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

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

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.ac.biaya produksi dan harga – Sambutan pasar meningkat.uns. permintaan konsumsi energi. dan penggunaan bahan mentah. • Teknik yang bisa digunakan: – Moving average – Holt’ linear exponential smoothing – Simple regression – Growth curve – Exponential 3 inflasi . 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. Dengan kata lain runtun waktu dikatakan mempunyai Trend jika nilai rata-ratanya menggantikan waktu tambahan. • 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.id – Simple averaging – Moving average – Autoregressive moving average (ARMA) 2. – Daya beli dolar yang mempengaruhi perekonomian Contoh: gaji.Didownload dari ririez.blog. jadi Trend digunakan untuk meningkatkan atau menurunkan selama periode yang mana peramalan diinginkan.

Fluktuasi seperti gelombang ke atas – ke bawah disekitar Trend jarang terulang di interval waktu yang tetap dan besarnya fluktuasi juga terjaga untuk berubah-ubah. 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. Metode dekomposisi dapat diperluas untuk menganalisis data siklis. 3 hari liburan. analisa komponen siklis dari rangkaian sering memerlukan penemuan kejadian yang kebetulan atau kepemimpinan indikator ekonomi.ac. • 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). Pola siklis sulit untuk model karena pola mereka secara tipikal tidak stabil / tetap. Indeks ini kemudian digunakan untuk memasukkan peramalan secara musiman atau menghilangkan efek dari nilai yang diobservasi. pakaian.id – Autoregressive integrated moving average 3. musim tanam.Didownload dari ririez.uns.blog. 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. Teknik peramalan untuk data Musiman Rangkaian musiman sebagai runtun waktu dengan pola pergantian yang mengulang tahun sebelumnya. Akan tetapi. dan kalender sekolah. 4 . Proses terakhir diarahkan sebagai pengaturan data musiman. – Kalender tahunan (hari libur. • Teknik yang bisa digunakan: – Clasical decomposition – Census X-12 – Winter’s exponential smoothing – Multiple regression – Autoregressive integrated moving average 4. karena putaran kelakuan yang tidak teratur.

mode. 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 .ac.uns. dll – Terjadinya perubahan dalam penduduk.blog. Contoh : perang.id • Teknik peramalan untuk data siklis digunakan jika – Putaran bisnis mempengaruhi variabel minat Contoh : ekonomi. pasar dan faktor persaingan. – Adanya pergantian selera.Didownload dari ririez. kelaparan.

S. L=panjang.S S S S S S S S S I I S I.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.ac.uns.Didownload dari ririez.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.T.C C T.L S S I. B.T. S=Musiman.S S T ST. Jangka waktu: S=singkat(kurang dari 3 bulan).S ST ST ST T T S S T C. PENGUKURAN TEKNIK PERAMALAN 6 . T=Trend. C=Siklis. I=menengah.blog.

Persamaan di bawah ini digunakan untuk menghitung error atau sisa untuk tiap periode peramalan. Notasi matematika juga harus dikembangkan untuk membedakan antara sebuah nilai nyata dari runtun waktu dan nilai ramalan.uns.id Sebuah notasi matematika dikembangkan untuk menunjukkan periode waktu yang lebih spesifik karena metode kuantitatif peramalan sering kali memperlihatkan data runtun waktu. Periode waktu bergabung dengan observasi yang ditunjukkan sebagai tanda.ac. Ketepatan dari teknik peramalan sering kali dinilai dengan membandingkan deret asli Y1 .K ^ ^ dengan deret nilai ramalan Y 1 . akan diletakkan di atas sebuah nilai untuk ^ mengindikasi bahwa hal tersebut sedang diramal. Oleh karena itu. Perbedaan antara nilai observasi dan nilai ramalan ini sering dimaksud sebagai residual.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.Y2. Y 2 . Huruf Y akan digunakan untuk menotasikan sebuah variabel runtun waktu meskipun ada lebih dari satu variabel yang ditunjukkan. ^ 7 . Yt menunjukkan nilai dari runtun waktu pada periode waktu t.blog. 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. ..Didownload dari ririez.. Nilai ramalan untuk Yt adalah Y t .

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

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

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

074 0.046 -0.000 0.113 0.000 0. Metode sederhana ini akan dibahas pada bab 4. 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 0.100 0.Didownload dari ririez.100 -0.032 0.100 0.113 0.162 11 .556 -0. MAPE .091 0.id sebagai peramalan untuk periode tertentu. dan MPE.074 0.032 0.ac.046 0.100 0.091 0.uns. Beberapa perhitungan untuk mengevaluasi model ini dengan menggunakan MAD.blog. MSE.

Akhirnya MPE yang kecil 2.556 = 0.Didownload dari ririez. 12 .9% dibandingkan dengan MSE dan MAPE metode lain yang digunakan untuk meramal data itu.0695 8 ^    Yt − Y t  n 1  = 0.blog.3 pelanggan.ac.id ^ 1 n 34 Yt − Y t = = 3.162 0.4 ∑ n i =1 8 2 MAD = ^ 1 n  188  MSE = ∑  Yt − Y t  = n i =1  8 = 23.uns. MSE 23.5  MAPE = 1 ∑ n i =1 n Yt − Y t Y ^ = 0.0203 MPE = ∑  n i =1 Yt 8 MAD menunjukkan bahwa setiap peramalan diturunkan oleh rata-rata dari 4.5 dan MAPE 6.03 % menunjukkan bahwa model itu tak bias karena nilainya mendekati nol.

Autoregressive moving average (ARMA).ac. Econometrics model. 2. Simple averaging. Growth curve. Beberapa teknik yang dapat digunakan : • Teknik yang dapat digunakan untuk data stasioner adalah Naïve. Census X-12. Simple regression. Holt’ linear exponential smoothing. Mean Percentage Error 13 . Exponential. Winter’s exponential smoothing. • Teknik yang dapat digunakan untuk data Musiman adalah Clasical decomposition. Autoregressive integrated moving average. Moving average. Autoregressive integrated moving average. Multiple regression. Economic indicator. 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.uns. • Teknik yang dapat digunakan untuk data Siklis adalah Clasical decompotition.blog. Multiple regression.id BAB III PENUTUP Kesimpulan : 1. 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. • Teknik yang dapat digunakan untuk data Trend adalah Moving average. ARIMA.Didownload dari ririez.

DAFTAR PUSTAKA 14 . MSE. MSE.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. Oleh karena itu. MSE. Membantu mencari sebuah model ooptimal. 3. MAPE. 4.blog. MPE maka semakin kecil nilai kesalahannya. MPE yang paling kecil. Jika peramalan mendekati tak bias.uns. MPE akan menghasilkan angka yang mendekati nol. dalam menetapkan model yang akan digunakan dalam peramalan. MAD. Semakin kecil nilai-nilai MAPE. MPE adlah sebagai berikut: Membandingkan ketepatan dari dua atau lebih metode yang berbeda.Didownload dari ririez. pilihlah model dengan nilai MAPE. MAD. Fungsi MAD.ac. MAPE.

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

Sign up to vote on this title
UsefulNot useful