Analisis Peramalan

Trendline

Peramalan
Berkaitan dengan masa depan
Peramalan merupakan tahap
awal dari suatu proses
pengambilan keputusan

Tujuan Peramalan
memberikan gambaran kondisi masa
depan dan konsekuensi yang mungkin
terjadi deskriptif
membentuk masa depan sesuai dengan
nilai, tujuan dan sasaran, serta kondisi
yang diinginkan normatif

Mengapa planning perlu

peramalan?

Mengapa perlu peramalan?

PLANNING
ADALAH SUATU PROSES ANALISIS
DAN TINDAKAN TENTANG SEGALA
SESUATU DI MASA MENDATANG
SEHINGGA PERLU PERAMALAN
TERHADAP KONDISI YANG AKAN
DATANG BERDASARKAN DATA YANG
ADA

 Perencanaan berkaitan dengan

pengambilan keputusan publik
(public decision making) untuk
mengarahkan masa depan
Dengan demikian, prinsip ke-masa
depan-an menjadi salah satu pilar
perencanaan

Jenis Peramalan

Proyeksi peramalan yang berdasarkan pada ekstrapolasi data

sekarang dan data sebelumnya
Prediksi peramalan yang berdasarkan pada asumsi teoritis yang
eksplisit
Spekulasi peramalan yang berdasarkan pada penilaian
subyektif (subjective judgement)

Jenis peramalan

Dasar peramalan

Fokus utama dari

argumentasi

Proyeksi

Kondisi saat ini dan

kecenderungan
sebelumnya

Metode
Kasus yang paralel

Prediksi

Asumsi teoritis

Sebab akibat

Spekulasi

Penilaian subyektif

Pandangan (insight)
Motivasi

Peramalan:
Pendekatan

Peramalan
ekstrapolatif

Peramalan teoritis

Peramalan intuitif

Dasar

Kecenderungan
(trend)
Ekstrapolasi

Teori

Penilaian
subyektif

Pendekatan dan Teknik

Teknik
yang sesuai
Analisis time-series
Analisis trend
Least Square Trend
Estimatimation

Pemetaan teori
Analisis lintasan
Programa linier
Analisis regresi
Analisis korelasi
Metode delphi
Analisis crossimpact

Produk

Proyeksi

Prediksi

Spekulasi

PERAMALAN KUANTITATIF
Time Series & Causal

DERET BERKALA/TIME SERIES

PENDUGAAN MASA DEPAN DILAKUKAN BERDASARKAN NILAI MASA

LALU.
MENEMUKAN POLA DALAM DERET DATA HISTORIS DAN
MENGEKSPLORASIKAN POLA TERSEBUT KE MASA DEPAN.
DIGUNAKAN UNTUK PERAMALAN.
HARUS MEMPERTIMBANGKAN JENIS POLA DATA SHG METODE YG
TEPAT DAPAT DIUJI.

EKSPLANATORIS/CAUSAL/REGRESI

FAKTOR YG DIRAMALKAN MENUNJUKKAN HUBUNGAN SEBAB AKIBAT

DGN SATU ATAU LEBIH VARIABEL BEBAS.
MENEMUKAN BENTUK HUBUNGAN DAN MERAMALKAN NILAI
MENDATANG DARI VARIABEL TAK BEBAS.
DIGUNAKAN UNTUK PENGAMBILAN KEPUTUSAN.

Dalam metode kuantitatif, dapat diterapkan

dalam tiga kondisi berikut:
Tersedia

informasi tentang masa lalu

Informasi tersebut dapat
dikuantitatifkan dalam bentuk data
numerik
Dapat diasumsikan bahwa beberapa
aspek pola masa lalu akan terus
berlanjut di masa mendatang.

PERAMALAN KUALITATIF
Eksploratoris dan Normatif

EKSPLORATORIS

DIMULAI DENGAN MASA LALU DAN MASA KINI SBG

TITIK AWAL DAN BERKERAK KE MASA DEPAN DENGAN
MELIHAT KEMUNGKINAN YG ADA.
CONTOH METODE: DELPHI, KURVA-S, ANALOGI,
MORFOLOGIS.

