Didownload dari ririez.blog.uns.ac.

id

BAB I PENDAHULUAN
A. Latar Belakang Masalah Peramalan (forecasting) merupakan bagian vital bagi setiap organisasi bisnis dan untuk setiap pengambilan keputusan manajemen yang sangat signifikan. Peramalan menjadi dasar bagi perencanaan jangka panjang perusahaan. Dalam area fungsional keuangan, peramalan memberikan dasar dalam menentukan anggaran dan pengendalian biaya. Pada bagian pemasaran, peramalan penjualan dibutuhkan untuk merencanakan produk baru, kompensasi tenaga penjual, dan beberapa keputusan penting lainnya. Selanjutnya, pada bagian produksi dan operasi menggunakan data-data peramalan untuk perencanaan kapasitas, fasilitas, produksi, penjadwalan, dan pengendalian persedian (inventory control). Untuk menetapkan kebijakan ekonomi seperti tingkat pertumbuhan ekonomi, tingkat pengangguran, tingkat inflasi, dan lain sebagainya dapat pula dilakukan dengan teknik metode peramalan dan pengukuran kesalahan peramalan.

B. Perumusan Masalah Dari uraian yang telah diberikan dalam latar belakang masalah, dapat dirumuskan permasalahan dalam memilih teknik peramalan dan pengukuran kesalahan peramalan untuk data tertentu.

C. Tujuan Penulisan Permasalahan yang akan dibahas dalam penulisan ini berdasarkan pada pemilihan teknik peramalan dan pengukuran kesalahan peramalan.

D. Manfaat Penulisan Untuk mengetahui teknik-teknik dan pengukuran kesalahan peramalan apa saja yang dapat dilakukan untuk melakukan peramalan pada suatu data.

1

– Adanya transformasi data sehingga menjadi stabil Contoh: mentransformasi rangkaian dengan menggunakan logaritma. • Teknik peramalan stasioner digunakan jika – Data stabil. lingkungan yg berpengaruh relatif tetap Misalnya angka kerusakan perminggu pada pemasangan bagian-bagian perakitan mesin memiliki rata. – Data adalah himpunan eror dari teknik peramalan yang dianggap cukup baik (memadai) • Teknik yang bisa digunakan – Naïve 2 . kumpulan penjualan produk atau layanan dalam pekembangan proses kehidupan dan jumlah hasil penjualan dari tingkat usaha yang konstan. atau memudahkan dalam penjelasan dan pelaksanaan Contoh: ketika bisnis atau organisasi itu baru dan hanya sedikit data historis yang tersedia – Adanya asumsi tertentu sehingga data menjadi lebih stabil Contoh: mengganti pendapatan ke pendapatan perkapita atau mengganti penjualan dolar ke jumlah dolar konstan.Didownload dari ririez. Teknik peramalan untuk data stasioner Data stasioner dapat didefinisikan dengan cepat seperti sesuatu yang nilai rata-ratanya tidak dapat diubah sewaktu-waktu.ac.id BAB II PEMBAHASAN A.uns. Beberapa teknik peramalan yang dapat digunakan: 1.blog.rata produksi yang sama. – Butuh model yang sangat sederhana karena keterbatasan data. akar kuadrat atau pembedaan. Teknik-teknik Peramalan Faktor utama yang mempengaruhi pemilihan teknik peramalan adalah identifikasi dan mengetahui pola dari data. Seperti situasi yang berkembang ketika ada peningkatan pola data yang mempengaruhinya maka teknik ini akan relatif stabil.

• Teknik yang bisa digunakan: – Moving average – Holt’ linear exponential smoothing – Simple regression – Growth curve – Exponential 3 inflasi .blog. Dengan kata lain runtun waktu dikatakan mempunyai Trend jika nilai rata-ratanya menggantikan waktu tambahan. jadi Trend digunakan untuk meningkatkan atau menurunkan selama periode yang mana peramalan diinginkan. Contoh: periode pertumbuhan dalam putaran produk baru. Teknik peramalan untuk data Trend Rangkaian Trend diberikan lebih awal sebagai runtun waktu yang mengandung komponen bentuk panjang yang menggambarkan pertumbuhan atau kemerosotan dalam rangkaian diatas periode perpanjangan waktu.uns.Didownload dari ririez.ac.biaya produksi dan harga – Sambutan pasar meningkat.id – Simple averaging – Moving average – Autoregressive moving average (ARMA) 2. – Daya beli dolar yang mempengaruhi perekonomian Contoh: gaji. dan penggunaan bahan mentah. permintaan konsumsi energi. yang meningkat dengan adanya komputer dan pemakaian jalan kereta api yang menurun karena adanya pesawat terbang – Pertambahan jumlah penduduk yang mendorong pada permintaan barang dan jasa Contoh: pajak penjualan barang-barang konsumsi. • Teknik peramalan untuk data trend digunakan jika – Daya produksi yang meningkat atau kemajuan teknologi yang mendorong perubahan gaya hidup (misal:permintaan barang elektronik) Contoh: permintaan komponen elektronik.

