Anda di halaman 1dari 45

Dr.

Jusak
Pemodelan dan Simulasi, STIKOM Surabaya
Kebutuhan akan Peramalan
Dalam dunia bisnis kondisi ekonomi berubah-
ubah karena itu diperlukan adanya peramalan
untuk merencanakan masa depan.
Pemerintahan membutuhkan peramalan untuk
mengetahui kondisi tenaga kerja, pendapatan
pajak, inflasi, pertumbuhan industri dsb untuk
menentukan kebijakan-kebijakan masa depan.
De-es-be
2
Pemodelan dan Simulasi, STIKOM Surabaya
Metode Peramalan
Terdapat 2 macam pendekatan:
Qualitative: metode ini dianggap sebagai
metode yang subyektif dengan mensertakan
pendapat pakar. Misalnya dengan teknik
Delphi. Metode ini dipilih apabila data histori
tidak tersedia.
Quantitative: metode ini menggunakan data
histori. Tujuan dari metode ini adalah
mempelajari data histori dan struktur dari data
untuk tujuan memprediksi masa depan.
3
Pemodelan dan Simulasi, STIKOM Surabaya
Metode Peramalan Quantitative
Metode peramalan quantitative dapat dibagi
lagi menjadi beberapa sub-bagian, yaitu:
Metode peramalan time-series: metode
peramalan yang sepenuhnya
menggunakan data histori masa lalu dan
sekarang.
Metode peramalan kausal/eksplanatoris:
menyertakan faktor-faktor yang berkaitan
dengan variabel yang akan diprediksi,
misalnya dalam peramalan ekonomi perlu
mengikutsertakan barometer2 ekonomi di
dalamnya.
4
Pemodelan dan Simulasi, STIKOM Surabaya
Pola Data pada model Time-Series
5
Sumber: Metode dan Aplikasi peramalan, Makridakis, S.
Pemodelan dan Simulasi, STIKOM Surabaya
Pola Data pada model Time-
Series
1. Pola horisontal (H) terjadi bilamana data
berfluktuasi disekitar nilai rata-rata yg konstan.
Suatu produk yg penjualannya tdk meningkat atau
menurun selama waktu tertentu termasuk jenis ini.
Pola khas dari data horizontal atau stasioner seperti
ini dapat dilihat dalam Gambar 1.1.
2. Pola musiman (S) terjadi bilamana suatu deret
dipengaruhi oleh faktor musiman (misalnya kuartal
tahun tertentu, bulanan, atau hari-hari pada minggu
tertentu). Penjualan dari produk seperti minuman
ringan, es krim, dan bahan bakar pemanas ruang
semuanya menunjukkan jenis pola ini. Untuk pola
musiman kuartalan dapat dilihat Gambar 1.2.
6
Pemodelan dan Simulasi, STIKOM Surabaya
Pola Data pada model Time-Series
3. Pola siklis (C) terjadi bilamana datanya
dipengaruhi oleh fluktuasi ekonomi jangka panjang
seperti yang berhubungan dengan siklus bisnis.
Contoh: Penjualan produk seperti mobil, baja, dan
peralatan utama lainnya. Jenis pola ini dapat dilihat
pada Gambar 1.3.
4. Pola trend (T) terjadi bilamana terdapat kenaikan
atau penurunan sekuler jangka panjang dalam
data. Contoh: Penjualan banyak perusahaan, GNP
dan berbagai indikator bisnis atau ekonomi lainnya.
Jenis pola ini dapat dilihat pada Gambar 1.4.
7
Pemodelan dan Simulasi, STIKOM Surabaya
Karakteristik Tren
8
Pemodelan dan Simulasi, STIKOM Surabaya
Smoothing data Time-Series
Tahunan
Sebuah perusahaan
berskala internasional
bernama Cabot
Corporation memiliki
pendapatan tahunan
dalam jutaan dollar
seperti dalam tabel
berikut:
9
Year Revenue
1981 1622,8
1982 1587,7
1983 1558,0
1984 1752,5
1985 1407,5
1986 1309,9
1987 1424,0
1988 1676,6
1989 1936,9
1990 1684,7
1991 1488,0
1992 1562,2
1993 1618,5
1994 1686,6
1995 1840,9
1996 1865,2
1997 1636,7
1998 1652,8
1999 1699,0
Pemodelan dan Simulasi, STIKOM Surabaya
Grafik Revenue dari Cabot
Corp.
10
0.0
500.0
1000.0
1500.0
2000.0
2500.0
R
e
v
e
n
u
e

