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