You are on page 1of 15

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
Didownload dari ririez.blog.uns.ac.id

BAB II
PEMBAHASAN

A. Teknik-teknik Peramalan
Faktor utama yang mempengaruhi pemilihan teknik peramalan adalah identifikasi dan
mengetahui pola dari data. Beberapa teknik peramalan yang dapat digunakan:
1. Teknik peramalan untuk data stasioner
Data stasioner dapat didefinisikan dengan cepat seperti sesuatu yang nilai rata-ratanya
tidak dapat diubah sewaktu-waktu. Seperti situasi yang berkembang ketika ada
peningkatan pola data yang mempengaruhinya maka teknik ini akan relatif stabil.
• Teknik peramalan stasioner digunakan jika
– Data stabil, lingkungan yg berpengaruh relatif tetap
Misalnya angka kerusakan perminggu pada pemasangan bagian-bagian
perakitan mesin memiliki rata- rata produksi yang sama, kumpulan penjualan
produk atau layanan dalam pekembangan proses kehidupan dan jumlah hasil
penjualan dari tingkat usaha yang konstan.
– Butuh model yang sangat sederhana karena keterbatasan data, 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.
– Adanya transformasi data sehingga menjadi stabil
Contoh: mentransformasi rangkaian dengan menggunakan logaritma, akar
kuadrat atau pembedaan.
– Data adalah himpunan eror dari teknik peramalan yang dianggap cukup baik
(memadai)
• Teknik yang bisa digunakan
– Naïve

2
Didownload dari ririez.blog.uns.ac.id

– Simple averaging
– Moving average
– Autoregressive moving average (ARMA)
2. 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. 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.
• 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, 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, permintaan konsumsi
energi, dan penggunaan bahan mentah.
– Daya beli dolar yang mempengaruhi perekonomian  inflasi
Contoh: gaji,biaya produksi dan harga
– Sambutan pasar meningkat.
Contoh: periode pertumbuhan dalam putaran produk baru.
• Teknik yang bisa digunakan:
– Moving average
– Holt’ linear exponential smoothing
– Simple regression
– Growth curve
– Exponential

3
Didownload dari ririez.blog.uns.ac.id

– Autoregressive integrated moving average


3. Teknik peramalan untuk data Musiman
Rangkaian musiman sebagai runtun waktu dengan pola pergantian yang mengulang tahun
sebelumnya. 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. Indeks ini kemudian
digunakan untuk memasukkan peramalan secara musiman atau menghilangkan efek dari
nilai yang diobservasi. Proses terakhir diarahkan sebagai pengaturan data musiman.
• Teknik peramalan untuk data musiman digunakan jika
– Musim mempengaruhi variabel minat
Contoh: konsumsi yang berhubungan dengan listrik, kegiatan musim panas
dan musim dingin (seperti olaharaga: ski), pakaian, musim tanam.
– Kalender tahunan (hari libur, hari besar) mempengaruhi variabel minat
Contoh: penjualan tiket masuk obyek wisata dipengaruhi musim libur, 3 hari
liburan, dan kalender sekolah.
• Teknik yang bisa digunakan:
– Clasical decomposition
– Census X-12
– Winter’s exponential smoothing
– Multiple regression
– Autoregressive integrated moving average

4. Teknik peramalan untuk data Siklis


Efek siklis diberikan lebih awal sebagai fluktuasi seperti gelombang disekitar Trend. Pola
siklis sulit untuk model karena pola mereka secara tipikal tidak stabil / tetap. Fluktuasi
seperti gelombang ke atas – ke bawah disekitar Trend jarang terulang di interval waktu
yang tetap dan besarnya fluktuasi juga terjaga untuk berubah-ubah. Metode dekomposisi
dapat diperluas untuk menganalisis data siklis. Akan tetapi, karena putaran kelakuan yang
tidak teratur, analisa komponen siklis dari rangkaian sering memerlukan penemuan
kejadian yang kebetulan atau kepemimpinan indikator ekonomi.

