METODE NAIVE DAN MOVING AVERAGE

A. Metode Naive
Para pebisnis muda sering kali menghadapi suatu pilihan yang rumit ketika mencoba
meramalkan dengan data yang berukuran sangat kecil. Situasi ini menciptakan sebuah
masalah nyata karena banyak teknik peramalan memerlukan data yang besar. Peramalan
dengan Nave merupakan penyelesaian yang mungkin jika semata-mata didasarkan pada
informasi yang tersedia sekarang.
Peramalan dengan Nave diasumsikan bahwa periode sekarang adalah prediksi
terbaik untuk masa depan. Bentuk model Nave adalah
+1 =
(1)
Di mana +1 ramalan yang dibuat pada waktu untuk waktu + 1. Peramalan dengan
metode Nave untuk masing-masing periode mendekati obsevasi yang terdahulu. Ramalan
dengan model Naive adalah ramalan yang kadang disebut dengan ramalan tanpa
perubahan. Karena ramalannya untuk setiap periode mendekati observasi yang terdahulu.
Karena ramalan Naive membuang semua observasi yang lain, skema berubah
dengan cepat. Permasalahan yang berkaitan dengan pendekatan tersebut adalah
menyebabka plot berubah naik turun sesuai dasar perubahan.
Contoh 1
Gambar 1 menunjukkan secara kuartal pejualan gergaji pada perusahaan Acme Tool.
Dengan teknik peramalan Nave menunjukkan bahwa penjualan pada kuartal berkutya akan
sama dengan kuatal sebelumnya. Tabel 1 menunjukkan data dari 1996 sampai 2002. Jika
data dari 1996 sampai 2002 digunakan sebagai bagian awal dan 2002 sebagai baian yang
diuji, peramalan untuk kuartal pertama dari 2002 adalah
24+1 = 24
25 = 650
Kesalahan peramalan dihitung dengan menggunakan persamaan 3.6. Kesalahan untuk
periode 25 adalah
25 = 25 25 = 850 650 = 200
Dengan cara yang sama peramalan untuk periode 26 adalah 850, sedangkan erornya -250.
Gambar 1 menunjukkan bahwa data-datanya mempunyai trend naik dan
menunjukkan pola musiman (urutan pertama dan keempat relatif tinggi). Jadi
kesimpulannya dibuat dengan memodifikasi mode Naive.

kelompok 3

Metode Peramalan 2011

penjualan gergaji pada perusahaan Acme Tool

900
800

penjualan

700
600
500
400
300
200
100
1996

1997

1998

1998

1999
tahun

2000

2001

2001

2002

Gambar 1 Penjualan Gergaji Perusahaan Acme Tool Tahun 1996- 2002

Tabel 1. Penjualan Gergaji untuk Perusahaan Acme Tool, 1996-2002
Tahun
1996

1997

1998

1999

2000

2001

2002

kelompok 3

Quartal
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
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

Metode Peramalan 2011

Pemeriksaan data pada contoh 1 merupakan petunjuk untuk menyimpulkan bahwa

nilai-nilai tersebut meningkat setiap waktu. Saat nilai data meningkat setiap waktu disebut
tidak stasioner atau mengandung trend. Jika persamaan (1) digunakan, proyeksinya tetap
rendah. Teknik yang dapat dipakai untuk mengambil pertimbangan trend dengan
menambah selisih antara periode sakarang dan periode terakhir. Persamaan peramalannya
adalah
+1 = + ( 1 )

(2)

Persamaan (2) memuat perubahan antara kuartal-kuartal.

Contoh 2
Dengan menggunakan persamaan (2), persamaan untuk kuartal pertama dari 2002 adalah
24+1 = 24 + 24 241
25 = 24 + 24 23
25 = 650 + 650 400
25 = 650 + 250 = 900
Kesalahan peramalan dari model ini adalah 25 = 25 25 = 850 900 = 50
Untuk beberapa tujuan, perbandingan perubahan akan lebih tepat daripada jumlah
perubahan. Jika demikian, masuk akal untuk menghasilkan peramalan berdasarkan

+1 =

(3)

Dari data dalam Tabel 1 terlihat bahwa ada variansi musiman. Penjualan pada
kuartal pertama dan keempat lebih besar dari kuartal-kuartal yang lain. Jika pola musiman
kuat, persamaan peralaman data seara kuartal yang mungkin adalah
+1 = 3

(4)

Pola umum untuk peramalan data musiman yaitu +1 = +1 dengan s adalah

periode musiman.
Persamaan 4 menunjukkan bahwa kuartal berikutnya akan bernilai sama dengan
kuartal yang berhubungan pada satu tahun yang lalu.
Kelemahan utama dari pendekatan ini adalah mengabaikan segala sesuatu yang
telah terjadi selama setahun yang lalu dan juga terdapat trend. Terdapat beberapa cara
untuk memperkenalkan informasi terbaru. Sebagai cotoh, suatu analisa dapat gabungan
musima dan trend yang diestimasi dan peramalan kuartal berikutnya menggunakan

kelompok 3

Metode Peramalan 2011

+1 = 3 +

1 ++(3 4 )
4

= 3 +

(5)

