P. 1
Peramalan

Peramalan

|Views: 318|Likes:

More info:

Published by: Teuku Mahendri Hara Ash-shiddiq on Jun 14, 2012
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOC, PDF, TXT or read online from Scribd
See more
See less

05/16/2015

pdf

text

original

5

5.1

Peramalan
“Tak melakukan apa-apa merupakan kekuatan setiap orang”. (Samuel Johnson)

Pengertian Peramalan

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 datadata 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 metode peramalan. Peramalan adalah penggunaan data masa lalu dari sebuah variabel atau kumpulan variabel untuk mengestimasi nilainya di masa yang akan datang. Asumsi dasar dalam penerapan teknik-teknik peramalan adalah:“If we can predict what the future will be like we can modify our behaviour now to be in a better position, than we otherwise would have been, when the future arrives.” Artinya, jika kita dapat memprediksi apa yang terjadi di masa depan maka kita dapat mengubah kebiasaan kita saat ini menjadi lebih baik dan akan jauh lebih berbeda di masa yang akan datang. Hal ini disebabkan kinerja di masa lalu akan terus berulang setidaknya dalam masa mendatang yang relatif dekat.

5.2

Metode Peramalan

Salah satu cara untuk mengklasifikasikan permasalahan pada peramalan adalah mempertimbangkan skala waktu peramalannya yaitu seberapa jauh rentang waktu data yang ada untuk diramalkan. Terdapat tiga kategori waktu yaitu jangka pendek (minggu → bulan), menengah (bulan → tahun), dan jangka panjang (tahun → dekade). Tabel berikut ini menunjukkan tipe-tipe keputusan berdasarkan jangka waktu peramalannya.

41

Peramalan

42

Tabel 5.1 Rentang Waktu dalam Peramalan Rentang Waktu Jangka Pendek ( 3 – 6 bulan) Jangka Menengah ( 2 tahun) Jangka Panjang (Lebih dari 2 tahun) Tipe Keputusan Operasional Taktis Strategis Contoh Perencanaan Produksi, Distribusi Penyewaan Lokasi dan Peralatan Penelitian dan Pengembangan untuk akuisisi dan merger Atau pembuatan produk baru

Selain rentang waktu yang ada dalam proses peramalan, terdapat juga teknik atau metode yang digunakan dalam peramalan. Metode peramalan dapat diklasifikasikan dalam dua kategori, yaitu:
1.

Metode Kualitatif

Metode ini digunakan dimana tidak ada model matematik, biasanya dikarenakan data yang ada tidak cukup representatif untuk meramalkan masa yang akan datang (long term forecasting). Peramalan kualitatif menggunakan pertimbangan pendapat-pendapat para pakar yang ahli atau experd di bidangnya. Adapun kelebihan dari metode ini adalah biaya yang dikeluarkan sangat murah (tanpa data) dan cepat diperoleh. Sementara kekurangannya yaitu bersifat subyektif sehingga seringkali dikatakan kurang ilmiah. Salah satu pendekatan peramalan dalam metode ini adalah Teknik Delphi, dimana menggabungkan dan merata-ratakan pendapat para pakar dalam suatu forum yang dibentuk untuk memberikan estimasi suatu hasil permasalahan di masa yang akan datang. Misalnya: berapa estimasi pelanggan yang dapat diperoleh dengan realisasi teknologi 3G. 2. Metode Kuantitatif Penggunaan metode ini didasari ketersediaan data mentah disertai serangkaian kaidah matematis untuk meramalkan hasil di masa depan. Terdapat beberapa macam model peramalan yang tergolong metode kualitiatif, yaitu: a) Model-model Regresi Perluasan dari metode Regresi Linier dimalan meramalkan suatu variabel yang memiliki hubungan secra linier dengan variabel bebas yang diketahui atau diandalkan. b) Model Ekonometrik Menggunakan serangkaian persamaan-persamaan regresi dimana terdapat variabel-variabel tidak bebas yang menstimulasi segmen-segmen ekonomi seperti harga dan lainnya.