4
Didownload dari ririez.blog.uns.ac.id

• Teknik peramalan untuk data siklis digunakan jika


– Putaran bisnis mempengaruhi variabel minat
Contoh : ekonomi, pasar dan faktor persaingan.
– Adanya pergantian selera,mode, dll
– Terjadinya perubahan dalam penduduk.
Contoh : perang, kelaparan, 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 Tipe Min data yang

5
Didownload dari ririez.blog.uns.ac.id

data wkt model digunakan

nonmusim musim

Naïve ST,T,S S TS 1

Simple averages ST S TS 30

Moving averages ST S TS 4-20

Eksponensial smoothing ST S TS 2

Linear eksp smoothing T S TS 3

Quadratic eksp smoothing T S TS 4

Seasonal eksp smoothing S S TS 2XS

Census X-12 S S TS 6XS

Simple regression T I C 10

Multiple regression C,S I C 10 X V

Classical decompotition S S TS 5XS

Eksponential trend model T I,L TS 10

Box jenkins ST,T,S,C S TS 24 3XS

Econometric model C S C 30

Time series multiple T,S I,L C 6XS


regress

Keterangan:
Pola data: ST=Stasioner; T=Trend; S=Musiman; C=Siklis.
Jangka waktu: S=singkat(kurang dari 3 bulan); I=menengah; L=panjang.

B. PENGUKURAN TEKNIK PERAMALAN

6
Didownload dari ririez.blog.uns.ac.id

Sebuah notasi matematika dikembangkan untuk menunjukkan periode waktu yang lebih
spesifik karena metode kuantitatif peramalan sering kali memperlihatkan data runtun waktu.
Huruf Y akan digunakan untuk menotasikan sebuah variabel runtun waktu meskipun ada
lebih dari satu variabel yang ditunjukkan. Periode waktu bergabung dengan observasi yang
ditunjukkan sebagai tanda. Oleh karena itu, Yt menunjukkan nilai dari runtun waktu pada
periode waktu t.

Notasi matematika juga harus dikembangkan untuk membedakan antara sebuah nilai
nyata dari runtun waktu dan nilai ramalan. .... akan diletakkan di atas sebuah nilai untuk
^
mengindikasi bahwa hal tersebut sedang diramal. Nilai ramalan untuk Yt adalah Y t .

Ketepatan dari teknik peramalan sering kali dinilai dengan membandingkan deret asli Y1 ,Y2,K
^ ^
dengan deret nilai ramalan Y 1 , Y 2 ,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.

Beberapa metode lebih ditentukan untuk meringkas kesalahan (error) yang dihasilkan
oleh fakta (keterangan) pada teknik peramalan. Sebagian besar dari pengukuran ini
melibatkan rata-rata beberapa fungsi dari perbedaan antara nilai aktual dan nilai
peramalannya. Perbedaan antara nilai observasi dan nilai ramalan ini sering dimaksud
sebagai residual.

Persamaan di bawah ini digunakan untuk menghitung error atau sisa untuk tiap periode
peramalan.

7
Didownload dari ririez.blog.uns.ac.id

^
et = Yt − Yt

dimana

et = error ramalan pada periode waktu t.

Yt = nilai aktual pada periode waktu t.

^
Y t = nilai ramalan untuk periode waktu t

Satu metode untuk mengevaluasi metode peramalan menggunakan jumlah dari


kesalahan-kesalahan yang absolut. The Mean Absolute Deviation (MAD) mengukur
ketepatan ramalan dengan merata-rata kesalahan dugaan (nilai absolut masing-masing
kesalahan). MAD paling berguna ketika orang yang menganalisa ingin mengukur
kesalahan ramalan dalam unit yang sama sebagai deret asli.

1 n ^
MAD = ∑ t t
n i =1
Y − Y

The Mean Squared Error (MSE) adalah metode lain untuk mengevaluasi metode
peramalan. Masing-masing kesalahan atau sisa dikuadratkan. Kemudian dijumlahkan dan
ditambahkan dengan jumlah observasi. Endekatan ini mengatur kesalahan peramalan yang
besar karena kesalahan-kesalahan itu dikuadratkan. Metode itu menghasilkan kesalahan-
kesalahan sedang yang kemungkinan lebih baik untuk kesalahan kecil, tetapi kadang
menghasilkan perbedaan yang besar. Tujuan optimalisasi statistik sering sekali untuk
memilih suatu model agar MSE minimum, tetapi ukuran ini punya dua kelemahan Pertama,
ukuran ini menunjukkan pencocokan suatu model terhadap data historis. Pencocokan
dengan menggunakan polinomi berorde tinggi atau suatu transformasi Fourier yang tepat.
Suatu model yang terlalu cocok dengan deret data yang berarti sama dengan memasukkan
unsur random sebagai bagian proses bangkitan. Hal ini sama buruknya dengan tidak
berhasilnya mengenali pola non random, dalam data. Perbandingan nilai MSE yang terjadi

8
Didownload dari ririez.blog.uns.ac.id

salama flase pencocokan peramalan mungkin memberikan sedikit indikasi ketepatan model
dalam peramalan.