(
j
u
t
a
a
n

$
)

Tahun
Revenue
Revenue
Pemodelan dan Simulasi, STIKOM Surabaya
Grafik Revenue dari Cabot
Corp.
Dalam grafik revenue data tahunan dari
Cabot Corp. cukup sulit bagi kita menarik
kesimpulan apakah revenue jangka
panjang memiliki tren naik atau turun.
Kesulitan ini disebabkan oleh adanya
fluktuasi naik dan turun dari revenue pada
tahun2 tertentu.
Untuk itu dibutuhkan metode smoothing
untuk memperoleh tren atau pola data.
Metode smoothing yang umum digunakan
adalah Moving Averages dan Exponential
Smoothing.
11
Pemodelan dan Simulasi, STIKOM Surabaya
Moving Averages
Metode moving averages untuk
smoothing data time-series sangat
subyektif dalam hal menentukan
parameter L, yaitu panjang periode dari
data yang akan digunakan untuk
menentukan rata-rata (average).
Sebagai contoh untuk nilai = 5, nilai
dari moving averages ditentukan
sebagai berikut:
12
Pemodelan dan Simulasi, STIKOM Surabaya
Moving Averages (2)
Pertama:

1
5 =

1
+
2
+
3
+
4
+
5
5

Kedua:

2
5 =

2
+
3
+
4
+
5
+
6
5

Ke-n:

5 =

+
+1
+
+2
+
+3
+
+4
5

13
Pemodelan dan Simulasi, STIKOM Surabaya
Moving Averages untuk Cabot
Corp.
14
Year Revenue MA 3-Year MA 7-Year
1981 1622,8 #N/A #N/A
1982 1587,7 1589,5 #N/A
1983 1558,0 1632,7 #N/A
1984 1752,5 1572,7 1523,2
1985 1407,5 1490,0 1530,9
1986 1309,9 1380,5 1580,8
1987 1424,0 1470,2 1598,9
1988 1676,6 1679,2 1561,1
1989 1936,9 1766,1 1583,2
1990 1684,7 1703,2 1627,3
1991 1488,0 1578,3 1664,8
1992 1562,2 1556,2 1688,3
1993 1618,5 1622,4 1678,0
1994 1686,6 1715,3 1671,2
1995 1840,9 1797,6 1694,7
1996 1865,2 1780,9 1714,2
1997 1636,7 1718,2 #N/A
1998 1652,8 1662,8 #N/A
1999 1699,0 #N/A #N/A
Pemodelan dan Simulasi, STIKOM Surabaya
Moving Averages untuk Cabot
Corp.
15
0
500
1000
1500
2000
2500
1980 1985 1990 1995 2000
R
e
v
e
n
u
e
s

(
$
m
i
l
l
i
o
n
s
)

