Peramalan

(Forecasting)
5.1

Pengertian Peramalan

Peramalan (forecasting) merupakan bagian vital bagi setiap organisasi bisnis

dan untuk setiap pengambilan keputusan manajemen yang sangat signifikan.
Peramalan menjadi dasar bagi perencanaan jangka panjang perusahaan. Dalam area
fungsional keuangan, peramalan memberikan dasar dalam menentukan anggaran
dan pengendalian biaya. Pada bagian pemasaran, peramalan penjualan dibutuhkan
untuk merencanakan produk baru, kompensasi tenaga penjual, dan beberapa
keputusan penting lainnya. Selanjutnya, pada bagian produksi dan operasi
menggunakan data-data peramalan untuk perencanaan kapasitas, fasilitas, produksi,
penjadwalan, dan pengendalian persedian (inventory control). Untuk menetapkan
kebijakan ekonomi seperti tingkat pertumbuhan ekonomi, tingkat pengangguran,
tingkat inflasi, dan lain sebagainya dapat pula dilakukan dengan metode peramalan.
Peramalan adalah penggunaan data masa lalu dari sebuah variabel atau
kumpulan variabel untuk mengestimasi nilainya di masa yang akan datang. Asumsi
dasar dalam penerapan teknik-teknik peramalan adalah:If we can predict what the
future will be like we can modify our behaviour now to be in a better position, than
we otherwise would have been, when the future arrives. Artinya, jika kita dapat
memprediksi apa yang terjadi di masa depan maka kita dapat mengubah kebiasaan
kita saat ini menjadi lebih baik dan akan jauh lebih berbeda di masa yang akan
datang. Hal ini disebabkan kinerja di masa lalu akan terus berulang setidaknya dalam
masa mendatang yang relatif dekat.

5.2

Metode Peramalan

Salah satu cara untuk mengklasifikasikan permasalahan pada peramalan

adalah mempertimbangkan skala waktu peramalannya yaitu seberapa jauh rentang
waktu data yang ada untuk diramalkan. Terdapat tiga kategori waktu yaitu jangka
pendek (minggu bulan), menengah (bulan tahun), dan jangka panjang (tahun
dekade). Tabel berikut ini menunjukkan tipe-tipe keputusan berdasarkan jangka
waktu peramalannya.
Tabel 5.1 Rentang Waktu dalam Peramalan
Rentang Waktu
Tipe Keputusan
Contoh
Jangka Pendek
( 3 6 bulan)
Jangka Menengah
( 2 tahun)
Jangka Panjang
(Lebih dari 2 tahun)

Operasional
Taktis
Strategis

Perencanaan Produksi,
Distribusi
Penyewaan Lokasi dan
Peralatan
Penelitian dan
Pengembangan untuk
akuisisi dan merger
Atau pembuatan produk baru

Selain rentang waktu yang ada dalam proses peramalan, terdapat juga teknik
atau metode yang digunakan dalam peramalan. Metode peramalan dapat
diklasifikasikan dalam dua kategori, yaitu:
1. Metode Kualitatif
1

Metode ini digunakan dimana tidak ada model matematik, biasanya

dikarenakan data yang ada tidak cukup representatif untuk meramalkan masa
yang akan datang (long term forecasting). Peramalan kualitatif menggunakan
pertimbangan pendapat-pendapat para pakar yang ahli atau expert di bidangnya.
Adapun kelebihan dari metode ini adalah biaya yang dikeluarkan sangat murah
(tanpa data) dan cepat diperoleh. Sementara kekurangannya yaitu bersifat
subyektif sehingga seringkali dikatakan kurang ilmiah.
Salah satu pendekatan peramalan dalam metode ini adalah Teknik Delphi,
dimana menggabungkan dan merata-ratakan pendapat para pakar dalam suatu
forum yang dibentuk untuk memberikan estimasi suatu hasil permasalahan di
masa yang akan datang. Misalnya: berapa estimasi pelanggan yang dapat
diperoleh dengan realisasi teknologi 3G.
2. Metode Kuantitatif
Penggunaan metode ini didasari ketersediaan data mentah disertai
serangkaian kaidah matematis untuk meramalkan hasil di masa depan. Terdapat
beberapa macam model peramalan yang tergolong metode kualitiatif, yaitu:
a) Model-model Regresi
Perluasan dari metode Regresi Linier dimalan meramalkan suatu variabel
yang memiliki hubungan secra linier dengan variabel bebas yang diketahui
atau diandalkan.
b) Model Ekonometrik
Menggunakan serangkaian persamaan-persamaan regresi dimana terdapat
variabel-variabel tidak bebas yang menstimulasi segmen-segmen ekonomi
seperti harga dan lainnya.
c) Model Time Series Analysis (Deret Waktu)
Memasang suatu garis trend yang representatif dengan data-data masa lalu
(historis) berdasarkan kecenderungan datanya dan memproyeksikan data
tersebut ke masa yang akan datang.

