Demand forecasting
-
Upload
rama-renspandy -
Category
Education
-
view
1.318 -
download
4
description
Transcript of Demand forecasting
DEMAND FORECASTINGTime series
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
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
Static Method (2)
Pada metode ini, untuk menghitung forecast pada periode tuntuk 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
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 : 𝑫𝒕 = 𝑳 + 𝑻𝒕
How-to and formulas
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
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
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
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
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
Winter’s Method (3)
Rumus yang digunakan antara lain :
S = level
G = tren
C = seasonal factor
P = periodicity
How-to and formulas
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
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)
Case Study (1)Clear plastic demand
Year QuarterClear 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
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
Hasil dari exponential smoothing
Alpha = 0,2
Hasil dari holt’s
Alpha = 0,2
Beta = 0,2
Hasil dari winter’s
Alpha = 0,2
Beta = 0,2
Gamma = 0,1
Production and Planning Control
Copyright 2011
This is the end of the slide
THANK YOU