Year
Moving Averages for Cabot Corporation Revenue
Revenue
MA 3-Year
MA 7-Year
Pemodelan dan Simulasi, STIKOM Surabaya
Contoh
Lakukan
perhitungan
Moving
Averages dan
Gambarkan
grafik untuk data
perusahaan
pemroses
makanan berikut
(penjualan
dalam juta $):
16
Year Coded Year Sales
1975 0 41,6
1976 1 48
1977 2 51,7
1978 3 55,9
1979 4 51,8
1980 5 57
1981 6 64,4
1982 7 60,8
1983 8 56,3
1984 9 53,2
1985 10 53,3
1986 11 51,6
1987 12 49
1988 13 38,6
1989 14 37,3
1990 15 43,8
1991 16 41,7
1992 17 38,3
1993 18 36,4
1994 19 38,4
1995 20 42,6
1996 21 34,8
1997 22 28,4
1998 23 23,9
1999 24 27,8
2000 25 42,1
Pemodelan dan Simulasi, STIKOM Surabaya
Exponential Smoothing
Exponential smoothing (ES) adalah
metode lain yang dapat digunakan untuk
melakukan smoothing terhadap data time-
series untuk mengetahui tren jangka
panjang.
Keuntungan lain dari Exponential
smoothing (dibanding dengan moving
averages) adalah bahwa metode ini dapat
digunakan untuk melakukan peramalan
jangka pendek (satu periode ke depan).
17
Pemodelan dan Simulasi, STIKOM Surabaya
Exponential Smoothing (2)
Rumus untuk menentukan ES series
adalah sebagai berikut:

1
=
1

+ 1
1

Yang mana:

=nilai dari exponential smoothing yang


dihitung pada periode waktu .

=nilai dari data time series dalam


observasi.
=bobot atau koefisien smoothing yang
ditentukan secara subyektif.
18
Pemodelan dan Simulasi, STIKOM Surabaya
Exponential Smoothing (3)
Seperti terlihat pada rumus, ES pada
dasarnya merupakan exponentially weighted
moving averages.
Nilai dari ES selalu bergantung pada data
observasi sebelumnya, sedemikian sehingga
bobot (weight) yang diberikan kepada data
yang sedang diobservasi saat ini menurun dari
waktu kewaktu. Maksudnya adalah: data yang
sedang diobservasi sekarang memiliki bobot
paling besar, sedang data-data yang telah
diobservasi sebelumnya memiliki bobot lebih
kecil.
19
Pemodelan dan Simulasi, STIKOM Surabaya
Exponential Smoothing (4)
Pemilihan bobot pada ES adalah kritikal
karena berpengaruh terhadap hasil secara
langsung.
Apabila tujuan utama adalah melakukan
smoothing dengan membuang pola siklis
dan pola yang tidak teratur maka gunakan
bobot dengan nilai kecil ( mendekati nilai
0).
Apabila tujuan utama adalah melakukan
peramalan gunakan bobot dengan nilai
besar ( mendekati nilai 1)

20
Pemodelan dan Simulasi, STIKOM Surabaya
ES untuk Cabot Corp.
21
Year Revenue ES(W=.50) ES(W=.25)
1981 1622,8 1622,8 1622,8
1982 1587,7 1605,3 1614,0
1983 1558,0 1581,6 1600,0
1984 1752,5 1667,1 1638,1
1985 1407,5 1537,3 1580,5
1986 1309,9 1423,6 1512,8
1987 1424,0 1423,8 1490,6
1988 1676,6 1550,2 1537,1
1989 1936,9 1743,5 1637,1
1990 1684,7 1714,1 1649,0
1991 1488,0 1601,1 1608,7
1992 1562,2 1581,6 1597,1
1993 1618,5 1600,1 1602,4
1994 1686,6 1643,3 1623,5
1995 1840,9 1742,1 1677,8
1996 1865,2 1803,7 1724,7
1997 1636,7 1720,2 1702,7
1998 1652,8 1686,5 1690,2
1999 1699,0 1692,7 1692,4
Pemodelan dan Simulasi, STIKOM Surabaya
ES untuk Cabot Corp.
22
0
500
1000
1500
2000
2500
1980 1982 1984 1986 1988 1990 1992 1994 1996 1998 2000
R
e
v
e
n
u
e
s

(
$
m
i
l
l
i
o
n
s
)

Year
Exponentally Smoothed Cabot Corp. Revenue
Revenue
ES(W=.50)
ES(W=.25)
Pemodelan dan Simulasi, STIKOM Surabaya
Menggunakan ES untuk
Peramalan
Untuk menggunakan ES sebagai fungsi
peramalan gunakan prinsip bahwa: nilai ES
pada saat ini merupakan nilai ramalan
untuk waktu 1 langkah ke depan dari saat
ini, yaitu:

+1
=


Contoh:
Untuk Data Cabot Corp (untuk W=0,25),
Nilai ramalan

2000
=
1999
= 1692,4.

