Time Series Causal Regression Single Moving Average Weighted Moving Average

Production Operation Analysis ISYE6101 terkait akan mempengaruhi suatu variabel secara akurat. Oleh karena itu allowances harus dibuat untuk mengantisipasi kesalahan dari forecast. 3. Forecast untuk sekumpulan faktor itu biasanya lebih akurat dibandingkan forecast secara individual karena kesalahan dalam forecast secara grup memiliki efek canceling. Peluang untuk untuk berkelompok dapat muncul jika bagian atau bahan mentah yang digunakan untuk beberapa produk atau jika produkjasa diminta oleh sumber yang independent. 4. Keakuratan forecast berkurang seiring dengan berjalannya periode waktu ketika time horizon itu bertambah. Secara garis besar, forecast jangka pendek memiliki hasil yang lebih akurat dibandingkan dengan forecast jangka panjang. Sebuah perusahaan harus mengetahui beberapa faktor sebelum perusahaan tersebut memilih metode forecasting yang tepat. Metode dari forecasting tersbut diklasifikasi berdasarkan tipe-tipe berikut [ CITATION Cho10 \l 1033 ]:

1. Metode Kualitatif

Metode forecasting kualitatif bersifat subyektif yang berdasarkan pendapat dan pertimbangan manusia untuk membuat forecast tersebut. Metode ini memiliki ketepatan yang akurat jika terdapat sedikit riwayat data yang tersedia atau ketika para ahli memiliki market intelligence yang merupakan hal yang kritis saat pembuatan forecast [ CITATION Cho10 \l 1033 ].

A. Metode Delphi

Metode Delphi merupakan proses yang menggunakan tanggapan dari para ahli dan saran yang terkontrol dalam skema yang berulang untuk mencapai suatu persetujuan umum konsensus. Kunci kesuksesan dari metode ini tergantung pada kompetensi dari para ahli beserta pengalaman mereka. Seorang koordinator perlu kapabilitas untuk mengubah beberapa variasi opini dan forecast dari variasi pendapat peserta [ CITATION Sha07 \l 1033 ].

2. Metode Kuantitatif

Terdapat 3 tipe dari metode forecasting kuantitatif, yaitu [ CITATION Cho10 \l 1033 ]

a. Time Series

Metode ini menggunakan riwayat permintaan untuk membuat sebuah forecast. Metode ini berdasarkan asumsi bahwa riwayat sejarah dari permintaan merupakan indikasi yang baik untuk permintaan di masa yang akan datang. Metode ini paling tepat digunakan ketika situasi lingkungan sedang stabil dan basis pola permintaan tidak berbeda secara signifikan dari satu tahun ke tahun lainnya. Metode ini merupakan metode paling sederhana untuk diimplementasikan dan dapat digunakan sebagai titik awal yang baik untuk melakukan forecast permintaan.

b. Causal

Metode ini mengasumsikan bahwa forecast permintaan sangat berkorelasi dengan beberapa faktor dalam lingkungan kondisi ekonomi dan suku bunga. Metode ini mencari korelasi antara permintaan dan faktor lingkungan dan menggunakan estimasi apakah yang akan terjadi kepada faktor tersebut untuk forecast permintaan di masa yang akan datang. Integrated Industrial Engineering Laboratory Industrial Engineering Department BINUS University Production Operation Analysis ISYE6101

c. Simulation

Metode ini menyamakan pilihan pelanggan yang memberikan peningkatan permintaan dalam suatu forecast.

2.1.2 Pola Permintaan Pada Metode Forecasting Time Series

Time series merupakan sekuensi dari observasi yang beredasarkan waktu secara berurut yang diambil dengan interval regular per hari, per bulan, per tahun. Analisis dari data time series memerlukan seorang analyst untuk mengidentifikasi perubahan sifat dari time series tersebut. Hal ini dapat dilakukan denga cara menyusun data dan memperhatikan arahnya. Dengan demikian pola-pola data yang berbasis pada data time series akan bermunculan yaitu sebagai berikut [ CITATION Ste14 \l 1033 ]: 1. Trend, pergerakan data dalam jangka panjang yang dapat bergerak condong ke atas maupun ke bawah.

2. Seasonality, mengacu pada jangka pendek, dan variasi regular yang terkait

dengan faktor-faktor yang biasanya mengulang setiap interval tertentu.

3. Cycles, variasi data yang durasinya lebih dari 1 tahun yang berbentuk

seperti ombak,

4. Irregular Variation, biasanya muncul kaerena kondisi yang tidak biasa

terjadi seperti kondisi cuaca yang tidak menentu atau perubahan yang besar pada produk atau jasa. Sumber: [ CITATION Rei10 \l 1033 ] Gambar 2.1 Pola Permintaan

2.1.3 Metode-metode Forecasting 1. Time-series Decomposition

Tujuan dari berbagai macam metode forecasting adalah untuk memprediksi sistematik komponen dan mengestimasi komponen asalnya. Dalam bentuk generalnya, komponen sistematik dari data permintaan mengandung level, trend, dan faktor seasonal [ CITATION Cho10 \l 1033 ]. Integrated Industrial Engineering Laboratory Industrial Engineering Department BINUS University Production Operation Analysis ISYE6101

a. Regression

y=a+bX b= S xy S xx Dimana: S xx =n ∑ i=1 n i D i - n n+1 2 ∑ i=1 n D i S xy = n 2 n+12n+1 6 - n 2 n+1 2 4 a = D-bn-12 y = Nilai prediktif D = Rata-rata aritmetik dari permintaan yang diamati b = penurunan slope a = level D i = Nilai dari permintaan saat waktu i

2. Metode Moving Average

Metode ini digunakan ketika permintaan tidak memiliki trend atau seasonality yang bisa diamati. Dalam kasus ini, permintaan forecast dinyatakan dalam [ CITATION Rei10 \l 1033 ]:

a. Single Moving Average

F t+1 = ∑ i=1 n D i n Dimana: D t = Permintaan aktual dalam periode t n = Jumlah periode dalam moving average

b. Weighted Moving Average

F t = C 1 F t−1 + C 2 F t −2 + …+C N F t− N Dimana: F t = Forecast saat periode t C n = Berat dari masing-masing data N = Jumlah dari time series

3. Metode Exponential Smoothing

Metode simple exponential smoothing tepat digunakan ketika permintaan tidak memiliki trend atau seasonality yang dapat diamati. Metode ini dapat lebih bereaksi terhadap perubahan yang terjadi belakangan ini. Dalam kasus ini, tingkat estimasi inisial, L , diambil dari rata-rata dari semua riwayat data sebelumnya karena permintaan telah diasumsikan untuk tidak memiliki trend atau seasonality yang dapat diamati. Jika data permintaan Integrated Industrial Engineering Laboratory Industrial Engineering Department BINUS University Production Operation Analysis ISYE6101 untuk periode 1 melalui n, dimiliki rumus sebagai berikut [ CITATION Cho10 \l 1033 ]: L = 1 N ∑ i=1 n D i Jadi, formula untuk forecasting permintaaan adalah: a. Simple Exponential Smoothing F t = α. D t + 1-α . F t-1 Dimana: F t = Forecast saat periode t D t = Permintaan aktual dalam periode t α = Konstanta smoothing 0 α 1 yang didefinisikan secara subyektif L t = Level pada periode t

b. Double Exponential Smoothing Double Parameter Metode Holt’s