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, metode dekomposisi
memasukkan unsur trend siklis dalam tahap pencocokannya seakan-akan unsur diketahui.
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. Jadi, pembandingan metode atas suatu kriteria tumggal, yaitu MSE
yamg mempunyainilai terbatas. Dalam fase peramalan, penggunaan MSE sebagai suatu
ukuran ketepatan juga dapat menimbulkan masalh. Ukuran ini tidak dapat memudahkan
perbandinganantar deret berkala yang berbeda dan untuk selang wsktu yang berlainan
karena MSE merupakan absolut. Selain itu, interpretasinya tidak bersifat intuitif bahkan
untuk para spesialis sekalipun, karena ukuran ini menyangkut pengkuadratan sederetan
nilai. Berikut ini rumus untuk menghitung MSE.

2
1 n  ^

MSE = ∑  Yt − Y t 
n i =1  

Ada kalanya persamaan ini sangat berguna untuk menghitung kesalahan-kesalahan


peramalan dalam bentuk presentase. The Mean Absolute Percentage Error (MAPE)
dihitung dengan menggunakan kesalahan absolut pada tiap periode dibagi dengan nilai
observasi yang nyata untuk periode itu. Kemudian, merata-rata kesalahan persentase
absolut tersebut. Pendekatan ini berguna ketika ukuran atau besar variabel ramalan itu
penting dalam mengevaluasi ketepatan ramalan. MAPE mengindikasi seberapa besar
kesalahan dalam meramal yang dibandingkan dengan nilai nyata pada deret. Metode
MAPE digunakan jika nilai Yt . 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. MAPE dapat dihitung dengan rumus sebagai berikut:

9
Didownload dari ririez.blog.uns.ac.id

^
Yt − Y t
1 n
MAPE = ∑
n i =1 Yt

Ada kalanya perlu untuk menentukan metode peramalan mana yang bias (peramalan
tinggi atau rendah). The Mean Percentage Error (MPE) digunakan dalam kasus ini.
MPE dihitung dengan mencari kesalahan pada tiap periode dibagi dengan nilai nyata untuk
periode itu. Kemudian, merata-rata kesalahan persentase in. Jika peramalan mendekati tak
bias, MPE akan menghasilkan angka yang mendekati nol, Jika hasilnya mempunyai
persentase negatif ysng besar, metode peramalannya dapat dihitung. Jika hasilnya
mempunyai persentase positif yang besar, metode peramalnnya tidak dapat dihitung. Mpe
dapat dihitung dengan rumus sebagai berikut:

 ^

 Y − Y t 
1 n  t 
MPE = ∑
n i =1 Yt

Metode khusus yang digunakan dalam peramalan meliputi perbandingan metode mana
yang akan menghasilkan kesalahan-kesalahan ramalan yang cukup kesil. Metode ini baik
untuk memprediksi metode peramalan sehingga menghasilkan kesalahan ramalan yang
relatif kecil dalam dasar konsisten.

Fungsi keempat ukuran ketepatan peramalan adalah sebagai berikut:

a) Membandingkan ketepatan dari dua arah atau lebih metode yang berbeda.
b) Sebagai alat ukur apakah teknik yang diambildapat dipercaya atau tidak.
c) Membantu mencari sebuah metode yang optimal

Berikut ini contoh yang menggambarkan bagaimana cara menghitung ukuran kesalahan.
Tabel di bawah ini menunjukkan data jumlah pelanggan harian yang mensyaratkan perbaikan
^
kerja, Yt , dan sebuah ramalan data tersebut, Y t , untuk Cary’s Chevron station. Metode
peramalan yang digunakan pada sejumlah pelanggan yang dilayani pada periode sebelumnya

10
Didownload dari ririez.blog.uns.ac.id

sebagai peramalan untuk periode tertentu. Metode sederhana ini akan dibahas pada bab 4.
Beberapa perhitungan untuk mengevaluasi model ini dengan menggunakan MAD, MSE,
MAPE , dan MPE.