Murahartawaty, S.T. Sekolah Tinggi Teknologi Telkom

4.T. S.Peramalan 43 Model Time Series Analysis (Deret Waktu) Memasang suatu garis trend yang representatif dengan data-data masa lalu (historis) berdasarkan kecenderungan datanya dan memproyeksikan data tersebut ke masa yang akan datang. 3. Hitung kesalahan ramalan (forecast error) Keakuratan suatu model peramalan bergantung pada seberapa dekat nilai hasil peramalan terhadap nilai data yang sebenarnya. Definisikan Tujuan Peramalan Misalnya peramalan dapat digunakan selama masa pra-produksi untuk mengukur tingkat dari suatu permintaan. c) 5.3 Prosedur Peramalan Dalam melakukan peramalan terdiri dari beberapa tahapan khususnya jika menggunakan metode kuantitatif. Sekolah Tinggi Teknologi Telkom . Buatlah diagram pencar (Plot Data) Misalnya memplot demand versus waktu. maka dapat dipilih beberapa model peramalan yang diperkirakan dapat mewakili pola tersebut. Memilih model peramalan yang tepat Melihat dari kecenderungan data pada diagram pencar. Lakukan Peramalan 5. dimana demand sebagai ordinat (Y) dan waktu sebagai axis (X). Tahapan tersebut adalah: 1. Perbedaan atau selisih antara nilai aktual dan nilai ramalan disebut sebagai “kesalahan ramalan (forecast error)” atau deviasi yang dinyatakan dalam: et = Y(t) – Y’(t) Dimana : Y(t) = Nilai data aktual pada periode t Y’(t) = Nilai hasil peramalan pada periode t t = Periode peramalan Maka diperoleh Jumlah Kuadrat Kesalahan Peramalan yang disingkat SSE (Sum of Squared Errors) dan Estimasi Standar Error (SEE – Standard Error Estimated) SSE = Σ e(t)2 = Σ[Y(t)-Y’(t)]2 Murahartawaty. 2.

(5) Model Exponential Smoothing. S.4. Adapun asumsi dasar dalam menggunakan model deret waktu ini adalah pola data ramalan akan sama dengan pola data sebelumnya. maka pilihlah secara sembarang metodemetode tersebut. (3) Model Analisis Regresi. Lakukan Verifikasi Untuk mengevaluasi apakah pola data menggunakan metode peramalan tersebut sesuai dengan pola data sebenarnya. (2) Model Siklis. 5. Model yang termasuk kategori model deret waktu yaitu: (1) Model Konstan. (4) Model Moving Average.4 Model Time Series Analysis Berikut ini akan dijabarkan cara melakukan peramalan dengan menggunakan model Time Series Analysis yang terdiri dari beberapa model. 5.1 Model Konstan (Constant Forecasting) Persamaan garis yang menggambarkan pola konstan adalah: Y’(t) = a dimana a = konstanta Untuk mendapatkan nilai (a) maka dapat didekati melalui turunan kuadrat terkecilnya (least square) terhadap (a) sebagai berikut: E = ∑ [Y (t ) − a]2 i =1 n dE =0 da n n i =1 i =1 diperoleh n − 2∑ [Y (t ) − a] = 0 i =1 n ∑ Y (t ) − ∑ a = 0 .Peramalan 44 SEE = ∑[Y (t ) − Y ' (t )] i =1 n 2 n−2 6. Pilih Metode Peramalan dengan kesalahan yang terkecil. Apabila nilai kesalahan tersebut tidak berbeda secara signifikan pada tingkat ketelitian tertentu (Uji statistik F). Sekolah Tinggi Teknologi Telkom . 7.T. maka ∑ Y (t ) − na = 0 i =1 Murahartawaty.

.....2 Model Siklis (Musiman) Untuk pola data yang bersifat siklis atau musiman... Sekolah Tinggi Teknologi Telkom .... apabila pola data berbentuk konstan.. maka peramalannya dapat didekati dengan harga rata-rata dari data tersebut. Ilustrasi 1 Diberikan data permintaan pabrik konveksi PT Garmen Mandiri dari bulan Januari sampai Juni tahun 2006.. S......... persamaan garis yang mewakili dapat didekati dengan fungsi trigonometri.Peramalan 45 Sehingga: i =1 ∑Y (t ) n n =a .. Tentukan jumlah permintaan untuk lima bulan selanjutnya dengan menggunakan model konstan! Bulan (t) Jan Feb Mar Apr Mei Jun Jawaban Menghitung Konstanta a : a= (46 + 56 + 54 + 43 + 57 + 56) = 52 6 Permintaan dalam unit (Y) 46 56 54 43 57 56 Jadi permintaan untuk bulan Juli sampai dengan November 2006 dapat didekati dengan harga rata-ratanya (a) yaitu 52 unit.......T.... yaitu: Y ' (t ) = a + u cos 2π 2π t + v sin t n n ..(1) Dimana n adalah jumlah periode peramalan Murahartawaty......4.... 5..... dimana n = jumlah periode peramalan Jadi..