Teknik peramalan untuk data Siklis Efek siklis diberikan lebih awal sebagai fluktuasi seperti gelombang disekitar Trend. hari besar) mempengaruhi variabel minat Contoh: penjualan tiket masuk obyek wisata dipengaruhi musim libur. Indeks ini kemudian digunakan untuk memasukkan peramalan secara musiman atau menghilangkan efek dari nilai yang diobservasi. Pola siklis sulit untuk model karena pola mereka secara tipikal tidak stabil / tetap. Metode dekomposisi dapat diperluas untuk menganalisis data siklis. dan kalender sekolah. karena putaran kelakuan yang tidak teratur. • Teknik peramalan untuk data musiman digunakan jika – Musim mempengaruhi variabel minat Contoh: konsumsi yang berhubungan dengan listrik.ac. Satu cara untuk membangun peramalan musiman yang melibatkan pemilihan salah satu dari metode dekomposisi perkalian atau pembagian dan kemudian mengestimasi indeks musiman dari sejarah / histori rangkaian.Didownload dari ririez. • Teknik yang bisa digunakan: – Clasical decomposition – Census X-12 – Winter’s exponential smoothing – Multiple regression – Autoregressive integrated moving average 4. analisa komponen siklis dari rangkaian sering memerlukan penemuan kejadian yang kebetulan atau kepemimpinan indikator ekonomi.blog.id – Autoregressive integrated moving average 3.uns. pakaian. 4 . 3 hari liburan. Proses terakhir diarahkan sebagai pengaturan data musiman. Fluktuasi seperti gelombang ke atas – ke bawah disekitar Trend jarang terulang di interval waktu yang tetap dan besarnya fluktuasi juga terjaga untuk berubah-ubah. – Kalender tahunan (hari libur. musim tanam. Akan tetapi. Teknik peramalan untuk data Musiman Rangkaian musiman sebagai runtun waktu dengan pola pergantian yang mengulang tahun sebelumnya. kegiatan musim panas dan musim dingin (seperti olaharaga: ski).

blog. wabah penyakit dan bencana alam • Teknik yang bisa digunakan – Clasical decompotition – Economic indicator – Econometrics model – Multiple regression – ARIMA Faktor lain yang perlu dipertimbangkan • • Jangka waktu mempengaruhi pemilihan teknik peramalan Perhatikan tabel berikut!!! Tabel pemilihan teknik peramalan Met ode Pola Jangka 5 Tipe Min data yang . kelaparan. dll – Terjadinya perubahan dalam penduduk.uns. Contoh : perang. – Adanya pergantian selera.ac. pasar dan faktor persaingan.Didownload dari ririez.id • Teknik peramalan untuk data siklis digunakan jika – Putaran bisnis mempengaruhi variabel minat Contoh : ekonomi.mode.

L=panjang.blog. I=menengah.id data wkt model digunakan nonmusim musim Naïve Simple averages Moving averages Eksponensial smoothing Linear eksp smoothing Quadratic eksp smoothing Seasonal eksp smoothing Census X-12 Simple regression Multiple regression Classical decompotition Eksponential trend model Box jenkins Econometric model Time series multiple regress Keterangan: ST.Didownload dari ririez.T. B. Jangka waktu: S=singkat(kurang dari 3 bulan). C=Siklis.S S S S S S S S S I I S I.C C T.S ST ST ST T T S S T C.uns.S S T ST.ac.S. S=Musiman. T=Trend.L TS TS TS TS TS TS TS TS C C TS TS TS C C 1 30 4-20 2 3 4 2XS 6XS 10 10 X V 5XS 10 24 30 6XS 3XS Pola data: ST=Stasioner. PENGUKURAN TEKNIK PERAMALAN 6 .T.L S S I.

