Pemilihan Teknik Peramalan
Pemilihan Teknik Peramalan
A. Teknik-teknik Peramalan
Kelompok 2
data adalah himpunan eror dari teknik peramalan yang dianggap cukup
baik (memadai).
Teknik yang bisa digunakan
Nave
Simple averaging
Moving average
Autoregressive moving average (ARMA)
Kelompok 2
Kelompok 2
Trend jarang terulang di interval waktu yang tetap dan besarnya fluktuasi
cenderung bervariasi. Metode dekomposisi dapat diperluas untuk menganalisis data
siklis. Akan tetapi, karena sifat yang tidak teratur dari siklus,penganalisaan
komponen siklis dari rangkaian sering memerlukan penemuan kejadian yang
kebetulan atau kepemimpinan indikator ekonomi.
Teknik peramalan untuk data siklis digunakan jika
putaran bisnis mempengaruhi variabel minat
Contoh : ekonomi, pasar dan faktor persaingan.
adanya pergantian selera,mode, dll
Contoh : fashion,musik,makanan,dll.
terjadinya perubahan dalam penduduk.
Contoh : perang, kelaparan, wabah penyakit dan bencana alam
adanya pergantian siklus produk
Contoh : pengenalan, pertumbuhan, kematangan dan kejenuhan pasar, dan
penurunan.
Teknik yang bisa digunakan
Clasical decompotition
Economic indicator
Econometrics model
Multiple regression
ARIMA
Pengkategorian pemilihan teknik peramalan untuk suatu data tertentu dapat dilihat pada
Tabel 1.
Kelompok 2
Pattern of
data
Time
horizon
Type of
model
ST.T.S
ST
ST
S
S
S
TS
TS
TS
Nonseasonal
1
30
4-20
ST
TS
TS
TS
TS
S
T
C,S
S
I
I
TS
C
C
TS
I,L
TS
10
T
T
T
S
ST,T,C,S
C
I.L
I.L
I,L
S
S
S
TS
TS
TS
TS
TS
C
10
10
10
30
T,S
I,L
Seasonal
2xs
5xs
10
10 x V
5xs
24
24
6xs
3xs
6xs
Kelompok 2
waktu meskipun ada lebih dari satu variabel yang ditunjukkan. Periode waktu
bergabung dengan observasi yang ditunjukkan sebagai tanda. Oleh karena itu, 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. akan diletakkan di atas
sebuah nilai untuk mengindikasi bahwa hal tersebut sedang diramal. Nilai ramalan
untuk Yt adalah t . Ketepatan dari teknik peramalan sering kali dinilai dengan
membandingkan deret asli Y1 , Y2 , dengan deret nilai ramalan 1 ,2 ,
Kelompok 2
masing-masing kesalahan). MAD paling berguna ketika orang yang menganalisa ingin
mengukur kesalahan ramalan dalam unit yang sama sebagai deret asli.
1
=
| |
=1
The Mean Squared Error (MSE) adalah metode lain untuk mengevaluasi
metode peramalan. Masing-masing kesalahan atau sisa dikuadratkan. Kemudian
dijumlahkan dan dibagi dengan jumlah observasi. Pendekatan ini mengatur kesalahan
peramalan yang besar karena kesalahan-kesalahan itu dikuadratkan. Suatu teknik yang
menghasilkan kesalahan moderat mungkin lebih baik untuk salah satu yang memiliki
kesalahan kecil tapi kadang-kadang menghasilkan sesuatu yang sangat besar. Berikut
ini rumus untuk menghitung MSE :
1
=
( )2
=1
Ada kalanya persamaan ini sangat berguna untuk menghitung kesalahankesalahan peramalan dalam bentuk presentase daripada jumlah. The Mean Absolute
Percentage Error (MAPE) dihitung dengan menggunakan kesalahan absolut pada tiap
periode dibagi dengan nilai observasi yang nyata untuk periode itu. Kemudian, meratarata kesalahan persentase absolut tersebut. Pendekatan ini berguna ketika ukuran atau
besar variabel ramalan itu penting dalam mengevaluasi ketepatan ramalan. MAPE
mengindikasi seberapa besar kesalahan dalam meramal yang dibandingkan dengan
nilai nyata pada deret. Metode MAPE digunakan jika nilai Yt besar. MAPE juga dapat
digunakan untuk membandingkan ketepatan dari teknik yang sama atau berbeda dalam
dua deret yang sangat berbeda dan mengukur ketepatan nilai dugaan model yang
dinyatakan dalam bentuk rata-rata persentase absolut kesalahan. MAPE dapat dihitung
dengan rumus sebagai berikut:
1
=
Kelompok 2
=1
| |
Ada kalanya perlu untuk menentukan apakah suatu metode peramalan bias
(peramalan tinggi atau rendah secara konsisten). The Mean Percentage Error (MPE)
digunakan dalam kasus ini. MPE dihitung dengan mencari kesalahan pada tiap periode
dibagi dengan nilai nyata untuk periode itu. Kemudian, merata-rata kesalahan
persentase ini. Jika pendekatan peramalan tak bias, MPE akan menghasilkan angka
yang mendekati nol. Jika hasilnya mempunyai presentase negatif yang besar, metode
peramalannya dapat dihitung. Jika hasilnya mempunyai persentase positif yang besar,
metode peramalan tidak dapat dihitung. MPE dapat dihitung dengan rumus sebagai
berikut:
1
=
=1
( )
pada periode sebelumnya sebagai peramalan untuk periode saat ini. Perhitungan
berikut digunakan untuk mengevaluasi model ini dengan menggunakan MAD, MSE,
MAPE , dan MPE.