S. Hitunglah standard error estimate-nya! Murahartawaty. Tentukan demand di tahun berikutnya dengan metode peramalan pola data siklis b. Sekolah Tinggi Teknologi Telkom .T.Peramalan 46 Jumlah Kuadrat Kesalahan Terkecil didefinisikan sebagai: E = ∑ [Y (t ) − a − u cos i =1 n 2π 2π 2 t − v sin t )] N N Bentuk diskriminannya adalah sebagai berikut: k’' 1 2π N 2π N 2π t cos N n 0 0 0 n 2 0 2π t sin N 0 0 n 2 = 0 ∑k cos ∑k sin Maka: n k' 0 0 0 n 2 0 ∑k t t 0 2π 0 − 1 ∑ k cos t N n 2π ∑ k sin N t 2 ∑k 0 n 2 0 n ∑k 2π 2π 0 + cos t ∑ k cos t 0 N N n 2π ∑ k sin N t 0 2 0 n ∑k 2π 2π 0 − sin t ∑ k cos t 0 N N n 2π ∑ k sin N t 0 2 0 0 n =0 2 0 Ilustrasi 2 Diketahui data permintaan produksi chip pada tahun 2005 sebagai berikut: Bulan (t) Jan Feb Mar Apr Mei Jun Jul Aug Spt Oct Nov Des Permintaan dalam unit (Y) 73 83 92 107 114 129 91 108 116 79 92 93 a.

00 -4.32 sin 6 6 Murahartawaty.86 -31.01 0 − 19.20 -5. S.00 7.000 -0.99 -6.000 -0.000 0.00 -9.00 -98.00 -19.52 -7.90 k' 1 cos 0 6 0 0 12 − 98.50 -13.01 6 0 + cos − 98.00 6.33 cos πt πt − 3.866 -0.01 0 6 = 0 6 6 0 6 − 19.500 0.000 -0.00 0.000 0.500 -0.000 cos (2π t/12 ) 0.50 -5.90 0 6 − 19.866 1.00 -12.66 -18.000 0.866 -1.866 0.866 0.500 0.01 0 0 − sin − 98.00 0.50 0.50 -8.T.866 1.79 8.866 -0.01 ksin(π t/6 ) -13.Peramalan 47 Jawaban: t Jan Feb Mar Apr May Jun Jul Aug Sept Oct Nov Dec Total 1 2 3 4 5 6 7 8 9 10 11 12 78 Y 72 83 92 107 114 129 91 108 116 79 92 93 1176 k= d -98 -26 -15 -6 9 16 31 -7 10 18 -19 -6 -5 0 h= t-6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 6 hk 130 60 18 -18 -16 0 -7 20 54 -76 -30 -30 105 sin (2πt/12 ) 0.90 0 6 − 19.500 0.90 0 Maka: 12 0 0 k' 0 0 πt 6 sin πt 6 0 =0 0 6 0 12 0 0 12 0 πt πt 6 0 − 1 − 98. Sekolah Tinggi Teknologi Telkom .500 0.866 -1.000 -0.500 -0.00 0.00 16.32 sin 6 6 k ' (432) + cos sehingga persamaan garisnya : Y ' (t ) = d + k ' Y ' (t ) = 98 − 16.00 3.06 -5.500 0.000 0.72) + sin 1432.000 kcos(πt/6 ) -22.90 0 0 0 0 0 πt πt (7056.500 0.45 3.33 cos − 3.80 = 0 6 6 πt πt k ' = −16.

50 187.04 101.3 Model Regresi Linier (Linier Forecasting) Persamaan garis yang mendekati bentuk data linier adalah: Y’(t) = a + b(t) Konstanta a dan b ditentukan dari data mentah berdasarkan Kriteria Kuadrat Terkecil (least square criterion).01 128.04 14.. dimana i = 1. Sekolah Tinggi Teknologi Telkom . Perhitungannya sebagai berikut: Anggaplah data mentah diwakili dengan (Yi.68 3.33 0 (Y ..71 3..37 1463.18 13...67 -22.38 215..00 15.20 -3..92 1..80 109.32 92.76 12.52 14. Definisikan: E = ∑ [Y (t ) − a − b(t )]2 i =1 n Turunkan persamaan tersebut terhadap a dan b: n dE = 0 yaitu − 2∑ [Y (t ) − a − bt ] = 0 diperoleh da i =1 ∑ Y (t ) = na + b∑ t = 0 .71 6.52 81.96 -2.68 7.T.21 519.97 42.07 = 12.48 11.08 215.2.68 103.07 Standar Error Estimatenya (SEE) : SEE = ∑ [Y (t ) − Y ' (t )] i =1 N 2 n−2 = 1463.Y')^2 104..96 94..48 114.09 10 5...29 110.. dimana Yi adalah permintaan aktual di saat ti.68 -13.71 85.n.Peramalan 48 Month January February March April May June July August September October November December Totals t 1 2 3 4 5 6 7 8 9 10 11 12 78 Demand (Y) 72 83 92 107 114 129 91 108 116 79 92 93 1176 Forecast (Y’) 82.67 1176 Error (e) -10.4. .33 113.. S.20 86.(1) i =1 i =1 n n Murahartawaty.80 -1..ti).

