Belajar Forecasting Bisnis & Lab

Mengapa bisnis perlu meramal?

Forecasting adalah perkiraan nilai di masa depan (permintaan, stok, harga, kunjungan) yang dihitung dari pola data masa lalu, lengkap dengan rentang ketidakpastiannya. Ramalan tidak harus tepat 100%. Yang penting, kesalahannya terukur dan bisa dikelola.

Makin jauh ke depan, kipas ketidakpastian makin lebar. Karena itu ramalan jangka pendek selalu lebih akurat daripada jangka panjang.

Bukti ilmiah singkat

Siklus forecasting

Ringkasan inti: kelebihan dan kekurangan

Ringkasan per model

Lima hal yang perlu diingat

Jenis model forecasting

Ada empat keluarga besar. Pilihan model ditentukan oleh pola data dan tersedianya data, bukan oleh kecanggihan model.

Tabel perbandingan model

Laboratorium mini: lihat cara kerja tiap model

Pilih pola data. Bulan 1–24 dipakai untuk melatih model, bulan 25–30 adalah data aktual yang disembunyikan untuk menguji ramalan. Tabel di bawah grafik memeringkat semua model berdasarkan MASE (makin kecil makin baik) dan menandai model yang mengalahkan patokan naive pada data uji.

Regresi: meramal dari penyebabnya

Regresi mencari hubungan antara yang ingin diramal (Y) dan penyebabnya (X). Bila X sudah diketahui atau direncanakan lebih dulu (jumlah pasien, jumlah tempat tidur, jadwal poli, harga), Y bisa diramal.

Jenis regresi untuk forecasting

Cara membaca output regresi

Syarat (asumsi) regresi: LINE

Kalkulator regresi linier sederhana

Contoh: X = pasien rawat inap per bulan, Y = jumlah tes darah lengkap per bulan. Ganti dengan data sendiri.

Memilih model

Mulai dari tabel ringkas dan flowchart. Langkah kerja lengkapnya ada di bawah.

Tabel ringkas pemilihan model

Flowchart ringkas

Delapan langkah kerja

Tingkat kesalahan prediksi

Kesalahan (error) = Aktual − Ramalan. Error positif berarti ramalan terlalu rendah (risiko stok kosong). Error negatif berarti ramalan terlalu tinggi (risiko stok menumpuk dan kedaluwarsa).

Interpretasi MAPE (Lewis, 1982)

Akurasi dan bias itu berbeda

Ramalan yang "konsisten tapi bias" (selalu kurang 10%) mudah diperbaiki dengan koreksi. Ramalan yang menyebar perlu model yang lebih baik atau safety stock lebih besar.

Kalkulator kesalahan

Isi angka aktual dan ramalan, pisahkan dengan koma. Contoh sudah terisi.

Hitung kesalahan

Meramal pemeriksaan lab yang jarang

Tes jarang (misalnya ANA, procalcitonin di RS kecil, Hb elektroforesis, crossmatch golongan langka) punya banyak bulan bernilai nol. Rata-rata biasa dan MAPE menyesatkan untuk data seperti ini. Ada tiga alat yang dipakai: klasifikasi ADI/CV², metode Croston/SBA, dan distribusi Poisson untuk keputusan kit.

Langkah 1: golongkan polanya

Langkah 2: Croston dan SBA

Croston (1972) memisahkan dua hal: ukuran permintaan saat ada (z) dan jarak antar permintaan (p). Ramalan per periode = z ÷ p. Syntetos & Boylan (2005) menunjukkan Croston cenderung terlalu tinggi, sehingga dikoreksi menjadi SBA:

Kalkulator klasifikasi tes jarang

Golongkan & ramal

Langkah 3: keputusan kit dengan distribusi Poisson

Untuk tes jarang, masalah utamanya adalah reagen sisa yang terbuang setelah kit dibuka (stabilitas on-board terbatas), bukan ketepatan ramalan. Kalkulator ini menghitung peluang permintaan selama masa stabil kit, perkiraan tes terbuang, dan biaya reagen per hasil yang dilaporkan.

