemen, yakni level, trend,
dan faktor seasonal
• Di dalam forcasting time series, terdapat dua metode
yang berbeda, yakni; Static Method dan Adaptive
Method (Winter’s)
An overview
3. Static Method (1)
• Metode ini mengasumsikan bahwa estimasi dari
level, trend, dan seasonality dalam komponen
sistematik tidak berfluktuasi ketika ada demand
yang baru diamati
• Data parameter yang digunakan bisa diperoleh dari
data historis serta dapat menggunakan nilai yang
sama untuk dilakukan forecasting secara
keseluruhan
Introduction
4. Static Method (2)
Pada metode ini, untuk menghitung forecast pada periode t
untuk demand di periode t + l, digunakan rumus sebagai berikut;
Ft + l = [L + (t + l) T] St + l
Keterangan :
L = estimasi level pada t = 0
T = estimasi tren
St = estimasi faktor seasonal pada periode t
Dt = data demand aktual pada periode t
Ft = nilai forecast dari demand pada periode t
How-to and formulas
5. Static Method (3)
Data awal pertama kali dihilangkan dari pengaruh seasonal factor
(deseasonalized). Rumus yang digunakan adalah :
Dengan p adalah periodicity yakni jumlah periode saat suatu siklus
berulang. Kemudian dari data tersebut, dibuat persamaan regresi
sebagai berikut :
𝑫 𝒕 = 𝑳 + 𝑻𝒕
How-to and formulas
6. Static Method (4)
Untuk mengestimasi nilai seasonal factor, digunakan rumus :
𝑆𝑡 =
𝐷𝑖
𝐷𝑡
Setelah diperoleh nilai seasonal factor, barulah dimasukkan ke dalam
rumus awal :
Ft + l = [L + (t + l) T] St + l
How-to and formulas
7. Static Method (5)
• Nilai level (L) dan tren (T) diperoleh dari intercept dan
slope persamaan regresi deseasonalized demand
• Hasil forecast yang diperoleh adalah berdasarkan dari
nilai level (L) dan tren (T) yang tetap untuk forecast
periode selanjutnya
• Hal ini dikarenakan pada static method, komponen
sistematik diasumsikan tidak bervariasi (berfluktuasi)
seiring waktu
Result
8. Adaptive Method
• Metode ini mengasumsikan bahwa estimasi dari level,
trend, dan seasonality dalam komponen sistematik
berubah setiap ada demand yang baru diamati
• Penggunaan ketiga elemen dalam komponen sistematik
pada framework ini dapat dimodifikasi (apakah trend
hilang, seasonal factor hilang, atau ada ketiganya)
• Sehingga metode ini memilki beberapa klasifikasi lagi
seperti moving average, exp. smoothing, holt’s dan
winter’s.
Introduction
9. Winter’s Method (1)
Data awal pertama kali dihilangkan dari pengaruh
seasonal factor (deseasonalized). Rumus yang
digunakan adalah :
Dengan p adalah periodicity yakni jumlah periode saat
suatu siklus berulang. Kemudian dari data tersebut,
dibuat persamaan regresi
How-to and formulas
10. Winter’s Method (2)
• Langkah selanjutnya adalah mencari seasonal factor,
yang kemudian dirata-ratakan menjadi pooled seasonal
factor
• Pada tahun berikutnya, nilai seasonal factor akan
diperbaharui dari pooled seasonal factor tahun
sebelumnya
• Setelah diestimasi level dan tren serta updated seasonal
factor, baru dicari nilai forecast
How-to and formulas
11. Winter’s Method (3)
Rumus yang digunakan antara lain :
S = level
G = tren
C = seasonal factor
P = periodicity
How-to and formulas
12. Winter’s Method (4)
• Nilai level, tren, dan seasonal selalu diupdate setiap
periode
• Hasil forecast bergantung pada pemberian nilai alpha,
beta, dan gamma. Semakin besar semakin responsif
• Nilai MAD, MSE, dan MAPE cenderung lebih kecil
dibandingkan metode lainnya dalam adaptive method
karena sudah mengakomodasi ketiga elemen komponen
sistematik (level, tren, dan seasonal)
Result
13. The Difference
• Pada static method, nilai level (L) dan tren (T) tidak
mengalami perubahan. Sedangkan pada metode
winter’s, setiap periode terdapat update baru dari
kedua nilai tersebut
• Dalam metode winter’s terdapat nilai alpha, beta dan
gamma yang merupakan pembobotan yang dapat
disesuaikan dengan keinginan. Nilai pembobotan yang
tinggi akan menghasilkan forecast yang lebih responsif.
Sedangkan pada static method, tidak ada pemberian
pembobotan
• Seasonal factor pada winter’s juga diupdate setiap siklus
(p) berlangsung. Sedangkan pada static method tidak.
Static Method vs Adaptive Method (Winter’s)
14. Case Study (1)
Clear plastic demand
Year Quarter
Clear Plastic
Demand ('000 lb)
2002 I 3200
II 7658
III 4420
IV 2384
2003 I 3654
II 8680
III 5695
IV 1953
2004 I 4742
II 13673
III 6640
IV 2737
2005 I 3486
II 13186
III 5448
IV 3485
2006 I 7728
II 16591
III 8236
IV 3316
Use each of the following
method :
• Exponential Smoothing
• Holt’s Method
• Winter’s Method
Note :
• Alpha = 0,2
• Beta = 0,2
• Gamma = 0,1
15. Case Study (2)
• Tujuan dari proses forcasting pada dasarnya adalah
bagaimana cara untuk memprediksikan komponen
sistematik dari permintaan dan mengestimasi
komponen random
• Dalam PPC, komponen yang dipelajari hanya komponen
sistematik saja
• Komponen sistematik dari data permintaan, pada
umumnya mengandung tiga elemen, yakni level, trend,
dan faktor seasonal
• Di dalam forcasting time series, terdapat dua metode
yang berbeda, yakni; Static Method dan Adaptive
Method (Winter’s)
Clear plastic demand