METODE

PERAMALAN
KUANTITATIF
Pertemuan 4 dan 5

Peramalan Kuantitatif
Peramalan yang didasarkan atas data
kuantitatif pada masa lalu.
Hasil peramalan yang dibuat sangat
tergantung pada metode yang digunakan.
Dengan metode yang berbeda akan
diperoleh hasil peramalan yang berbeda.

Yang perlu diperhatikan dari penggunaan

metode-metode tersebut adalah:
Baik tidaknya metode yang dipergunakan
sangat ditentukan oleh perbedaan atau
penyimpangan antara hasil peramalan
dengan kenyataan yang terjadi.
Metode yang baik adalah metode yang
memberikan nilai-nilai perbedaan atau
penyimpangan yang paling sedikit.

3 hal yang diperlukan dalam peramalan

kuantitatif, yaitu:
Adanya informasi tentang keadaan yang
lalu.
Informasi tersebut dapat dikuantifikasikan.
Dapat diasumsikan bahwa pola yang lalu
akan berkelanjutan pada masa yang akan
datang.

Metode peramalan kuantitatif dibedakan

menjadi 2, yaitu:
Metode deret waktu (Time Series Methods),
yaitu metode peramalan yang didasarkan atas
penggunaan analisis pola hubungan antara variabel yang
akan diramalkan dengan variabel waktu yang merupakan
deret waktu.
Misal, metode smoothing, Box-Jenkins, proyeksi trend
dengan regresi, dll.

Metode sebab akibat (Causal Methods),

yaitu metode peramalan yang didasarkan atas
penggunaan analisis pola hubungan antara variabel yang
akan diramalkan dengan variabel lain yang
mempengaruhinya, yang bukan waktu.
Misal, metode regresi dan korelasi, metode ekonometri,
dsb.

METODE SMOOTHING
(PEMULUSAN)

3 MACAM METODE PEMULUSAN:

Metode Sederhana (Nave Model)
Digunakan untuk membuat model-model yang
sederhana yang menganggap bahwa periode yang baru
saja berlalu adalah alat peramalan yang baik untuk
meramalkan keadaan di masa datang.

Metode Rata-rata (Average Model)

Dikembangkan berdasarkan rata-rata bobot
pengamatan.

Metode Pemulusan (Smoothing Model)

Didasarkan pada nilai rata-rata serial data masa lalu
secara eksponensial

Gambaran peramalan:

Data masa
lalu
Yt-3, Yt-2, Yt-1

Anda disini
t
Yt

Periode
yang
diramalkan
Yt 1 Yt 2 Yt 3

Kaitan Pola Data dengan beberapa Metode

Peramalan
Time Series Patterns
Stationer

Nave Model

Simple
Averages

Moving
Averages
Single
Exponential
Smoothing

Trend Effect

Seasonal Effect

Nave Model

Double
Moving
Averages
Double
Exponential
Smoothing

Trend and
Seasonal

Nave Model

Winters Model

Metode Sederhana (Nave Model)

model peramalan yang paling sederhana yang menganggap bahwa
pengamatan pada periode waktu yang baru saja berlalu adalah alat
peramalan yang terbaik untuk meramalkan keadaan di masa datang.
1. Model sederhana untuk data stasioner

Yt 1 Yt

2. Model sederhana untuk data trend

Yt 1 Yt (Yt Yt 1 )

3. Model sederhana untuk data musiman

(Yt Yt 1 ) ..... (Y( t 1) s Yt s )
Yt 1 Y( t 1) s
s

Tahun
1987

1988

1989

1990

1991

1992

1993

Kuartal
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4

t
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28

Penjualan (Yt)
500
350
250
400
450
350
200
300
350
200
150
400
550
350
250
550
550
400
350
600
750
500
400
650
850
600
450
700

Y lag 1 periode
koefisien otokorelasi tingkat pertama
r1 =

0.471668349

Pengujian hipotesis untuk menentukan apakah data time series di atas random
atau tidak
H0 : r1 = 0 vs H1 : r1 0
Taraf signifikan 5%
Daerah kritis : H0 ditolak bila r1 < 0 - z * 1/n atau r1 > 0 + z * 1/n
dimana
z = nilai normal standar untuk interval kepercayaan 95%
n = jumlah observasi data time series
Hitungan
:
Dari persoalan di atas di peroleh:
z = 1,96
n = 28
maka H0 ditolak bila r1 < 0 - (1,96) * 1/28 atau r1 > 0 + (1,96) * 1/28
H0 ditolak bila r1 < - 0,3704 atau r1 > 0,3704
Kesimpulan: karena r1 = 0,471668 > 0,3704 maka H0 ditolak, artinya data time series di atas
random.