5.3

Prosedur Peramalan

Dalam melakukan peramalan terdiri dari beberapa tahapan khususnya jika

menggunakan metode kuantitatif. Tahapan tersebut adalah:
1. Definisikan Tujuan Peramalan
Misalnya peramalan dapat digunakan selama masa pra-produksi untuk
mengukur tingkat dari suatu permintaan.
2. Buatlah diagram pencar (Plot Data)
Misalnya memplot demand versus waktu, dimana demand sebagai ordinat
(Y) dan waktu sebagai axis (X).
3.
Memilih model peramalan yang tepat
Melihat dari kecenderungan data pada diagram pencar, maka dapat dipilih
beberapa model peramalan yang diperkirakan dapat mewakili pola tersebut.
4. Lakukan Peramalan
5. Hitung kesalahan ramalan (forecast error)
Keakuratan suatu model peramalan bergantung pada seberapa dekat nilai
hasil peramalan terhadap nilai data yang sebenarnya. Perbedaan atau selisih

antara nilai aktual dan nilai ramalan disebut sebagai kesalahan ramalan
(forecast error) atau deviasi yang dinyatakan dalam:
et = Y(t) Y(t)
Dimana : Y(t) = Nilai data aktual pada periode t
Y(t) = Nilai hasil peramalan pada periode t
t
= Periode peramalan
Maka diperoleh Jumlah Kuadrat Kesalahan Peramalan yang disingkat
SSE (Sum of Squared Errors) dan Estimasi Standar Error (SEE
Standard Error Estimated)
SSE = e(t)2 = [Y(t)-Y(t)]2
n

SEE

[Y (t ) Y ' (t )]
i 1

n2

6. Pilih Metode Peramalan dengan kesalahan yang terkecil.

Apabila nilai kesalahan tersebut tidak berbeda secara signifikan pada tingkat
ketelitian tertentu (Uji statistik F), maka pilihlah secara sembarang metodemetode tersebut.
7. Lakukan Verifikasi
Untuk mengevaluasi apakah pola data menggunakan metode peramalan
tersebut sesuai dengan pola data sebenarnya.

5.4

Analisis Deret Waktu (Time Series Analysis)

Berikut ini akan dijabarkan cara melakukan peramalan dengan menggunakan

model Time Series Analysis yang terdiri dari beberapa model. Adapun asumsi dasar
dalam menggunakan model deret waktu ini adalah pola data ramalan akan sama
dengan pola data sebelumnya. Model yang termasuk kategori model deret waktu
yaitu: (1) Model Konstan, (2) Model Siklis (musiman), (3) Model Analisis Regresi,
(4) Model Moving Average, (5) Model Exponential Smoothing.

5.4.1 Model Konstan (Constant Forecasting)

Persamaan garis yang menggambarkan pola konstan adalah:
Y(t) = a

dimana a = konstanta

Untuk mendapatkan nilai (a) maka dapat didekati melalui turunan kuadrat
terkecilnya (least square) terhadap (a) sebagai berikut:
n

E [Y (t ) a ]2
i 1

dE
0
da

2 [Y (t ) a ] 0

diperoleh

i 1

i 1

Y (t ) a 0

i 1

; maka

Y (t ) na 0
i 1

Y (t )
i 1

Sehingga:

a
; dimana n = jumlah periode peramalan

Jadi, apabila pola data berbentuk konstan, maka peramalannya dapat didekati
dengan harga rata-rata dari data tersebut.
Soal 1
Diberikan data permintaan pabrik konveksi PT Garmen Mandiri dari bulan
Januari sampai Juni tahun 2006. Tentukan jumlah permintaan untuk lima bulan
selanjutnya dengan menggunakan model konstan!
Bulan
(t)
Jan
Feb
Mar
Apr
Mei
Jun

Permintaan dalam unit

(Y)
46
56
54
43
57
56

Jawaban
Menghitung Konstanta a :
(46 56 54 43 57 56)
52
6
a=

Jadi permintaan untuk bulan Juli sampai dengan November 2006 dapat didekati
dengan harga rata-ratanya (a) yaitu 52 unit.