NORMATIF

DIMULAI DENGAN MENETAPKAN SASARAN DAN TUJUAN

YANG AKAN DATANG, KEMUDIAN BEKERJA MUNDUR
UNTUK MELIHAT APAKAH HAL TSB DAPAT DICAPAI,
BERDASARKAN KENDALA, SUMBER DAYA, DAN
TEKNOLOGI YANG TERSEDIA.
CONTOH METODE: MATRIKS KEPUTUSAN, POHON
RELEVANSI, ANALISA SISTEM.

PERAMALAN KUALITATIF
Eksploratoris dan Normatif
TIDAK MEMERLUKAN DATA SEPERTI DALAM
METODE KUANTITATIF
INPUT YG DIBUTUHKAN TERGANTUNG
METODE TERTENTU.
BIASANYA MERUPAKAN HASIL PEMIKIRAN,
INTUITIF, PERTIMBANGAN, DAN
PENGETAHUAN YANG TELAH DIDAPAT.
INPUT DIDAPAT DARI ORANG-ORANG YANG
TELAH TERLATIH KHUSUS DALAM BIDANG
TERTENTU.

Analisis trendline
(deret berkala).

trendline (deret berkala).

sering kali dapat dengan mudah digunakan untuk

meramal.
disebut sebagai metode peramalan deret berkala
(trendline) karena memiliki karakteristik bahwa
data yang dianalisis bersifat deret yang
menunjukkan waktu yang berkala. Periode waktu
dari data deret berkala dapat berupa tahunan,
mingguan, bulanan, semester, kuartal dan lainlain.
Tujuan metode peramalan deret berkala adalah
menemukan pola dalam deret data historis dan
mengekstrapolasikan pola tersebut ke masa depan

Data deret berkala adalah sekumpulan data yang dicatat dalam suatu periode tertentu

Pola-Pola Data
Pola Data Horisontal

Pola Data Musiman

Waktu

Waktu

Pola Data Siklis

Pola Data Trend

Waktu

Waktu

JENIS / Pola Data

POLA HORISONTAL (H)
NILAI DATA BERFLUKTUASI DI SEKITAR NILAI RATA-RATA KONSTAN (STATIONER THD
NILAI RATA-RATANYA).
CONTOH: PRODUK PENJUALAN YG TIDAK NAIK ATAUPUN TURUN PD KURUN WAKTU
TERTENTU.

POLA MUSIMAM (S)

SUATU DERET DIPENGARUHI OLEH FAKTOR MUSIMAN (KUARTAL TAHUN TERTENTU,
BULANAN, ATAU HARI-HARI PADA MINGGU TERTENTU).
CONTOH: PENJUALAN PRODUK ES KRIM, pemanas ruangan, DLL.

POLA SIKLIS (C)

DATA DIPENGARUHI OLEH FLUKTUASI EKONOMI JANGKA PANJANG .
CONTOH: PENJUALAN BESI BAJA, MOBIL, DLL.

POLA TREND (T)

TERDAPAT KENAIKAN ATAU PENURUNAN SEKULER JANGKA PANJANG DALAM DATA.
CONTOH: PRODUK BRUTO NASIONAL, INDIKATOR BISNIS, DLL .
PEMILIHAN SUATU METODE DERET BERKALA YG TEPAT TERGANTUNG DARI JENIS POLA DATA YG ADA

Least Square Trend

Estimation

Least Square berarti meminimalkan jarak antara garis

persamaan regresi dengan nilai observasi.
Semakin dekat jarak antara persamaan regresi dengan nilai
observasi; berarti hasil proyeksi semakin akurat.

Untuk menilai akurat / tidaknya suatu persamaan regresi

yang merupakan hasil proyeksi dengan melihat nilai R2 .
R2 semakin mendekati nilai 1 proyeksi semakin akurat.

18

CONTOH ANALISIS LEAST SQUARE TREND ESTIMATION

JML PDDK

Hasil proyeksi paling akurat karena

Nilai R2 paling mendekati nilai 1.

Y= besarnya jlh pddk pada tahun ke n

X= selisih tahun awal dengan tahun
yang akan diprediksi

19
TAHUN KE-

DAFTAR PUSTAKA

Dunn, W. 1981. Public Policy Analysis. New York: Prentice-Hall,

Inc.
Field, B.G. (et.all). 1987. Forecasting Techniques for Urban and
Regional Planning. Glasgow: UCL Press.
Makridakis, S. (et.all). 1983. Forecasting: Methods and
Applications. New York: John Wiley and Sons
Thaha, H.A. 1997. Operations Research: An Introduction.
Upper Saddle River: Prentice-Hall