23
Pemodelan dan Simulasi, STIKOM Surabaya
Contoh
Lakukan
perhitungan
Exponensial
Smoothing dan
Gambarkan grafik
untuk data
perusahaan
pemroses makanan
berikut (penjualan
dalam juta $) untuk
W=0,2 dan W=0,7.

24
Year Coded Year Sales
1975 0 41,6
1976 1 48
1977 2 51,7
1978 3 55,9
1979 4 51,8
1980 5 57
1981 6 64,4
1982 7 60,8
1983 8 56,3
1984 9 53,2
1985 10 53,3
1986 11 51,6
1987 12 49
1988 13 38,6
1989 14 37,3
1990 15 43,8
1991 16 41,7
1992 17 38,3
1993 18 36,4
1994 19 38,4
1995 20 42,6
1996 21 34,8
1997 22 28,4
1998 23 23,9
1999 24 27,8
2000 25 42,1
Pemodelan dan Simulasi, STIKOM Surabaya
Pencocokan Tren dan
Peramalan
Komponen dari time-series yang paling
sering dipelajari adalah tren. Karena itu
dibutuhkan cara untuk melakukan
pencocokan tren (trend fitting).
Salah satu metode pencocokan tren
yang paling banyak digunakan adalah
metode kuadrat terkecil (least-squares),
terdiri atas: metode tren linier, metode
tren kuadrat dan metode tren
exponensial.
25
Pemodelan dan Simulasi, STIKOM Surabaya
Model Tren Linier
Model paling sederhana untuk tren linier
adalah menggunakan model regresi
linier, dengan rumusan:

=
0
+
1


Yang mana:

adalah prediksi dari Y pada observasi


ke-i.

adalah nilai X pada observasi ke-i.


26
Pemodelan dan Simulasi, STIKOM Surabaya
Model Tren Linier (2)
Dalam rumus regresi linier di atas, metode kuadrat
terkecil digunakan untuk mencari nilai
0
, yaitu
intersep, dan mencari nilai
1
, yaitu
slope/kemiringan garis.

1
=

=1

=1

=1

=1

=1
2

0
=

=1

=1


27
Pemodelan dan Simulasi, STIKOM Surabaya
Regres
i Linier
untuk
Cabot
Corp.
28
X Year Revenue (Y) X.Y X^2
0 1981 1622,8 0 0 SSXY= 6013,3
1 1982 1587,7 1587,7 1 SSX= 570
2 1983 1558 3116 4
3 1984 1752,5 5257,5 9 b1= 10,54965
4 1985 1407,5 5630 16
5 1986 1309,9 6549,5 25 b0= 1537,185
6 1987 1424 8544 36
7 1988 1676,6 11736,2 49
8 1989 1936,9 15495,2 64
9 1990 1684,7 15162,3 81
10 1991 1488 14880 100
11 1992 1562,2 17184,2 121
12 1993 1618,5 19422 144
13 1994 1686,6 21925,8 169
14 1995 1840,9 25772,6 196
15 1996 1865,2 27978 225
16 1997 1636,7 26187,2 256
17 1998 1652,8 28097,6 289
18 1999 1699 30582 324
Jumlah: 171 31010,5 285107,8 2109
Rata-
rata: 9 1632,131579
Pemodelan dan Simulasi, STIKOM Surabaya
Regresi Linier untuk Cabot Corp.
(2)
29
X Y (prediksi)
0 1.537,18
1 1.547,73
2 1.558,28
3 1.568,83
4 1.579,38
5 1.589,93
6 1.600,48
7 1.611,03
8 1.621,58
9 1.632,13
10 1.642,68
11 1.653,23
12 1.663,78
13 1.674,33
14 1.684,88
15 1.695,43
16 1.705,98
17 1.716,53
18 1.727,08
0
500
1000
1500
2000
2500
Revenue
Regresi
Pemodelan dan Simulasi, STIKOM Surabaya
Contoh
Tentukan tren linier dengan
menggunakan model regresi linier
untuk data revenue (dalam miliar $)
dari perusahaan Eastman Kodak
sejak tahun 1975 sampai tahun
1999 berikut ini.
Tentukan koefisien
1
dan
0
,
Gambarkan grafik revenue dan
tren linier tersebut.
30
Year Real
1975 9,3
1976 9,5
1977 9,9
1978 10,7
1979 11,0
1980 11,8
1981 11,3
1982 11,2
1983 10,2
1984 10,2
1985 9,9
1986 10,5
1987 11,7
1988 14,4
1989 14,8
1990 14,5
1991 14,2
1992 14,4
1993 11,3
1994 9,2
1995 10,0
1996 10,3
1997 9,0
1998 8,2
1999 8,5
Pemodelan dan Simulasi, STIKOM Surabaya
Model Tren Kuadratik
Model tren kuadratik digunakan untuk
mencari tren dari data time-series yang
berfluktuasi mengikuti model fungsi
kuadrat, dengan rumusan:

=
0
+
1

+
2

2

Yang mana:

adalah prediksi dari Y pada observasi


ke-i.

adalah nilai X pada observasi ke-i.


31
Pemodelan dan Simulasi, STIKOM Surabaya
Model Tren Kuadratik (2)
Parameter-parameter
0
,
1
dan
2

ditentukan dengan deretan rumus di
bawah ini:

1
=


2

Yang mana:
=

=1
2

=1

32
Pemodelan dan Simulasi, STIKOM Surabaya
Model Tren Kuadratik (2)
=

=1

=1

=1

=

=1

=1

=1

=

=1

=1

=1

=

=1
2

=1

33
Pemodelan dan Simulasi, STIKOM Surabaya
Model Tren Kuadratik (3)

2
=

1

0
=

=1

=1

2
=1


34
Pemodelan dan Simulasi, STIKOM Surabaya
Contoh
Tentukan tren kuadratik dengan
menggunakan model regresi
multilinier untuk data revenue
(dalam miliar $) dari perusahaan
Eastman Kodak sejak tahun 1975
sampai tahun 1999 berikut ini.
Tentukan koefisien
2
,
1
dan
0
,
Gambarkan grafik revenue dan
tren kuadratik tersebut.
35
Year Real
1975 9,3
1976 9,5
1977 9,9
1978 10,7
1979 11,0
1980 11,8
1981 11,3
1982 11,2
1983 10,2
1984 10,2
1985 9,9
1986 10,5
1987 11,7
1988 14,4
1989 14,8
1990 14,5
1991 14,2
1992 14,4
1993 11,3
1994 9,2
1995 10,0
1996 10,3
1997 9,0
1998 8,2
1999 8,5
Pemodelan dan Simulasi, STIKOM Surabaya
Metode Tren Exponential
Model tren exponential digunakan untuk
mencari tren dari data time-series yang
berfluktuasi mengikuti model fungsi
exponential, dengan rumusan:
log

=
0
+
1

0
adalah estimasi dari log
0

1
adalah estimasi dari log
1
, sehingga:


36
Pemodelan dan Simulasi, STIKOM Surabaya
Contoh
Tentukan tren exponential dengan
menggunakan model regresi linier
untuk data revenue (dalam miliar $)
dari perusahaan Eastman Kodak
sejak tahun 1975 sampai tahun
1999 berikut ini.
Tentukan koefisien
1
dan
0
,
Gambarkan grafik revenue dan
tren exponential tersebut.
37
Year Real
1975 9,3
1976 9,5
1977 9,9
1978 10,7
1979 11,0
1980 11,8
1981 11,3
1982 11,2
1983 10,2
1984 10,2
1985 9,9
1986 10,5
1987 11,7
1988 14,4
1989 14,8
1990 14,5
1991 14,2
1992 14,4
1993 11,3
1994 9,2
1995 10,0
1996 10,3
1997 9,0
1998 8,2
1999 8,5
Pemodelan dan Simulasi, STIKOM Surabaya
Model Autoregressive
Model autoregressive adalah metode
lain selain ketiga metode least-squares
yang telah di bahas sebelumnya untuk
pencocokan tren dan peramalan.
Model autoregressive dengan order ,
seringkali dituliskan sebagai AR .
Rumusan AR :