5.4.2 Model Siklis (Musiman)

Untuk pola data yang bersifat siklis atau musiman, persamaan garis yang
mewakili dapat didekati dengan fungsi trigonometri, yaitu:

Y ' (t ) a u cos

2
2
t v sin
t
n
n

.............................................(1)
Dimana n adalah jumlah periode peramalan
Jumlah Kuadrat Kesalahan Terkecil didefinisikan sebagai:

2
2 2
t v sin
t )]
N
N

E [Y (t ) a u cos
i 1

Bentuk diskriminannya adalah sebagai berikut:

k'

k
k cos
k sin

cos

n
2
N
2
N

2
N
0

sin

2
N
0
0

t
0

Maka:
n
k' 0

0
n
2

2
0 1 k cos
t
N
n
2
k sin N t
2

0
n
2
0

n
k
2
2
0 cos
t k cos
t 0
N
N
n
2
k sin N t 0
2
0

n
k
2
2
0 sin
t k cos
t 0
N
N
n
2
k sin N t 0
2
0

0
n
0
2
0

Soal 2
Diketahui data permintaan produksi chip pada tahun 2005 sebagai berikut:
Bulan
Permintaan dalam unit
(t)
(Y)
Jan
73
Feb
83
Mar
92
Apr
107
Mei
114
Jun
129
Jul
91
Aug
108
Spt
116
Oct
79
Nov
92
Des
93
a. Tentukan demand di tahun berikutnya dengan metode peramalan pola data siklis
b. Hitunglah standard error estimate-nya!
Jawaban:
t

k=
d -98

h=
t-6

hk

sin
(2t/12

cos
(2t/12

kcos(t/6
)

ksin(t/6
)
5

Jan
Feb
Mar
Apr
May
Jun
Jul
Aug
Sept

72
83
92
107
114
129
91
108
116

-26
-15
-6
9
16
31
-7
10
18

-5
-4
-3
-2
-1
0
1
2
3

130
60
18
-18
-16
0
-7
20
54

)
0.500
0.866
1.000
0.866
0.500
0.000
-0.500
-0.866
-1.000

79
92

-19
-6

4
5

-76
-30

-0.866
-0.500

0.500
0.866

-9.50
-5.20

16.45
3.00

93

-5

-30

0.000

1.000

-5.00

0.00

1176

105

0.000

0.000

-98.01

-19.90

1
2
3
4
5
6
7
8
9
1
0
11
1
2
7
8

k'

cos

0
12
98.01 0
19.90 0

0
6
0

Oct
Nov
Dec
Total

t
6

)
0.866
0.500
0.000
-0.500
-0.866
-1.000
-0.866
-0.500
0.000

-22.52
-7.50
0.00
-4.50
-13.86
-31.00
6.06
-5.00
0.00

-13.00
-12.99
-6.00
7.79
8.00
0.00
3.50
-8.66
-18.00

t
6
0 0
0
6

sin

Maka:
12 0 0
0
0 0
0
12 0
0
12 0
t
t
k ' 0 6 0 1 98.01 6 0 cos 98.01 0 0 sin
98.01 0 6 0
6
6
0 0 6
19.90 0 6
19.90 0 6
19.90 0 0

t
t
(7056.72) sin 1432.80 0
6
6
t
t
k ' 16.33 cos 3.32 sin
6
6
k ' (432) cos

sehingga persamaan garisnya :

Y ' (t ) d k '

Y ' (t ) 98 16.33 cos

Month

Demand

t
t
3.32 sin
6
6

Forecast

Error

(Y - Y')^2

(Y)
January
February
March
April
May
June
July
August
Septembe
r
October
November
December
Totals

1
2
3
4
5
6
7
8

72
83
92
107
114
129
91
108

(Y)
82.20
86.96
94.68
103.29
110.48
114.33
113.80
109.04

9
10
11
12
78

116
79
92
93
1176

101.32
92.71
85.52
81.67
1176

(e)
-10.20
-3.96
-2.68
3.71
3.52
14.67
-22.80
-1.04

104.00
15.68
7.18
13.76
12.38
215.21
519.92
1.08

14.68
-13.71
6.48
11.33
0

215.50
187.97
42.01
128.37
1463.07

Standar Error Estimatenya (SEE) :

