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

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

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

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

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

Ketepatan dari teknik peramalan sering kali dinilai dengan membandingkan deret asli Y1 .. Persamaan di bawah ini digunakan untuk menghitung error atau sisa untuk tiap periode peramalan. . Y 2 . ^ 7 .Y2.uns. Oleh karena itu.ac.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. Perbedaan antara nilai observasi dan nilai ramalan ini sering dimaksud sebagai residual.Didownload dari ririez.. 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. Beberapa metode lebih ditentukan untuk meringkas kesalahan (error) yang dihasilkan oleh fakta (keterangan) pada teknik peramalan.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. Sebagian besar dari pengukuran ini melibatkan rata-rata beberapa fungsi dari perbedaan antara nilai aktual dan nilai peramalannya.blog.K ^ ^ dengan deret nilai ramalan Y 1 . Nilai ramalan untuk Yt adalah Y t . Huruf Y akan digunakan untuk menotasikan sebuah variabel runtun waktu meskipun ada lebih dari satu variabel yang ditunjukkan. akan diletakkan di atas sebuah nilai untuk ^ mengindikasi bahwa hal tersebut sedang diramal..

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

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 . Berikut ini rumus untuk menghitung MSE. MAPE mengindikasi seberapa besar kesalahan dalam meramal yang dibandingkan dengan nilai nyata pada deret. 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. Selain itu. penggunaan MSE sebagai suatu ukuran ketepatan juga dapat menimbulkan masalh. The Mean Absolute Percentage Error (MAPE) dihitung dengan menggunakan kesalahan absolut pada tiap periode dibagi dengan nilai observasi yang nyata untuk periode itu.id salama flase pencocokan peramalan mungkin memberikan sedikit indikasi ketepatan model dalam peramalan. Metode MAPE digunakan jika nilai Yt . Jadi.uns. merata-rata kesalahan persentase absolut tersebut. interpretasinya tidak bersifat intuitif bahkan untuk para spesialis sekalipun.blog. Kemudian. karena ukuran ini menyangkut pengkuadratan sederetan nilai. pembandingan metode atas suatu kriteria tumggal.ac. yaitu MSE yamg mempunyainilai terbatas. ^ 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 regresi meminimumkan MSE dengan memberikan bobot yang sama pada semua nilai pengamatan dan metode Box-Jenkin meminimumkan MSE dari suatu prosedur optimasi non linear.Didownload dari ririez. Dalam fase peramalan. metode dekomposisi memasukkan unsur trend siklis dalam tahap pencocokannya seakan-akan unsur diketahui. 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.

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

dan MPE.blog.100 0.113 0.091 0.162 11 .100 0. Metode sederhana ini akan dibahas pada bab 4.046 0.ac. MSE.046 -0.113 0. Beberapa perhitungan untuk mengevaluasi model ini dengan menggunakan MAD.091 0.Didownload dari ririez.032 0.100 0.000 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 0.000 0.100 -0. MAPE .074 0.id sebagai peramalan untuk periode tertentu.556 -0.032 0.074 0.uns.

ac.9% dibandingkan dengan MSE dan MAPE metode lain yang digunakan untuk meramal data itu.Didownload dari ririez.162 0. MSE 23.3 pelanggan.03 % menunjukkan bahwa model itu tak bias karena nilainya mendekati nol.556 = 0.0695 8 ^    Yt − Y t  n 1  = 0.5 dan MAPE 6.id ^ 1 n 34 Yt − Y t = = 3.blog.5  MAPE = 1 ∑ n i =1 n Yt − Y t Y ^ = 0.4 ∑ n i =1 8 2 MAD = ^ 1 n  188  MSE = ∑  Yt − Y t  = n i =1  8 = 23. Akhirnya MPE yang kecil 2. 12 .uns.0203 MPE = ∑  n i =1 Yt 8 MAD menunjukkan bahwa setiap peramalan diturunkan oleh rata-rata dari 4.

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

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

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

Sign up to vote on this title
UsefulNot useful