^ 7 . Y 2 . Huruf Y akan digunakan untuk menotasikan sebuah variabel runtun waktu meskipun ada lebih dari satu variabel yang ditunjukkan.K NOTASI DASAR PERAMALAN Notasi peramalan dapat diringkas sebagau berikut: Yt = nilai data time series pada periode t ^ Y t = nilai ramalan dari Yt et = Yt − Yt = sisa atau kesalahan ramalan.uns. Yt menunjukkan nilai dari runtun waktu pada periode waktu t.. Ketepatan dari teknik peramalan sering kali dinilai dengan membandingkan deret asli Y1 .. . Sebagian besar dari pengukuran ini melibatkan rata-rata beberapa fungsi dari perbedaan antara nilai aktual dan nilai peramalannya. Periode waktu bergabung dengan observasi yang ditunjukkan sebagai tanda. Nilai ramalan untuk Yt adalah Y t .ac.K ^ ^ dengan deret nilai ramalan Y 1 .Y2.. Perbedaan antara nilai observasi dan nilai ramalan ini sering dimaksud sebagai residual. Notasi matematika juga harus dikembangkan untuk membedakan antara sebuah nilai nyata dari runtun waktu dan nilai ramalan. Oleh karena itu. akan diletakkan di atas sebuah nilai untuk ^ mengindikasi bahwa hal tersebut sedang diramal. Persamaan di bawah ini digunakan untuk menghitung error atau sisa untuk tiap periode peramalan.blog. Beberapa metode lebih ditentukan untuk meringkas kesalahan (error) yang dihasilkan oleh fakta (keterangan) pada teknik peramalan.Didownload dari ririez.id Sebuah notasi matematika dikembangkan untuk menunjukkan periode waktu yang lebih spesifik karena metode kuantitatif peramalan sering kali memperlihatkan data runtun waktu.

ac. Kemudian dijumlahkan dan ditambahkan dengan jumlah observasi. Hal ini sama buruknya dengan tidak berhasilnya mengenali pola non random. Yt = nilai aktual pada periode waktu t.Didownload dari ririez. MAD paling berguna ketika orang yang menganalisa ingin mengukur kesalahan ramalan dalam unit yang sama sebagai deret asli. Suatu model yang terlalu cocok dengan deret data yang berarti sama dengan memasukkan unsur random sebagai bagian proses bangkitan. Perbandingan nilai MSE yang terjadi 8 . ^ Y t = nilai ramalan untuk periode waktu t Satu metode untuk mengevaluasi metode peramalan menggunakan jumlah dari kesalahan-kesalahan yang absolut. Pencocokan dengan menggunakan polinomi berorde tinggi atau suatu transformasi Fourier yang tepat. The Mean Absolute Deviation (MAD) mengukur ketepatan ramalan dengan merata-rata kesalahan dugaan (nilai absolut masing-masing kesalahan). Metode itu menghasilkan kesalahankesalahan sedang yang kemungkinan lebih baik untuk kesalahan kecil.id et = Yt − Yt ^ dimana et = error ramalan pada periode waktu t. Tujuan optimalisasi statistik sering sekali untuk memilih suatu model agar MSE minimum.uns. tetapi ukuran ini punya dua kelemahan Pertama. ukuran ini menunjukkan pencocokan suatu model terhadap data historis. MAD = ^ 1 n Yt − Y t ∑ n i =1 The Mean Squared Error (MSE) adalah metode lain untuk mengevaluasi metode peramalan. Endekatan ini mengatur kesalahan peramalan yang besar karena kesalahan-kesalahan itu dikuadratkan. dalam data.blog. tetapi kadang menghasilkan perbedaan yang besar. Masing-masing kesalahan atau sisa dikuadratkan.