N

SEE

[Y (t ) Y ' (t )]
i 1

n2

1463.07
12.09
10

5.4.3 Model Regresi Linier (Linier Forecasting)

Persamaan garis yang mendekati bentuk data linier adalah:
Y(t) = a + b(t)
Konstanta a dan b ditentukan dari data mentah berdasarkan Kriteria Kuadrat
Terkecil (least square criterion). Perhitungannya sebagai berikut:
Anggaplah data mentah diwakili dengan (Yi,ti), dimana Yi adalah permintaan aktual
di saat ti, dimana i = 1,2, .....,n. Definisikan:
n

E [Y (t ) a b(t )]2
i 1

Turunkan persamaan tersebut terhadap a dan b:

n
dE
2 [Y (t ) a bt ] 0
0
da
i 1
yaitu
diperoleh
n

dE
2 t[Y (t ) a bt ] 0
0
db
i 1
yaitu
diperoleh

Y (t ) na b t 0
i 1

i 1

i 1

i 1

i 1

tY (t ) a t b t

...........(1)
0

....(2)

Dengan mengeliminasi persamaan (1) dan (2) diperoleh nilai a dan b:

i 1

i 1

n tY (t ) Y (t ) t
n

i 1

n t 2

i 1

i 1

i 1

i 1

Y (t ) b t
n

Confidence Interval dan Prediction Interval

Berdasarkan sebaran t dengan (n 2) derajat bebas, maka pada persamaan
linier [Y(t) = a + b(t)] dapat dibuat Selang Kepercayaan (confidence intervals)
dengan (1-)100% bagi nilai tengah dari Y dan Selang Taksiran (prediction
intervals) untuk setiap nilai Y, yaitu:

n
Confidence Interval = Y(t) t/2 SEE

(t o t ) 2
( t ) 2
2
t

Prediction Interval untuk setiap nilai Y yaitu (1-)100% bila t = to.

1
Prediction Interval = Y(t) t/2SEE

(t o t ) 2
( t ) 2
2
t n

Soal 3
Diketahui data pada tahun 2005 pada tabel berikut ini.
Bulan
Permintaan dalam unit
(t)
(Y)
Jan
199
Feb
202
Mar
199
Apr
208
Mei
212
Jun
194
Jul
214
Aug
220
Spt
219
Oct
234
Nov
219
Des
233
a. Tentukan demand tahun 2007
b. Hitunglah SSE (Sum of Squared Errors) dan SEE-nya (Standard Error
Estimated)
c. Tentukan Confidence Interval dan Prediction Interval dengan t = 18 serta
derajat = 0,01
Jawaban
Month Bulan Ke- Demand t^2
t*Y(t)
Jan
1
199
1
199
Feb
2
202
4
404
Mar
3
199
9
597
Apr
4
208
16
832
May
5
212
25
1060
Jun
6
194
36
1164
Jul
7
214
49
1498
Aug
8
220
64
1760
Sep
9
219
81
1971
Oct
10
234
100
2340
Nov
11
219
121
2409
Des
12
233
144
2796
t = Y(t) = t^2 =
t*Y(t) =
78
2553
650
17030

12(17030) (78)( 2553)

3,05
12(650) (78) 2
(2553) (3,05)(78)
a
192,95
12

a. Diperoleh Persamaannya : Y(t) = 193 + 3(t) sehingga permintaan pada tahun

2007 adalah sebagai berikut:
9

Bulan (t)
Jan
(25)
Feb (26)
Mar (27)
Apr (28)
Mei (29)
Jun (30)
Jul
(31)
Aug (32)
Spt (33)
Oct (34)
Nov (35)
Des (36)

Permintaan dalam unit (Y)

268
271
274
277
280
283
286
289
292
295
298
301

b. Untuk menghitung SSE dan Standard Error Estimatenya (SEE) terlebih dahulu
dihitung demand aktual dengan menggunakan persamaan (Y(t)) yang telah
diketahui.
Month Bulan Ke- Demand
Jan
1
199
Feb
2
202
Mar
3
199
Apr
4
208
May
5
212
Jun
6
194
Jul
7
214
Aug
8
220
Sep
9
219
Oct
10
234
Nov
11
219
Dec
12
233
Total
78
2553