.. Sekolah Tinggi Teknologi Telkom . yaitu: 1 + n Confidence Interval = Y’(t) ± tα/2 SEE (t o − t ) 2 (∑ t ) 2 2 ∑t − n Prediction Interval untuk setiap nilai Y yaitu (1-α)100% bila t = to. 1+ Prediction Interval = Y’(t) ± tα/2SEE 1 + n (t o − t ) 2 (∑ t ) 2 2 ∑t − n Ilustrasi 3 Diketahui data pada tahun 2005 pada tabel berikut ini.T. S. maka pada persamaan linier [Y’(t) = a + b(t)] dapat dibuat Selang Kepercayaan (confidence intervals) dengan (1-α)100% bagi nilai tengah dari Y dan Selang Taksiran (prediction intervals) untuk setiap nilai Y..(2) Dengan mengeliminasi persamaan (1) dan (2) diperoleh nilai a dan b: b= n∑ tY (t ) − ∑ Y (t )∑ t i =1 i =1 i =1 n n n   n∑ t 2 −  ∑ t  i =1  i =1  n n n n 2 a= ∑ Y (t ) − b∑ t i =1 i =1 n Confidence Interval dan Prediction Interval Berdasarkan sebaran t dengan (n – 2) derajat bebas. Murahartawaty.Peramalan 49 n dE = 0 yaitu − 2∑ t[Y (t ) − a − bt ] = 0 diperoleh db i =1 ∑ tY (t ) = a∑ t + b∑ t i =1 i =1 i =1 n n n 2 = 0 .

Tentukan demand tahun 2007 b.95 12 Murahartawaty.T. S.Demand t^2 t*Y(t) Jan 1 199 1 199 Feb 2 202 4 404 Mar 3 199 9 597 Apr 4 208 16 832 May 5 212 25 1060 Jun 6 194 36 1164 Jul 7 214 49 1498 Aug 8 220 64 1760 Sep 9 219 81 1971 Oct 10 234 100 2340 Nov 11 219 121 2409 Des 12 233 144 2796 Σ t = Σ Y(t) = Σ t^2 = Σ t*Y(t) = 78 2553 650 17030 b= a= 12(17030 ) − (78)(2553) = 3. Hitunglah SSE (Sum of Squared Errors) dan SEE-nya (Standard Error Estimated) c.Peramalan 50 Bulan (t) Jan Feb Mar Apr Mei Jun Jul Aug Spt Oct Nov Des Permintaan dalam unit (Y) 199 202 199 208 212 194 214 220 219 234 219 233 a. Sekolah Tinggi Teknologi Telkom . Tentukan Confidence Interval dan Prediction Interval dengan t = 18 serta derajat α = 0.05)(78) = 192.01 Jawaban Month Bulan Ke.05 12(650 ) − (78) 2 (2553) − (3.

Peramalan 51 Diperoleh Persamaannya : Y’(t) = 193 + 3(t) sehingga permintaan pada tahun 2007 adalah sebagai berikut: a.Demand Jan 1 199 Feb 2 202 Mar 3 199 Apr 4 208 May 5 212 Jun 6 194 Jul 7 214 Aug 8 220 Sep 9 219 Oct 10 234 Nov 11 219 Dec 12 233 Total 78 2553 Ramalan 196 199 202 205 208 211 214 217 220 223 226 230 2553 [Y(t)-Y'(t)]^2 9 9 9 9 16 289 0 9 1 121 49 9 530 Maka diperoleh Jumlah Kuadrat Kesalahan (SSE) = Σ e(t)2 = Σ[Y(t)-Y’(t)]2 = 530 Dan Estimasi Standard Errornya (SEE): SEE = ∑ [Y (t ) − Y ' (t )] i =1 t 2 t−2 = 530 = 7. Bulan (t) Jan (25) Feb (26) Mar (27) Apr (28) Mei (29) Jun (30) Jul (31) Aug (32) Spt (33) Oct (34) Nov (35) Des (36) b. Permintaan dalam unit (Y) 268 271 274 277 280 283 286 289 292 295 298 301 Untuk menghitung SSE dan Standard Error Estimatenya (SEE) terlebih dahulu dihitung demand aktual dengan menggunakan persamaan (Y’(t)) yang telah diketahui.28 12 − 2 Murahartawaty. Month Bulan Ke. Sekolah Tinggi Teknologi Telkom . S.T.