metode dekomposisi memasukkan unsur trend siklis dalam tahap pencocokannya seakan-akan unsur diketahui. Kekurangan kedua pada MSE sebagai ukuran ketepatan model adalah berhubungan dengan kenyataan bahwa metode yang berbeda akan menggunakan prosedur yang berbeda pula dalam fase pencocokan sebagai contoh. MAPE mengindikasi seberapa besar kesalahan dalam meramal yang dibandingkan dengan nilai nyata pada deret. Dalam fase peramalan. pembandingan metode atas suatu kriteria tumggal. Kemudian. merata-rata kesalahan persentase absolut tersebut. interpretasinya tidak bersifat intuitif bahkan untuk para spesialis sekalipun. MAPE dapat dihitung dengan rumus sebagai berikut: 9 . Selain itu.ac. Berikut ini rumus untuk menghitung MSE. Pendekatan ini berguna ketika ukuran atau besar variabel ramalan itu penting dalam mengevaluasi ketepatan ramalan. Ukuran ini tidak dapat memudahkan perbandinganantar deret berkala yang berbeda dan untuk selang wsktu yang berlainan karena MSE merupakan absolut. penggunaan MSE sebagai suatu ukuran ketepatan juga dapat menimbulkan masalh.Didownload dari ririez. MAPE juga dapat digunakan untuk membandingkan ketepatan dari metode yang sama atau berbeda dalam dua deret yang berbeda sekali dan mengukur ketepatan nilai dugaan model yang dinyatakan dalam bentuk rata-rata persentase absolut kesalahan. Jadi.uns. yaitu MSE yamg mempunyainilai terbatas. Metode regresi meminimumkan MSE dengan memberikan bobot yang sama pada semua nilai pengamatan dan metode Box-Jenkin meminimumkan MSE dari suatu prosedur optimasi non linear.blog. ^ 1 n   MSE = ∑  Yt − Y t  n i =1   2 Ada kalanya persamaan ini sangat berguna untuk menghitung kesalahan-kesalahan peramalan dalam bentuk presentase. Metode MAPE digunakan jika nilai Yt . The Mean Absolute Percentage Error (MAPE) dihitung dengan menggunakan kesalahan absolut pada tiap periode dibagi dengan nilai observasi yang nyata untuk periode itu. karena ukuran ini menyangkut pengkuadratan sederetan nilai.id salama flase pencocokan peramalan mungkin memberikan sedikit indikasi ketepatan model dalam peramalan.

Y t .ac. Kemudian. Jika peramalan mendekati tak bias.id MAPE = 1 n ∑ n i =1 Yt − Y t Yt ^ Ada kalanya perlu untuk menentukan metode peramalan mana yang bias (peramalan tinggi atau rendah). MPE akan menghasilkan angka yang mendekati nol. Fungsi keempat ukuran ketepatan peramalan adalah sebagai berikut: a) Membandingkan ketepatan dari dua arah atau lebih metode yang berbeda. c) Membantu mencari sebuah metode yang optimal Berikut ini contoh yang menggambarkan bagaimana cara menghitung ukuran kesalahan. b) Sebagai alat ukur apakah teknik yang diambildapat dipercaya atau tidak. Tabel di bawah ini menunjukkan data jumlah pelanggan harian yang mensyaratkan perbaikan ^ kerja.uns.Didownload dari ririez. Jika hasilnya mempunyai persentase negatif ysng besar. MPE dihitung dengan mencari kesalahan pada tiap periode dibagi dengan nilai nyata untuk periode itu. Yt .blog. Metode ini baik untuk memprediksi metode peramalan sehingga menghasilkan kesalahan ramalan yang relatif kecil dalam dasar konsisten. metode peramalannya dapat dihitung. Jika hasilnya mempunyai persentase positif yang besar. Metode peramalan yang digunakan pada sejumlah pelanggan yang dilayani pada periode sebelumnya 10 . untuk Cary’s Chevron station. Mpe dapat dihitung dengan rumus sebagai berikut: ^    Yt − Yt  1 n   MPE = ∑ n i =1 Yt Metode khusus yang digunakan dalam peramalan meliputi perbandingan metode mana yang akan menghasilkan kesalahan-kesalahan ramalan yang cukup kesil. The Mean Percentage Error (MPE) digunakan dalam kasus ini. metode peramalnnya tidak dapat dihitung. merata-rata kesalahan persentase in. dan sebuah ramalan data tersebut.