Y lag 2 periode
koefisien otokorelasi tingkat
pertama r2 =

0.04890207

Pengujian hipotesis untuk menentukan apakah data time series di atas random
atau tidak
H0 : r2 = 0 vs H1 : r2 0
Taraf signifikan
5%
Daerah kritis : H0 ditolak bila r1 < 0 - z * 1/n atau r1 > 0 + z *
1/n
dimana
z = nilai normal standar untuk interval kepercayaan 95%
n = jumlah observasi data time
series
Hitungan
:
Dari persoalan di atas di peroleh:
z = 1,96
n = 28
maka H0 ditolak bila r2 < 0 - (1,96) * 1/28 atau r2 > 0 + (1,96) *
1/28
H0 ditolak bila r2 < - 0,3704 atau r2 > 0,3704
Kesimpulan: karena r1 = 0,0489 < 0,3704 maka H0 diterima, artinya data time series di atas
tidak random.

Jadi,
Dari dua hasil perhitungan Y lag 1 periode dan Y lag 2
periode, terlihat bahwa koefisien otokorelasi dari data
time series tersebut mendekati nol setelah 2 periode.
Hal ini mengindikasikan bahwa data time series tersebut
merupakan data yang stasioner.
Catatan: untuk data time series yang tidak stasioner
maka koefisien-koefisien tersebut secara signifikan tidak
sama dengan nol untuk beberapa periode waktu.

Karena data time series penjualan tersebuit

diindikasikan merupakan data stasioner, maka:
Peramalan untuk kuartal pertama tahun 1993 adalah Yt+1
(topi) = Yt adalah Y25 (topi) = Y24 = 650
Kesalahan peramalan yang terjadi pada periode ke-25
adalah e25 = Y25 - Y25 (topi) = 850 650 = 200
Peramalan untuk kuartal kedua tahun 1993 adalah Y26
(topi) = Y25 = 850
Kesalahan peramalan yang terjadi pada periode ke-26
adalah e26 = Y26 - Y26 (topi) = 600 850 = -250
Dst.

Jika dilihat dari gambar grafik titik terlihat

bahwa data tidak hanya stasioner tetapi
mengikuti suatu trend (penjualan
meningkat dari waktu ke waktu)
Sehingga model stasioner perlu
dimodifikasi menjadi:
Yt+1 (topi) = Yt + (Yt - Yt-1)

Diperoleh hasil peramalan:

Y25 (topi) = Y24 + (Y24 - Y23)
Y25 (topi) = 650 + (650 - 400) = 900

Kesalahan peramalan:
e25 = Y25 - Y25 (topi) = 850 900 = -50

Bila diamati, data time series penjualan

juga terdapat variasi musiman, di aman
penjualan pada kuartal keempat
umumnya lebih besar dari penjualan pada
kuartal-kuartal yang lain.
Sehingga, diindikasikan juga bahwa
terdapat pola musiman, sehingga model
dapat disesuaian, yaitu:
(Yt Yt 1 ) ..... (Y( t 1) s Yt s )
Yt 1 Y( t 1) s
s

Diperoleh hasil peramalan:

(Yt Yt 1 ) ..... (Y( t 1) s Yt s )
Yt 1 Y( t 1) s
s
(Y Y ) (Y23 Y22 ) (Y22 Y21 ) (Y21 Y20 )
Y25 Y21 24 23
4
(650 400) (400 500) (500 750) (750 600)
Y25 750
4

Y25 (topi) = 750 + 12,5 = 762,5

Kesalahan peramalan:
e25 = Y25 - Y25 (topi) = 850 762,5 = 87,5

Measuring Forecasting Error

MSE/MSD (mean squared error)

rata-rata kuadrat kesalahan (residual atau error).
MAD (mean absolute deviation)
ukuran kesalahan peramalan dalam unit ukuran yang
sama dengan data aslinya.
MAPE (mean absolute percentage error)
persentase kesalahan absolut rata-rata.
MPE (mean percentage error)
persentase kesalahan rata-rata.

Menghitung MSE unt 3 model tsb.