Metode ini digunakan untuk data yang perubahannya tidak cepat. c.28) = 247 ± 23. Dengan menggunakan metode rata-rata bergerak ini.4.4. Sekolah Tinggi Teknologi Telkom .005 = 3.169 untuk (n – 2 = 12 – 2 =10) derajat bebas..16 1+ Prediction Interval = Y’(t) ± tα/2SEE 1 + n (t o − t ) 2 (∑ t ) 2 2 ∑t − n 1 (18 − 6..28 dan tα/2 = t 0.5) 2 + 12 (78) 2 650 − 12 = 247 ± (3.1 Simple Moving Average Yt + Yt −1 + Yt −2 + .28) = 247 ± 46.T.5) 2 + 12 78 2 650 − 12 1+ = 247 ± (3.32 5. 1 + n Confidence Interval = Y’(t) ± tα/2 SEE (t o − t ) 2 (∑ t ) 2 2 ∑t − n 1 (18 − 6. + Yt − n +1 n Simple Moving Average (SMAt)= Murahartawaty. maka untuk satu harga t = 18 diperoleh Y’=247 dengan Standar Error Estimatenya (SEE)= 7.169)(7. S. dan tidak mempunyai karakteristik musiman atau seasonal. Model rata-rata bergerak mengestimasi permintaan periode berikutnya sebagai rata-rata data permintaan aktual dari n periode terakhir. yaitu: 5.4. deret berkala dari data asli diubah menjadi deret rata-rata bergerak yang lebih mulus.4 Model Rata-rata Bergerak (Moving Average) Metode rata-rata bergerak banyak digunakan untuk menentukan trend dari suatu deret waktu. Terdapat tiga macam model rata-rata bergerak.Peramalan 52 Dari Persamaan : Y’(t) = 193 + 3(t).169)(7..

17 56 51 53 46 + 56 + 54 = 52 3 56 + 54 + 43 = 51 3 Berdasarkan data di atas.4.17 59. Misalnya.2.Peramalan 53 Ilustrasi 4 Diberikan data harga penutupan akhir minggu surat-surat berharga perusahaan “Mandala” yang bergerak dalam bidang maskapai penerbangan. maka untuk SMA menggunakan data periode ke-5 dan 4 data periode sebelumnya.2 Centered Moving Average Perbedaan utama antara Simple Moving Average dan Centered Moving Average terletak pada pemilihan observasi yang digunakan. maka ramalan untuk minggu-minggu mendatang (13) 56 + 47 + 56 Y ' (12+t ) = = 53unit dengan t = 1.3 3 5. Murahartawaty. t Y 1 46 2 56 3 54 4 43 5 57 6 56 7 67 8 62 9 50 10 56 11 47 12 56 Maka Moving Average 3 mingguan (SMA3) terhadap harga penutupan akhir minggu saham diperoleh dari perhitungan berikut: Minggu (t) 1 2 3 4 5 6 7 8 9 10 11 12 Contoh perhitungan: SMAMinggu 3 = SMAmin ggu 4 = Permintaan (Y) 46 56 54 43 57 56 67 62 50 56 47 56 Simple Moving Average 3 Mingguan (MA3) 52 51 51. menggunakan 5 periode moving average. S.33 52 60 61.T. Simple Moving Average menggunakan data yang sedang diobservasi tambah data sebelum observasi.4. Sekolah Tinggi Teknologi Telkom .

(L-1)/2 observasi merupakan data sebelum dan sesudahnya. S. + Yt +(( L −1) / 2 L Dimana Yt adalah nilai tengah dari interval L data observasi. + wn At − n dan ∑w i =1 n i =1 Murahartawaty.4 5 5..4. “Center” berarti rataan antara data sekarang dengan menggunakan data sebelumnya dan data sesudahnya.63 58.2 (CMA8) 55..4 54.2 56.2 53.. maka Yt = Y5 maka intervalnya dimulai dari Y3 sampai Y7 Ilustrasi 5 Bulan (t) Januari Pebruari Maret April Mei Juni Juli Agustus September Oktober November Desember Contoh perhitungan: CMAMei = Permintaan (Y) 46 56 54 43 57 56 67 62 50 56 47 56 (CMA5) 51.4 55.4 54.13 54 + 43 + 57 + 56 + 67 = 55.. Sekolah Tinggi Teknologi Telkom .2 55.75 58. maka SMA menggunakan data periode 3 ditambah data sebelumnya dan data sesudahnya...63 57 55.. Misalnya CMA 5 periode....4...Yt + ...Peramalan 54 Sebaliknya untuk CMA.... Didefinisikan sebagai berikut: CMA t = Yt −(( L −1 / 2 ) + .T.. Misalnya untuk 3 periode moving average..3 Weighted Moving Average Formula untuk Weighted Moving Average (WMAt): Ft = w1 At −1 + w2 At − 2 + ..38 56.