Computations for Forcasting Evaluation Methods

Waktu Pelanggan Ramalan Kesalahan et et


2
et et
^
Yt Yt
t Yt ^
et
Yt

1 58 - - - - - -

2 54 58 -4 4 16 0,074 -0,074

3 60 54 6 6 36 0,100 0,100

4 55 60 -5 5 25 0,091 -0,091

5 62 55 7 7 49 0,113 0,113

6 62 62 0 0 0 0,000 0,000

7 65 62 3 3 9 0,046 0,046

8 63 65 -2 2 4 0,032 -0,032

9 70 63 7 7 49 0,100 0,100

total 12 34 188 0,556 0,162

11
Didownload dari ririez.blog.uns.ac.id

1 n ^ 34
MAD = ∑
n i =1
Yt − Y t =
8
= 3,4
2
1 n  ^
 188
MSE = ∑  Yt − Y t  =
n i =1   8 = 23,5
^

n
Yt − Y t
1 0,556
MAPE = ∑
n i =1 Y
=
8
= 0,0695

 ^

n  Yt − Y t 

MPE = ∑   = 0,162 0,0203


1
n i =1 Yt 8

MAD menunjukkan bahwa setiap peramalan diturunkan oleh rata-rata dari 4,3 pelanggan. MSE
23,5 dan MAPE 6,9% dibandingkan dengan MSE dan MAPE metode lain yang digunakan untuk
meramal data itu. Akhirnya MPE yang kecil 2,03 % menunjukkan bahwa model itu tak bias
karena nilainya mendekati nol.

12
Didownload dari ririez.blog.uns.ac.id

BAB III
PENUTUP

Kesimpulan :
1. Beberapa teknik yang dapat digunakan :
• Teknik yang dapat digunakan untuk data stasioner adalah Naïve, Simple averaging,
Moving average, Autoregressive moving average (ARMA).
• Teknik yang dapat digunakan untuk data Trend adalah Moving average, Holt’ linear
exponential smoothing, Simple regression, Growth curve, Exponential, Autoregressive
integrated moving average.
• Teknik yang dapat digunakan untuk data Musiman adalah Clasical decomposition,
Census X-12, Winter’s exponential smoothing, Multiple regression, Autoregressive
integrated moving average.
• Teknik yang dapat digunakan untuk data Siklis adalah Clasical decompotition, Economic
indicator, Econometrics model, Multiple regression, ARIMA.
2. 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.

b) Mean Squared Error (MSE)


MSE digunakan untuk mengukur ketepatan nilai dugaan model yang dinyatakan dalam rata-
rata 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. Mean Percentage Error


13
Didownload dari ririez.blog.uns.ac.id

MPE digunakan untuk menentukan metode peramalan mana yang bias (peramalan tinggi
atau rendah). Jika peramalan mendekati tak bias, MPE akan menghasilkan angka yang
mendekati nol.

3. Semakin kecil nilai-nilai MAPE, MAD, MSE, MPE maka semakin kecil nilai kesalahannya.
Oleh karena itu, dalam menetapkan model yang akan digunakan dalam peramalan, pilihlah
model dengan nilai MAPE, MAD, MSE, MPE yang paling kecil.
4. Fungsi MAD, MAPE, MSE, MAPE, MPE adlah sebagai berikut:
 Membandingkan ketepatan dari dua atau lebih metode yang berbeda.
 Sebagai alat ukur apakah teknik yang diambil dapat dipercaya atau tidak.
 Membantu mencari sebuah model ooptimal.

DAFTAR PUSTAKA
14
Didownload dari ririez.blog.uns.ac.id

Hanke, John E.1992. Business Forecasting.Edisi ke-8. New Jersey: Pearson Education
International.

Andriyanto, Untung. Sus, dan Basith, Abdul. Metode dan Peramalan Aplikasi, Edisi Kedua,
Jakarta : Erlangga.

http://junaidichaniago.wordpress.com. 4 Agustus 2010.

15

You might also like