Demand forecasting

2,370 views
2,144 views

Published on

Sebuah overview singkat tentang demand forecasting beserta metode-metode yang umum digunakan.

Published in: Education
0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total views
2,370
On SlideShare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
43
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

Demand forecasting

  1. 1. DEMAND FORECASTING Time series
  2. 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. 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. 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. 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. 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. 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. 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. 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. 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. 11. Winter’s Method (3) Rumus yang digunakan antara lain : S = level G = tren C = seasonal factor P = periodicity How-to and formulas
  12. 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. 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. 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. 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
  16. 16. Hasil dari exponential smoothing Alpha = 0,2
  17. 17. Hasil dari holt’s Alpha = 0,2 Beta = 0,2
  18. 18. Hasil dari winter’s Alpha = 0,2 Beta = 0,2 Gamma = 0,1
  19. 19. Production and Planning Control Copyright 2011 This is the end of the slide THANK YOU

×