Strategi untuk tes jarang

Forecasting vs spontanitas: simulasi 360 hari

Simulasi satu jenis reagen (rata-rata 20 tes/hari, pola hari kerja, lonjakan 40% pada hari ke-120 s.d. 200 seperti musim DBD). Kedua cara menghadapi permintaan yang persis sama.

Asumsi biaya: harga reagen Rp 15.000/tes; biaya simpan 25%/tahun dari nilai stok; tiap tes yang tidak terlayani dirujuk dengan biaya dan kehilangan Rp 60.000; biaya administrasi tiap pesanan Rp 100.000; kemasan 100 tes. Ini simulasi ilustratif, bukan data RS.

Efektivitas dan efisiensi

Penerapan di dunia usaha

Forecasting untuk harga: elastisitas

Perbandingan menyeluruh

Aplikasi untuk pemodelan

Mulailah dari yang sudah dikuasai. Excel cukup untuk sebagian besar kebutuhan instalasi. Naik ke SPSS atau JASP untuk regresi yang lebih lengkap, lalu ke R atau Python bila itemnya banyak atau perlu Croston dan ARIMA otomatis.

Resep cepat Excel

Excel berbahasa Indonesia memakai titik koma (;) sebagai pemisah argumen. Excel berbahasa Inggris memakai koma (,).

Resep cepat SPSS

Contoh skrip R

library(forecast)
y <- ts(c(120,135,128,150,160,155,170,182,175,190,198,205,
          210,222,215,240,250,245,262,270,268,285,290,300),
        frequency = 12, start = c(2024, 1))
fit_ets   <- ets(y)          # SES/Holt/Holt-Winters dipilih otomatis
fit_arima <- auto.arima(y)   # ARIMA otomatis
fc <- forecast(fit_ets, h = 6)
plot(fc); accuracy(fit_ets)
croston(c(0,2,0,0,3,0,1,0,0,4,0,2), h = 3)   # tes jarang
summary(lm(tes ~ pasien, data = df))           # regresi

Contoh skrip Python

import pandas as pd
from statsmodels.tsa.holtwinters import ExponentialSmoothing
import statsmodels.formula.api as smf

y = pd.Series([...], index=pd.date_range("2024-01", periods=24, freq="MS"))
hw = ExponentialSmoothing(y, trend="add", seasonal="add",
                          seasonal_periods=12).fit()
print(hw.forecast(6))

model = smf.ols("tes ~ pasien + hari_kerja", data=df).fit()
print(model.summary())   # koefisien, R², p-value, Durbin-Watson

Jalur belajar yang disarankan

Contoh kasus soal

Kerjakan dulu, lalu ketuk soal untuk membuka pembahasan.

Glosarium

Singkatan dan istilah yang dipakai di aplikasi ini.

Sumber ilmiah

1. Makridakis S, Spiliotis E, Assimakopoulos V. The M4 Competition: results, findings, conclusion and way forward. Int J Forecasting. 2018;34(4):802–808. Tautan
2. Guan L, Tian X, Gombar S, dkk. Big data modeling to predict platelet usage and minimize wastage in a tertiary care system. PNAS. 2017;114(43):11368–11373. Tautan
3. Syntetos AA, Boylan JE, Croston JD. On the categorization of demand patterns. J Oper Res Soc. 2005;56(5):495–503. Tautan
4. Syntetos AA, Boylan JE. The accuracy of intermittent demand estimates. Int J Forecasting. 2005;21:303–314.
5. Croston JD. Forecasting and stock control for intermittent demands. Oper Res Q. 1972;23(3):289–303.
6. Hyndman RJ, Koehler AB. Another look at measures of forecast accuracy. Int J Forecasting. 2006;22(4):679–688.
7. Lewis CD. Industrial and Business Forecasting Methods. London: Butterworths; 1982.
8. Hyndman RJ, Athanasopoulos G. Forecasting: Principles and Practice, ed. 3. OTexts. Tautan