Didownload dari ririez.100 -0.032 0.162 11 . dan MPE. Beberapa perhitungan untuk mengevaluasi model ini dengan menggunakan MAD.074 0.uns.046 -0.blog.046 0.091 0.074 0.113 0.000 0.000 0.100 0.100 0. Computations for Forcasting Evaluation Methods Waktu t 1 2 3 4 5 6 7 8 9 Pelanggan Yt 58 54 60 55 62 62 65 63 70 Ramalan ^ Kesalahan et et et 2 et Yt et ^ Yt Yt 58 54 60 55 62 62 65 63 total -4 6 -5 7 0 3 -2 7 12 4 6 5 7 0 3 2 7 34 16 36 25 49 0 9 4 49 188 0. MSE.113 0.091 0.100 0.556 -0.032 0.ac. MAPE .id sebagai peramalan untuk periode tertentu. Metode sederhana ini akan dibahas pada bab 4.

9% dibandingkan dengan MSE dan MAPE metode lain yang digunakan untuk meramal data itu.0695 8 ^    Yt − Y t  n 1  = 0.5  MAPE = 1 ∑ n i =1 n Yt − Y t Y ^ = 0. MSE 23.3 pelanggan.5 dan MAPE 6.4 ∑ n i =1 8 2 MAD = ^ 1 n  188  MSE = ∑  Yt − Y t  = n i =1  8 = 23. Akhirnya MPE yang kecil 2.03 % menunjukkan bahwa model itu tak bias karena nilainya mendekati nol.0203 MPE = ∑  n i =1 Yt 8 MAD menunjukkan bahwa setiap peramalan diturunkan oleh rata-rata dari 4. 12 .blog.id ^ 1 n 34 Yt − Y t = = 3.uns.556 = 0.162 0.Didownload dari ririez.ac.

Census X-12.uns. Mean Percentage Error 13 . • Teknik yang dapat digunakan untuk data Trend adalah Moving average. Autoregressive integrated moving average. Simple averaging. Econometrics model. b) Mean Squared Error (MSE) MSE digunakan untuk mengukur ketepatan nilai dugaan model yang dinyatakan dalam ratarata kuadrat dari kesalahan c) Mean Absolute Percentage Error (MAPE) MAPE digunakan untuk mengukur ketepatan nilai dugaan model yang dinyatakan dalam bentuk rata-rata persentase absolute kesalahan d.Didownload dari ririez. Multiple regression.blog. • Teknik yang dapat digunakan untuk data Siklis adalah Clasical decompotition. Growth curve.ac. Beberapa teknik yang dapat digunakan : • Teknik yang dapat digunakan untuk data stasioner adalah Naïve. Winter’s exponential smoothing. Moving average. Multiple regression. ARIMA. Simple regression. Economic indicator. Ada empat ukuran peramalan sebagai berikut a) Mean Absolute Deviation (MAD) MAD digunakan untuk mengukur ketepatan nilai dugaan model yang dinyatakan dalam bentuk rata-rata absolute kesalahan. Exponential. • Teknik yang dapat digunakan untuk data Musiman adalah Clasical decomposition. Autoregressive integrated moving average.id BAB III PENUTUP Kesimpulan : 1. Holt’ linear exponential smoothing. 2. Autoregressive moving average (ARMA).

MPE yang paling kecil. Oleh karena itu. Membantu mencari sebuah model ooptimal. MPE maka semakin kecil nilai kesalahannya. MAPE. Semakin kecil nilai-nilai MAPE. Fungsi MAD. 4. dalam menetapkan model yang akan digunakan dalam peramalan. MAD.blog.id MPE digunakan untuk menentukan metode peramalan mana yang bias (peramalan tinggi atau rendah). Sebagai alat ukur apakah teknik yang diambil dapat dipercaya atau tidak. MPE adlah sebagai berikut: Membandingkan ketepatan dari dua atau lebih metode yang berbeda. MSE. DAFTAR PUSTAKA 14 . 3. pilihlah model dengan nilai MAPE.uns. MSE. MSE. MPE akan menghasilkan angka yang mendekati nol. MAPE. Jika peramalan mendekati tak bias.Didownload dari ririez.ac. MAD.

dan Basith.blog.id Hanke. Andriyanto. New Jersey: Pearson Education International. http://junaidichaniago. Sus.com.uns. 4 Agustus 2010.Didownload dari ririez.1992. Edisi Kedua.Edisi ke-8. Untung. Jakarta : Erlangga. John E. Abdul. Business Forecasting. Metode dan Peramalan Aplikasi.ac.wordpress. 15 .

Sign up to vote on this title
UsefulNot useful