2(90) + 0. Sekolah Tinggi Teknologi Telkom . Rumus ini memperlihatkan bahwa data yang lalu memiliki bobot lebih kecil dibandingkan dengan data yang terbaru.4(95) + 0. data observasi terbaru seharusnya memiliki bobot yang lebih besar dibandingkan dengan data observasi di masa yang lalu. dan 10% untuk 4 bulan sebelumnya. Data penjualannya sebagai berikut: Month1 100 Month2 90 Month3 105 Month4 95 Month5 ? Peramalan weighted moving average dengan N = 4 adalah: F4 = 0.50 F5 = 0. Untuk itu.3(105) + 0.Peramalan 55 Ilustrasi 6 Diketahui data penjualan suatu departement store 4 bulan periode.4(95) + 0. 20% untuk 3 bulan sebelumnya.2. Kemudian ingin meramalkan penjualan bulan ke-5 dengan moving average dimana menggunakan bobot 40% actual sales untuk bulan saat ini (4).3(105) + 0..T.4.2(90) + 0. Padahal. Hal ini dipandang sebagai kelemahan model peramalan Moving Average.. 30% untuk 2 bulan sebelumnya.50 Maka ramalan bulan ke (5 + t) dengan t =1..3 adalah: 5. Y Dimana α disebut konstanta pelicinan dalam interval 0 < α < 1..1(100 ) = 97. S. Rumus tersebut dapat disederhanakan sebagai berikut: Y'(t+1) = αY + (1 − α )Y'(t) 1 Dengan nilai Y’(1) untuk inisial ramalan didekati dengan nilai rata-ratanya ( Y ) Atau Y '(t ) = Y '( t −1) +α (Y( t −1) − Y '(t −1) ) Murahartawaty. digunakanlah metode Exponential Smoothing agar kelemahan tersebut dapat diatasi didasarkan pada alasan sebagai berikut: Metode exponential smoothing mempertimbangkan bobot data-data sebelumnya dengan estimasi untuk Y’(t+1) dengan periode (t+1) dihitung sebagai: Y ' ( t +1) = α 1 +α(1 −α)Y( t −1) +α(1 −α) 2 Y( t −2 ) +.5 Pelicinan Exponential (Exponential Smoothing) Dalam model rata-rata bergerak (Moving Average) dapat dilihat bahwa untuk semua data obesrvasi memiliki bobot yang sama yang membentuk rata-ratanya.1(100 ) = 97..

2(100 − 80) = 84 Murahartawaty.....2(100) + 0...........Peramalan 56 Perlu diperhatikan bahwa penetapan nilai konstanta memiliki andil yang penting dalam menghasilkan hasil ramalan yang “andal”.2 jika inisial estimasi periode Januari = 80.......(2) Y ' 2 = 0..... b........ Model Exponential Smoothing digunakan untuk peramalan jangka pendek..T........ (February) adalah: Y'(t +1) = αY + (1− α )Y'(t) 1 ..8(80) = 84 atau Y ' 2 = 80 + 0..... Month Actual Sales Jan 100 Feb 94 Marc 108 Apr 80 May 68 June 94 a. Hitunglah estimasi nilai ramalannya menggunakan simple exponensial smoothing dengan α = 0.... Hitunglah Mean Absolute Deviation (MAD) Jawaban: Bulan January February March April May June July Total Actual Forecast Sales (1) 100 80 94 84 106 86 80 90 68 88 94 84 86 542 598 Forecast(II) 80 84 86 90 88 84 86 598 Estimasi nilai Error 20 10 20 -10 -20 10 90 ramalan periode (Y-Y')^2 400 100 400 100 400 100 0 1500 kedua a...(1) atau Y '(t ) = Y '(t −1) +α (Y(t −1) − Y '( t −1) ) ... Ilustrasi 7 Tabulasi data berikut ini merupakan actual sales dalam unit untuk 6 bulan dan peramalan dimulai dari bulan januari.. S... Sekolah Tinggi Teknologi Telkom .