error
et
et2
Customer
Yt
Forecast
t
58
54
60
55
62
62
65
63
70
58
54
60
55
62
62
65
63
-4
6
-5
7
0
3
-2
7
4
6
5
7
0
3
2
7
16
36
25
49
0
9
4
49
0.074
0.1
0.091
0.l13
0
0.046
0.032
0.1
-0.074
0.1
-0.091
0.113
0
0.046
-0.032
0.1
Total
12
34
188
0.556
0.162
1
=
1
=
1
=
1
=
=1
=1
| et |
=
=1
=1
| et | / Y t
et / Y t
34
= 4.3
8
188
= 23.5
8
0.556
=
= 0.0695 6.95%
( ) 0.162
=
= 0.0203(2.03%)
Kelompok 2
10
Tahun
Yt
Tahun
Yt
Tahun
Yt
1955
1956
3307
3556
1967
1968
7296
8178
1979
1980
17514
25195
1991
1992
57242
52345
1957
3601
1969
8844
1981
27357
1993
50838
1958
1959
3721
4036
1970
1971
9251
10006
1982
1983
30020
35883
1994
1995
54559
34925
1960
4134
1972
10991
1984
38828
1996
38236
1961
1962
4268
4578
1973
1974
12306
13101
1985
1986
40715
44282
1997
1998
41296
41322
1963
5093
1975
13639
1987
48440
1999
41071
1964
5716
1976
14950
1988
50251
2000
40937
1965
6357
1977
17224
1989
53794
1966
6769
1978
17946
1990
55972
Autocorrelation
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
1
10
Lag
Kelompok 2
11
Autocorrelation
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
1
10
Lag
ditunjukkan
pada
Gambar
2.
Pemeriksaan
koefisien
autokorelasi
mengindikasikan bahwa hanya lag 3 yang mempunyai koefisien korelasi 0.34 tidak
sama dengan nol ( pada taraf 5% ). Statistik Q untuk 10 waktu lag juga diperiksa.
Nilai LBQ = 7.63 pada output minitab kurang dari nilai chi-square dengan derajat
bebas 8 dan = 5% yaitu 15.5 (pada kasus ini derajat bebas sama dengan jumlah lag
yang diuji dikurangi jumlah parameter pada model linear exponential smoothing
yang telah disesuaikan dengan data). Meskipun residual autokorelasi pada lag 3
bisa dikatakan besar, sebagai suatu kelompok 10 lag pertama residual autokorelasi
tidak seperti itu untuk suatu deret random yang lengkap. Maggie memutuskan
untuk menggunakan Holts linear exponential smoothing
mungkin untuk meramalkan pendapatan operasi pada tahun 2001 untuk Sears.
D. Kesimpulan
1. Beberapa teknik yang dapat digunakan
a) teknik yang dapat digunakan untuk data stasioner adalah Nave, Simple
averaging,Moving average, Autoregressive moving average (ARMA).
Kelompok 2
12
b) teknik yang dapat digunakan untuk data trend adalah Moving average, Holt
linear exponential smoothing, Simple regression, Growth curve, Exponential,
Autoregressive integrated moving average.
c) teknik yang dapat digunakan untuk data musiman adalah Clasical
decomposition, Census X-12, Winters exponential smoothing, Multiple
regression, Autoregressive integrated moving average.
d) teknik yang dapat digunakan untuk data siklis adalah Clasical decompotition,
Economic indicator, Econometrics model, Multiple regression, ARIMA.
13
DAFTAR PUSTAKA
Hanke, John E.1992. Business Forecasting.Edisi ke-8. New Jersey: Pearson Education
International.
Santoso, Singgih.2009.Business Forecasting Metode Peramalan Bisnis Masa Kini dengan
Minitab dan SPSS, PT Elex Media Komputindo, Jakarta.
http://ririez.blog.uns.ac.id/
Kelompok 2
14