Ramalan
196
199
202
205
208
211
214
217
220
223
226
230
2553

[Y(t)-Y'(t)]^2
9
9
9
9
16
289
0
9
1
121
49
9
530

Maka diperoleh Jumlah Kuadrat Kesalahan

(SSE) = e(t)2 = [Y(t)-Y(t)]2 = 530
Dan Estimasi Standard Errornya (SEE):
t

SEE

[Y (t ) Y ' (t )]
i 1

t2

530
7,28
12 2

10

c. Dari Persamaan : Y(t) = 193 + 3(t), maka untuk satu harga t = 18 diperoleh
Y=247 dengan Standar Error Estimatenya (SEE)= 7.28 dan t/2 = t 0,005 = 3,169
untuk (n 2 = 12 2 =10) derajat bebas.

n
Confidence Interval = Y(t) t/2 SEE

(t o t ) 2
( t ) 2
2
t

1
(18 6,5) 2

12
(78) 2
650
12
= 247 (3,169)(7,28)
= 247 23,16

1
1
n
Prediction Interval = Y(t) t/2SEE

(t o t ) 2
( t ) 2
2
t n

1 (18 6,5) 2
1
12
78 2
650
12
= 247 (3,169)(7,28)
= 247 46,32

5.4.4 Model Rata-rata Bergerak (Moving Average)

Metode rata-rata bergerak banyak digunakan untuk menentukan trend dari
suatu deret waktu. Dengan menggunakan metode rata-rata bergerak ini, deret berkala
dari data asli diubah menjadi deret rata-rata bergerak yang lebih mulus. Metode ini
digunakan untuk data yang perubahannya tidak cepat, dan tidak mempunyai
karakteristik musiman atau seasonal. Model rata-rata bergerak mengestimasi
permintaan periode berikutnya sebagai rata-rata data permintaan aktual dari n
periode terakhir. Terdapat tiga macam model rata-rata bergerak, yaitu:
5.4.4.1

Simple Moving Average

Yt Yt 1 Yt 2 .... Yt n 1
n
Simple Moving Average (SMAt)=

11

Soal 4
Diberikan data harga penutupan akhir minggu surat-surat berharga perusahaan
Mandala yang bergerak dalam bidang maskapai penerbangan.
t
1
2
3
4
5
6
7
8
9
10
11
12
Y
46
56
54
43
57
56 67
62
50 56
47
56
Maka Moving Average 3 mingguan (SMA3) terhadap harga penutupan akhir minggu
saham diperoleh dari perhitungan berikut:
Minggu Permintaan
Simple Moving Average
(t)
(Y)
3 Mingguan (MA3)
1
46
2
56
3
54
52
4
43
51
5
57
51,33
6
56
52
7
67
60
8
62
61,17
9
50
59,17
10
56
56
11
47
51
12
56
53
Contoh perhitungan:
46 56 54
SMAMinggu3
52
3
56 54 43
51
3
Berdasarkan data di atas, maka ramalan untuk minggu-minggu mendatang (13)
56 47 56
Y ' (12t )
53unit
3
dengan t = 1,2,3
SMAmin ggu 4

5.4.4.2

Centered Moving Average

Perbedaan utama antara Simple Moving Average dan Centered Moving
Average terletak pada pemilihan observasi yang digunakan. Simple Moving Average
menggunakan data yang sedang diobservasi tambah data sebelum observasi.
Misalnya, menggunakan 5 periode moving average, maka untuk SMA menggunakan
data periode ke-5 dan 4 data periode sebelumnya.
Sebaliknya untuk CMA, Center berarti rataan antara data sekarang dengan
menggunakan data sebelumnya dan data sesudahnya. Misalnya untuk 3 periode
moving average, maka SMA menggunakan data periode 3 ditambah data
sebelumnya dan data sesudahnya. Didefinisikan sebagai berikut:

CMA t

Yt (( L 1 / 2 ) ........Yt ........ Yt (( L 1) / 2
L

12

Dimana Yt adalah nilai tengah dari interval L data observasi. (L-1)/2 observasi
merupakan data sebelum dan sesudahnya. Misalnya CMA 5 periode, maka Yt = Y5
maka intervalnya dimulai dari Y3 sampai Y7
Soal 5
Bulan
(t)
Januari
Pebruari
Maret
April
Mei

Permintaan
(Y)
46
56
54
43
57

(CMA5)

(CMA8)

