(TIME SERIES)
Indra Sanjaya
Suatu deret berkala merupakan suatu himpunan observasi dimana variabel yang digunakan diukur dalam urutan periode waktu, misalnya tahunan, bulanan, triwulanan, dan sebagainya. Tujuan dari metode deret berkala adalah untuk menemukan pola data secara historis dan mengekstrapolasikan pola tersebut untuk masa yang akan datang. Peramalan didasarkan pada nilai variabel yang telah lalu dan atau peramalan kesalahan masa lalu.
Merepresentasikan suatu perubahan dari waktu ke waktu (cenderung naik atau turun). Tren biasanya merupakan hasil perubahan dalam nilai produksi annual, perubahan iklim, kenaikan muka air laut, subsidence dan lain sebagainya.
Merepresentasikan rangkaian titik-titik dengan pola siklis (pergerakan secara siklis/naik-turun) di atas atau di bawah garis tren dalam kurung waktu satu tahun.
Merepresentasikan pola berulang dengan durasi kurang dari 1 tahun dalam suatu deret berkala. Pola durasi dapat berupa jam atau waktu yang lebih pendek.
Mengukur simpangan nilai deret berkala sebenarnya dari yang diharapkan berdasarkan komponen lain. Hal tersebut disebabkan oleh jangka waktu yang pendek (short-term) dan faktor yang tidak terantisipasi yang dapat mempengaruhi deret berkala.
METODE PERAMALAN
1. Rata-rata Bergerak (Moving Averages - MA) Menggunakan n nilai data terbaru dalam suatu deret berkala untuk meramalkan periode yang akan datang. Rata-rata perubahan atau pergerakan sebagai observasi baru. n Penghitungan rata-rata bergerak adalah sebagai Yi berikut: i n
MAn n
Contoh 1:
Dari laporan produksi bijih tembaga selama 10 bulan perusahaan A sebagai berikut di bawah ini susunlah peramalan menggunakan metode rata-rata bergerak 3 dan 5 bulanan Bulan Januari Pebuari Maret April Produksi (ton) 120 90 100 75
MAn
Y
i 1
Mei
Juni Juli Agustus September Oktober
110
50 75 130 110 90
MAn
Y
i 1
3 90 100 75 3 88,3
MAn
Y
i 1
dst
MAn
Y
i 1
MAn
Y
i 1
September
Oktober
110
90
MA5
Y
i 1
dst
Bulan
September
Oktober November
110
90 -
85,0
105,0 110,0
88,0
95,0 91,0
METODE PERAMALAN
2. Rata-rata Bergerak Tertimbang (Weighted Moving Averages) Melibatkan penimbang untuk setiap nilai data dan kemudian menghitung rata-rata penimbang sebagai nilai peramalan. n Rumus: WMAn WiYi
i 1
.
Wi bobot untuk periode i (0 - 100%) Yi data dalam periode i
i
1.00
Contoh 2
Dalam contoh 1 perusahaan A menginginkan menghitung suatu rata-rata bergerak 3 bulanan dengan bobot 50 % untuk data bulan Oktober, 33% untuk data bulan september dan 17 % untuk data bulan Agustus. Bobot-bobot tersebut mencerminkan keinginan perusahaan bahwa sebagian besar data saat ini mempengaruhi secara kuat sebagian besar peramalannya
3
WMAn Wi Di
i 1
METODE PERAMALAN
3. Penghalusan Eksponensial (Exponential Smoothing) Merupakan kasus khusus dari metode Rata-rata Bergerak Tertimbang dimana penimbang dipilih hanya untuk observasi terbaru. Penimbang yang diletakkan pada observasi terbaru adalah nilai konstanta penghalusan, . Penimbang untuk nilai data lain dihitung secara otomatis dan semakin lama periode waktu suatu observasi nilainya akan lebih kecil.