=
0
+
1

1
+
2

2
++


38
Pemodelan dan Simulasi, STIKOM Surabaya
Model Autoregressive
Keterangan dari rumus di atas:

=nilai pencocokan (fitted value) dari data


untuk waktu ke-.

1
=nilai observasi data untuk waktu ke-
( 1).

2
=nilai observasi data untuk waktu ke-
( 2).

=nilai observasi data untuk waktu ke-


( ).

0
,
1
,
2
,

=koefisien estimasi dari regresi.


39
Pemodelan dan Simulasi, STIKOM Surabaya
Model Autoregressive
Untuk menentukan peramalan sebanyak
tahun ke depan dari periode waktu
sekarang ke , digunakan rumusan
sebagai berikut:

+
=
0
+
1

+1
+
2

+2
+
+

+

40
Pemodelan dan Simulasi, STIKOM Surabaya
Model Autoregressive
Contoh: Untuk meramalkan sebanyak
tahun ke depan dengan menggunakan
AR(2), hanya dibutuhkan sebanyak = 2
data observasi terbaru yaitu:

dan
1
.
Sehingga:
Ramalan 1 tahun ke depan menjadi:

+1
=
0
+
1

+
2

1

Ramalan 2 tahun ke depan menjadi:

+2
=
0
+
1

+1
+
2



41
Pemodelan dan Simulasi, STIKOM Surabaya
Beberapa Metode Perhitungan
Kesalahan
Untuk menghitung tingkat kesalahan dapat
digunakan 2 buah metode yang paling umum
digunakan seperti di bawah ini:
Mean Squared error (MSE):
=

=1


Mean Absolute Percentage Error (MAPE):
= 100

=1



42
Pemodelan dan Simulasi, STIKOM Surabaya
Pengukuran kesalahan peramalan
MAD (Mean Absolute Deviation)

MSE (Mean Squared Error)

MAPE (Mean Absolute Percentage
Error)

MPE (Mean Percentage Error)
n
Y Y
MAD
n
t
t t

n
Y Y
MSE
n
t
t t

1
2
)

(
% 100

n
Y
Y Y
MAPE
n
t t
t t

% 100

n
Y
Y Y
MPE
n
t t
t t
Dimana : Y
t
= nilai sebenarnya pada periode t
= nilai peramalan pada periode t

t
Y

Pemodelan dan Simulasi, STIKOM Surabaya


MACAM-MACAM ERROR
Kesalahan
Waktu Jumlah mobil (Y
t
) Ramalan (Y^
t
) e
t
e
t
e
t
2
e
t
/ Y
t
e
t
/ Y
t

(%) (%)
1 58 - - - - - -
2 54 58 -4 4 16 7.41% -7.41%
3 60 54 6 6 36 10.00% 10.00%
4 55 60 -5 5 25 9.09% -9.09%
5 62 55 7 7 49 11.29% 11.29%
6 62 62 0 0 0 0.00% 0.00%
7 65 62 3 3 9 4.62% 4.62%
8 63 65 -2 2 4 3.17% -3.17%
9 70 63 7 7 49 10.00% 10.00%
Jumlah 12 34 188 55.58% 16.23%
ME = 12/8 1,5

MAD = 34 / 8 = 4.25


MSE = 188 / 8 = 23.5


MAPE = 55,58% / 8 = 6.95%


MPE = 16,23% / 8 = 2.03%

Pemodelan dan Simulasi, STIKOM Surabaya

45