51.2
53.2

55.13

55.4
55.63

Juni

56

57

Juli

67

58.4

Agustus

62

58.2

September
Oktober
November
Desember

50
56
47
56

56.4
54.2

55.63
54.75
56.38

Contoh perhitungan:
CMAMei

5.4.4.3

54 43 57 56 67
55,4
5

Weighted Moving Average

Formula untuk Weighted Moving Average (WMAt):

Ft w1 At 1 w2 At 2 ....... wn At n

dan

w
i 1

Soal 6
Diketahui data penjualan suatu departement store 4 bulan periode. Kemudian
ingin meramalkan penjualan bulan ke-5 dengan moving average dimana
menggunakan bobot 40% actual sales untuk bulan saat ini (4), 30% untuk 2 bulan
sebelumnya, 20% untuk 3 bulan sebelumnya, dan 10% untuk 4 bulan sebelumnya.
Data penjualannya sebagai berikut:
Month1
100

Month2
90

Month3
105

Month4
95

Month5
?

Peramalan weighted moving average dengan N = 4 adalah:

F4 0.4(95) 0.3(105) 0.2(90) 0.1(100) 97.50

13

Maka ramalan bulan ke (5 + t) dengan t =1,2,3 adalah:

F5 0.4(95) 0.3(105) 0.2(90) 0.1(100) 97.50

5.4.5 Pemulusan Exponential (Exponential Smoothing)

Dalam model rata-rata bergerak (Moving Average) dapat dilihat bahwa untuk
semua data observasi memiliki bobot yang sama yang membentuk rata-ratanya.
Padahal, data observasi terbaru seharusnya memiliki bobot yang lebih besar
dibandingkan dengan data observasi di masa yang lalu. Hal ini dipandang sebagai
kelemahan model peramalan Moving Average. Untuk itu, digunakanlah metode
Exponential Smoothing agar kelemahan tersebut dapat diatasi didasarkan pada
alasan sebagai berikut:
Metode exponential smoothing mempertimbangkan bobot data-data
sebelumnya dengan estimasi untuk Y(t+1) dengan periode (t+1) dihitung sebagai:

Y ' (t 1) Y1 (1 )Y(t 1) (1 ) 2 Y(t 2 ) ......

Dimana disebut konstanta pemulusan dalam interval 0 < < 1. Rumus ini
memperlihatkan bahwa data yang lalu memiliki bobot lebih kecil dibandingkan
dengan data yang terbaru. Rumus tersebut dapat disederhanakan sebagai berikut:

Y '(t 1)Y1

(1 )Y '(t )

Dengan nilai Y(1) untuk inisial ramalan didekati dengan nilai rata-ratanya ( Y )
Atau

Y '(t ) Y '(t 1) (Y(t 1) Y '(t 1) )

Perlu diperhatikan bahwa penetapan nilai konstanta memiliki andil yang penting
dalam menghasilkan hasil ramalan yang andal. Model Exponential Smoothing
digunakan untuk peramalan jangka pendek.
Soal 7
Tabulasi data berikut ini merupakan actual sales dalam unit untuk 6 bulan dan
peramalan dimulai dari bulan januari.
Month
Actual Sales

Jan
100

Feb
94

Marc
108

Apr
80

May
68

June
94

a. Hitunglah estimasi nilai ramalannya menggunakan simple exponensial

smoothing dengan = 0.2 jika inisial estimasi periode Januari = 80.
b. Hitunglah Mean Absolute Deviation (MAD)

14

Jawaban:
Bulan
January
February
March
April
May
June
July
Total

Actual
Sales
100
94
106
80
68
94
542

Forecas
t (1)
80
84
86
90
88
84
86
598

Forecast(II)

Error

80
84
86
90
88
84
86
598

(Y-Y')^2

20
10
20
-10
-20
10
90

400
100
400
100
400
100
0
1500

a. Estimasi nilai ramalan periode kedua (February) adalah:

Y'( t 1)Y1

(1 )Y'(t )

....................................(1) atau

Y '(t ) Y '(t 1) (Y( t 1) Y '( t 1) )

....................(2)

Y ' 2 0.2(100) 0.8(80) 84 atau

Y ' 2 80 0.2(100 80) 84

b. Mean Absolute Deviation (MAD)
n

MAD

Y (t ) Y ' (t )
t 1

n
90
MAD
15
6
;
dimana 1 MAD = 0.8 standard deviation diperoleh standar deviation = 12

15