RUMUS:
Ft 1 Yt (1 ) Ft Ft 1 Peramalan untuk periode t 1 Yt Data pada periode t Ft Peramalan untuk periode t faktor pembobotan
Contoh 3
Permintaan bijih timah terhadap perusahaan B selama 12 bulan lampau adalah seperti terlihat dalam tabel berikut. Perusahaan menginginkan mempertimbangkan peramalan menggunakan metode exponential smoothing dengan menggunakan faktor pembobotan (smoothing constant) sama dengan 0,30 dan 0,50
Periode Bulan Permintaan (ton)
1 2 3 4 5 6 7
37 40 41 37 45 50 43
8
9 10 11 12
Agustus
September Oktober November Desember
47
56 52 55 54
= 0,30
Peramalan untuk periode 2 Ft 1 Y1 (1 ) F1 F2 (0,30)(37) (0,70)(37) 37 ton
Peramalan untuk periode 3 Ft 1 Y2 (1 ) F2 F3 (0,30)(40) (0,70)(37) 37,9 ton Peramalan untuk periode 4 Ft 1 Y3 (1 ) F3 F4 (0,30)(41) (0,70)(37,90) 38,83 ton
= 0,50
Peramalan untuk periode 2 Ft 1 Y1 (1 ) F1 F2 (0,50)(37) (0,50)(37) 37 ton
Peramalan untuk periode 3 Ft 1 Y2 (1 ) F2 F3 (0,50 )( 40 ) (0,50 )( 37 ) 38,50 ton
dst
dst
Periode
Bulan
Permintaan
1 2
Januari Pebuari
37 40
37,00
37,00
3
4 5 6 7 8 9 10 11
Maret
April Mei Juni Juli Agustus Septembe Oktober November
41
37 45 50 43 47 56 52 55
37,90
38,83 38,28 40,29 43,20 43,14 44,30 47,81 49,06
38,50
39,75 38,37 41,68 45,84 44,42 45,71 50,85 51,42
12
13
Desember
Januari
54
-
50,84
51,79
53,21
53,61
Exponential Smoothing
CONTOH
PT. X Coal Tbk adalah perusahaan yang bergerak dalam bidang pertambangan batubara. Untuk keperluan perencanaan pendapatan pada masa mendatang yang lebih baik, pihak manajemen ingin membangun model peramalan eksponensial smoothing. Pendapatan selama 10 tahun terakhir adalah sebagai berikut(Faktor pembobotan = 0,2 ): Tahun 1 2 3 4 5 6 7 8 9 10 Pendapatan (Juta US$) 34 40 35 39 41 36 33 38 43 40
Penghalusan Eksponensial (Exponential Smoothing) = 0.2, F1 = Y1 = 34 F2 = Y1 + (1 - )F1 = 0.2(34) + 0.8(34) = 34 F3 = Y2 + (1 - )F2 = 0.2(40) + 0.8(34) = 35.20 F4 = Y3 + (1 - )F3 = 0.2(35) + 0.8(35.20) = 35.16 . . . dan seterusnya
Tahun
1 2 3 4 5 6 7 8 9 10 11
pendapatan
PENDAPATAN
TAHUN
Perkiraan
AKURASI PERAMALAN
Akurasi peramalan dapat diukur dari nilai berikut:
1 n ' 2 MSE ( Y Y t t) n t 1
2. Mean Absolute Deviation (MAD)
1 n MAD Yt Yt' n t 1
Yt = nilai observasi
Yt = nilai perkiraan
Contoh : Selama 8 kuartal terakhir, Perusahaan X melakukan penambangan bijih kromit pada Pit Charlie. Manajer operasional tambang ingin menguji penggunaan penghalusan eksponensial utk melihat seberapa baik metode ini bekerja dlm memprediksi tonase bijih kromit yang ditambang dari Pit Charlie. Ia menebak peramalan produksi bijih kromit pada kuartal pertama adalah 175 ton. Dua nilai yg diuji =0,1 dan =0,5.
Penyelesaian :
Peramalan yg dibulatkan dgn =0,1
175 175,50 174,75 173,18 173,36 175,02 178,02 178,22 178,59
Kuartal
1 2 3 4 5 6 7 8 9
Tonase
180 168 159 175 190 205 180 182 ?
Perhitungan MAD :
Kuartal 1 2 3 4 5 6 7 8 Tonase Aktual 180 168 159 175 190 205 180 182 Peramalan = 0,1 175 175,50 174,75 173,18 173,36 175,02 178,02 178,22 Deviasi Absolut =0,1 5,00 Peramalan = 0,5 175 177,50 172,75 165,88 170,44 180,22 192,61 186,30 Deviasi Absolut =0,5 5,00
7,50
15,75 1,82 16,64 29,98 1,98 3,78 82,45 10,31
9,50
13,75 9,12 19,56 24,78 12,61 4,30 98,62 12,33
2
3 4 5 6 7 8
168
159 175 190 205 180 182
175,50
174,75 173,18 173,36 175,02 178,02 178,22
248,06
3,33 276,89 898,70 3,92 14,31 1.526,46 190,80
Januari
Februari
Maret April Mei
212
263 196 119
1. Eksponensial smoothing = 0,1; 0,2; 0.3; 0,4 dan 0.5 2. Nilai mana yang dianggap lebih dipercaya
Juni
Juli Agustus September Oktober
123
126 103 108 165 196 214
Nopember
Desember
SEKIAN