S. Tebel di bawah ini menunjukkan hasil penjualan televisi oleh 20 kelompok sales (N) PT SUKSES SELALU.Peramalan 57 b.T. Persamaan regresinya b. Zeus Computer Chips. Di bawah ini diberikan data masa lalu permintaannya: Murahartawaty. Standar Error Estimatenya c. Confidence Interval dan Prediction Intervald engan tingkat kepercayaan 95% dan anggota kelompok sales 35 orang. 6 dimana 1 MAD = 0. X 1 10 2 20 3 30 4 40 5 50 6 60 7 70 8 80 9 90 10 100 Y No. X Y 5 11 110 36 7 12 120 40 10 13 140 51 12 14 150 55 17 15 160 62 19 16 160 65 22 17 160 58 25 18 170 70 28 19 170 74 31 20 170 63 Buatlah: a. Hasil data penjualan televisi (y) diberikan kepada perusahaan setelah semua data-data dari tiap-tiap kelompok dikumpulkan. Sekolah Tinggi Teknologi Telkom . No. Mean Absolute Deviation (MAD) MAD = ∑ Y (t ) − Y ' (t ) t =1 n n 90 = 15 .Inc. 2.8 standard deviation diperoleh standar deviation = 12 MAD = Soal Latihan 1. Tiap kelompok sales tersebut terdapat beberapa orang (x) yang bertugas menawarkan televisi. memproduksi sekitar 186-286 tipe chip. Sejak tiga tahun yang lalu perusahaan tersebut mengalami penurunan permintaan.

800 2.800 1. misalnya produksi di hari Minggu untuk penjualan di hari Senin.400 2. 3) Eksponensial Smoothing dengan α=0. 2) Carilah Confidence Interval untuk Summer tahun 2005 dengan tingkat kepercayaan 95% 2.000 1 minggu 2. 0. 1) Hitunglah demand Winter 2005 dengan menggunakan metode regresi linier beserta standar deviasinya.40.T.Peramalan 58 Year 2001 2002 Season Spring Summer Fall Winter Spring Summer Fall Winter Demand 205 140 375 575 275 275 685 965 Year 2003 2004 Season Spring Summer Fall Winter Spring Summer Fall Winter Demand 325 650 275 700 545 425 785 995 Hitunglah demand Zeus Computer chips.200 2.3 A.100 2. Inc tahun 2005 dengan menggunakan metode peramalan sebagai berikut: 1) Simple Moving Average 4 tahun 2) Weighted Moving Average dengan n=5.30.300 2. S.500 2. maka produksi Jumat harus memenuhi demand pada hari Sabtu dan Minggu.10 untuk data 4 minggu sebelumnya c) Sunrise Baking Company juga merencanakan pembelian bahan-bahan untuk produksi roti.20 dan 0.100 2.200 2.300 1.700 3. data di bawah ini menunjukkan demand donut dalam satuan lusin untuk periode 4 minggu yang lalu. 0.400 2.300 1. 4 minggu 2. produksi hari Senin untuk penjualan hari Selasa.400 2. dan seterusnya.800 Past Data 3 minggu 2 minggu 2.900 1.800 1.900 Senin Selasa Rabu Kamis Jumat Sabtu Minggu Buatlah peramalan pada minggu ke lima (minggu sekarang) dengan catatan sebagai berikut: a) Menggunakan 4 minggu simple moving average b) Menggunakan weighted moving average dengan 0. Jika demand produk roti Murahartawaty.900 2.200 2.000 2. Toko kue tutup hari Sabtu. Sunrise Baking Company memasarkan produk donat ke toko-toko kue. Donut diproduksi sehari sebelum penjualan. Sekolah Tinggi Teknologi Telkom .000 2.000 2. B.

000 321. apa yang harus dilakukan Sunrise untuk meramalkan penjualan minggu ini dengan menggunakan eksponential smoothing dengan α = 0. Apa yang harus dilakukan perusahaan untuk meramalkan penjualan pada minggu ini dengan menggunakan eksponential smoothing dengan α = 0.000 99. Penjualan diperkirakan mencapai 20. 0.Peramalan 59 diramalkan 22. Data di bawah ini adalah data penjualan krupuk persatuan biji untuk periode 4 minggu yang lalu (Bulan Januari). demand aktual minggu ini ternyata diperoleh 22. 4.000 330. dan Jumat untuk setiap minggunya.000 112.30. Selasa. bagaimana untuk peramalan yang baru untuk minggu selanjutnya! 3.000 98. Krupuk diproduksi sehari sebelum penjualan yaitu hari Minggu. Diketahui data permintaan untuk produk shampo Toserba Podomoro adalah sebagai berikut: Month Demand Murahartawaty.000 1 minggu 115.000 333. 0.000 yang laku.000 115. Sekolah Tinggi Teknologi Telkom . prediction interval dengan t = 7 dan tingkat kepercayaan 95%.60.T.000 buah pada minggu lalu dan hanya 21.000 119.015 d) Prediksi jumlah produksi minggu pertama bulan berikutnya dengan linier forecasting dan hitunglah standar error estomatenya.000 buah yang menjadi demand aktualnya.500 Senin Selasa Rabu Kamis Jumat Sabtu Minggu Total Buatlah peramalan pada minggu ke lima (minggu sekarang) dengan catatan sebagai berikut: a) Menggunakan 4 minggu simple moving average b) Menggunakan weighted moving average dengan 0.500. 4 minggu 100.10 untuk data 4 minggu sebelumnya c) Perusahaan Krupuk Suka Krupuk selain membuat krupuk juga berencana membuat rempeyek untuk dijual.40. confidence interval.1! d) Dengan hasil peramalan pada point (c).000 110. dan Kamis sedangkan penjualan dilakukan setiap hari Senin. Rabu.000 313.000 biji pada minggu yang lalu karena baru diperkenankan dan hanya 18. 0. Sebuah perusahaan Krupuk Suka Krupuk memasarkan produknya ke warung-warung makanan dan toko-toko.000 95. S.000 100.000 Past Data 3 minggu 2 minggu 110.000 120.