Tahu Kuart
n
al
1987
1
2
3
4
1988
1
2
3
4
1989
1
2
3
4
1990
1
2
3
4
1991
1
2
3
4
1992
1
2
3
4
1993
1
2
3
4
Jumla
h
count
MSE

t
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28

Penjualan ramalan dari data

(Yt)
stasioner
500
350
500
250
350
400
250
450
400
350
450
200
350
300
200
350
300
200
350
150
200
400
150
550
400
350
550
250
350
550
250
550
550
400
550
350
400
600
350
750
600
500
750
400
500
650
400
850
650
600
850
450
600
700
450
12400

ramalan dari
e e^2
data trend
-150
22500
-100
10000
200
150
22500
150
50
2500
550
-100
10000
500
-150
22500
250
100
10000
50
50
2500
400
-150
22500
400
-50
2500
50
250
62500
100
150
22500
650
-200
40000
700
-100
10000
150
300
90000
150
0
0
850
-150
22500
550
-50
2500
250
250
62500
300
150
22500
850
-250
62500
900
-100
10000
250
250
62500
300
200
40000
900
-250
62500
850
-150
22500
600
250
62500
450
785000
27
29074.1

ramalan dari data

e e^2
musiman
e e^2
50
2500
250 62500
-100 10000
-150 22500
337.5
12.5
156.25
-50
2500
250
-50
2500
250 62500
387.5
-87.5
7656.25
-50
2500
425
-75
5625
-200 40000
325
-125
15625
100 10000
162.5
-12.5
156.25
300 90000
287.5
112.5 12656.25
-100 10000
375
175
30625
-350 122500
250
100
10000
100 10000
187.5
62.5
3906.25
400 160000
425
125
15625
-300 90000
587.5
-37.5
1406.25
-150 22500
350
50
2500
100 10000
262.5
87.5
7656.25
300 90000
575
25
625
-100 10000
562.5
187.5 35156.25
-400 160000
450
50
2500
150 22500
375
25
625
350 122500
612.5
37.5
1406.25
-50
2500
762.5
87.5
7656.25
-250 62500
525
75
5625
-150 22500
425
25
625
250 62500
662.5
37.5
1406.25
128500
0
171718.75
26
23
7466.03260
49423.1
9

Dari hasil tersebut terlihat bahwa:

MSE untuk model stasioner = 29074,1
MSE unt model trend = 49423,1
MSE unt model musiman = 7466,03

Kesimpulan model peramalan terbaik untuk data

time series penjualan adalah model sederhana
(Nave model) untuk musiman, karena MSE
terkecil.

Metode Rata-Rata (Average Methods)

1. Rata-rata Sederhana (Simple Averages)
n

Yt

Yt 1
t 1 n

Untuk data stasioner

2. Rata-rata Bergerak (Moving Averages)

(Yt Yt 1 Yt n 1 )

M t Yt 1
n
Untuk data stasioner

Metode Rata-rata Sederhana

Tahun
1987

1988

1989

1990

1991

1992

1993

Kuartal
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
Jumlah
count
MSE

t
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28

Penjualan (Yt)
500
350
250
400
450
350
200
300
350
200
150
400
550
350
250
550
550
400
350
600
750
500
400
650
850
600
450
700
12400

Ramalan

500
425
366.66667
375
390
383.33333
357.14286
350
350
335
318.18182
325
342.30769
342.85714
336.66667
350
361.76471
363.88889
363.15789
375
392.85714
397.72727
397.82609
408.33333
426
432.69231
433.33333
10199.737

e^2

-150
-175
33.333333
75
-40
-183.3333
-57.14286
0
-150
-185
81.818182
225
7.6923077
-92.85714
213.33333
200
38.235294
-13.88889
236.84211
375
107.14286
2.2727273
252.17391
441.66667
174
17.307692
266.66667
1700.2629

22500
30625
1111.111111
5625
1600
33611.11111
3265.306122
0
22500
34225
6694.214876
50625
59.17159763
8622.44898
45511.11111
40000
1461.937716
192.9012346
56094.18283
140625
11479.59184
5.165289256
63591.68242
195069.4444
30276
299.556213
71111.11111
876781.048
27
32473.37215

Metode Rata-rata Bergerak

Tahun
1987

1988

1989

1990

1991

1992

1993

Kuartal
1
2
3
4
1
2

t
1
2
3
4
5
6

Penjualan (Yt)
500
350
250
400
450
350

3
4
1
2

7
8
9
10

200
300
350
200

362.5
350
325
300

-162.5
-50
25
-100

3
4
1
2

11
12
13
14

150
400
550
350

262.5
250
275
325

-112.5
150
275
25

15

250

362.5

-112.5

4
1
2
3

16
17
18
19

550
550
400
350

387.5
425
425
437.5

162.5
125
-25
-87.5

4
1
2
3
4
1
2
3

20
21
22
23
24
25
26
27

600
750
500
400
650
850
600
450

462.5
475
525
550
562.5
575
600
625

137.5
275
-25
-150
87.5
275
0
-175

Ramalan
375
362.5

e
-

75
-12.5

e^2
5625
156.25
26406.2
5
2500
625
10000
12656.2
5
22500
75625
625
12656.2
5
26406.2
5
15625
625
7656.25
18906.2
5
75625
625
22500
7656.25
75625
0
30625