40. 0.30.T.30.Peramalan 60 Jan Feb Mar Apr Mei Jun Jul Agt 20 22 25 21 24 28 35 40 a) Ramalkan demand untuk bulan september dengan menggunakan weighted moving average dengan 0.10 untuk bulan July b) Menggunakan 3 bulan Simple Moving Average untuk bulan July c) Ramalkan bulan July dengan menggunakan Simple Exponential Smoothing dengan α = 0.2 dan di bulan Agustus diramalkan = 13 d) Gunakan metode regresi linier untuk menentuakan persamaan berdasarkan demand yang ada e) Tentukan confidence interval dan prediction interval dengan t = 16 dengan tingkat kepercayaan 99%! 6. hitunglah ramalan untuk bulan Desember.60.3 dan di bulan Agustus diramalkan = 35 d) Gunakan metode regresi linier untuk menentuakan persamaan berdasarkan demand yang ada e) Dari point (d). 0. 0. Diketahui data permintaan untuk produk lukisan sebagai berikut: Month Jan Feb Mar Apr Mei Jun Demand 11 12 15 12 16 15 a) Menggunakan weighted moving average dengan 0.10 b) Ramalkan demand untuk bulan september dengan menggunakan metode Simple Moving Average dimana N=3 c) Ramalkan bulan September dengan menggunakan Simple Exponential Smoothing dengan α = 0. 0. Sekolah Tinggi Teknologi Telkom . 5. 0.20. S. Diketahui data permintaan untuk kaos dari PT Beruc Month Demand Murahartawaty.

Bulan Jan Feb Mar Apr Mei Jun Jul Agt Sep Okt Nov Des 2000 120 280 100 130 210 170 200 150 130 120 230 320 Data Tahun Lalu (Lusin) 2001 2002 2003 140 110 120 200 190 180 120 140 170 140 140 120 220 190 170 190 160 200 190 200 230 190 200 210 170 160 150 150 160 130 190 200 200 280 300 250 2004 170 220 210 180 200 210 200 220 180 180 210 210 a) 5 tahun simple moving average b) Weighted Moving Average dengan 0.10? d) Dengan hasil peramalan pada point (c). 0.40. 0.2 dan pada minggu ke6 diramalkan 210. demand aktual tahun 2005 ternyata diperoleh 2650.20. 0.50.T. bagaimana untuk peramalan yang baru untuk tahun 2006? Murahartawaty.3 c) Ramalkan demand untuk mingguk ke-7 dengan menggunakan exponential smoothing dengan α = 0. 0.6. 0.Peramalan 61 Jan 220 Feb 200 Mar 250 Apr 230 Mei 240 Jun 220 a) Ramalkan demand minggu ke-7 dengan menggunakan 3 bulan simple moving average b) Ramalkan demand untuk minggu ke-7 dengan menggunakan weighted moving average dengan 0. Apa yang harus dilakukan perusahaan untuk meramalkan tahun 2005 dengan menggunakan Exponential Smoothing dengan α = 0. 0. 7.4. 0. S. Sekolah Tinggi Teknologi Telkom .5.10 untuk data 5 tahun sebelumnya c) Perusahaan tersebut berencana membeli bahan-bahan untuk produksi.30. Data di bawah ini merupakan data produksi sapu ijuk dalam 5 tahun terakhir. Suatu perusahaan Antah Berantah memasarkan hasil produksinya berupa sapu ijuk. Jika demand produk diramalkan 2500 pada tahun 2004 dan hanya 2300 yang menjadi demand aktualnya.

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->