Dimana 3 menunjukkan peramalan berpola musiman, dan yang lain menunjukkan ratarata nilai perubahan untuk empat kuartal terkhir dan memberikan perkiraan trend.
Pola umum untuk pola data yang merupakan penggabungan trend dan musiman adalah
1 + + (3 4 )

+1 = +1 +

Model Nave pada persamaan (4) dan (5) digunakan untuk peramalan dengan pola
data kuartal. Persamaan (4) dan (5) dapat disesuaikan untuk kasus musiman lain. Untuk
data bulanan, sebagai contoh, periode musimannya adalah 12, bukan 4, dan peramalan
untuk periode (bulan) berikutnya menggunakan persamaan 4 yaitu
+1 = +11
Hal tersebut menunjukkan bahwa kerumitan yang mungkin pada model Nave dapat
diminimalisir dengan kepintaran penganalisis, tetapi penggunaaan teknik tersebut
seharusnya dikendalikan dengan pertimbangan.
Contoh 1 (lanjutan)
Peramalan untuk kuartal pertama dari 2002 menggunakan persamaan (3), (4) dan (5)
24+1 = 24

24
24
= 24
241
23
650

25 = 650 400 = 1056

24+1 = 243 = 21
25 = 21 = 750
24+1 = 243 +

24 241 + + (243 244 )

24 243
= 243 +
4
4

25 = 21 +

24 20
4

= 750 +

650600
4

= 762.5

B. Metode Moving Average

Suatu manajemen sering kali menghadapi situasi dimana peramalan perlu dilakukan
secara harian, mingguan, atau bulanan untuk mengetahui ratusan atau ribuan barang yang
perlu disediakan, namun hal ini sering kali tidak mungkin dilakukan. Oeh karena itu untuk
mengembangkan teknik-teknik peramalan yang canggih untuk setiap barang perlu
disediakan. Beberapa alat peramalan yang cepat, murah, sangat sederhana dibutuhkan
untuk menyelesaikan tugas ini.

kelompok 3

Metode Peramalan 2011

Seorang manager yang menghadapi situasi ini cenderung menggunakan teknik ratarata atau smooting. Jenis-jenis teknik ini menggunakan bentuk rata-rata tertimbang dari
pengamatan-pengamatan yang lalu untuk memuluskan fluktuasi jangka pendek. Asumsi
yang mendasari teknik ini adalah bahwa fluktuasi mewakili permulaan secara random nilainilai masa lalu dari beberapa struktur yang mendasarinya. Pertama struktur yang
mendasarinya. Pertama struktur ini didefinisikan dari hasil ini dapat diproyeksikan ke dalam
masa depan untuk menghasilkan sebuah ramalan.
Simple Averages (Rata-rata sederhana)
Suatu data masa lampau dapat dimuluskan dengan beberapa cara. Tujuan dari data
dimuluskan adalah untuk dapat menggunakan data masa lampau untuk meramalkan
periode-periode berikutnya. Pada bab ini metode yang digunakan untuk meramalkan
periode selanjutnya adalah metode simple average. Seperti pada metode NAIVE, keputusan
dibuat untuk menggunakan nilai-nilai data pertama sebagai bagian perlambangan dan data
lampau sebagai bagian pengaujian. Selanjutnya, persamaan (6) digunakan untuk meratarata (menghitung mean) data bagian perlambangan untuk peramalan periode selajutnya.
+1 =

=1

(6)

Ketika sebuah observasi baru menjadi tersedia, peramalan untuk periode

selanjutnya,adalah rata-rata atau mean, dihitung dengan persamaan 4.6 dan observasi yang
baru tersebut.
Ketika meramal sebuah seri gabungan dengan jumlah yang besar, data penyimpanan
mungkin sebuah isu. Persamaan (7) potensial untuk menyelesaikan permasalahan ini.
Hanya peramalan dan observasi paling terkini dibutuhkan menyimpan waktu yang akan
datang.
+2 =

+1 ++1
+1

(7)

Metode simple average adalah salah satu teknik yang tepat ketika kemampuan
runtun untuk menjadi ramalan sudah menjadi stabil, dan lingkungan di dalam runtun pada
umumnya tidak berubah. Contoh untuk jenis ini dalam suatu runtun antara lain kuantitas
hasil penjualan dari suatu level yang konsisten dalam usaha sales perorangan (penjualan
barang), kuantitas dalam suatu produk dalam tahap pendewasaan di dalam lika-liku
kehidupan, dan jumlah jabatan per minggu yang dibutuhkan dari kalangan dokter
gigi,dokter umum atau pengacara yang memiliki pasien atau berdasarkan client adalah agak
konstan.
Simple average menggunakan rata-rata (mean) dari semua observasi-observasi pada
periode-periode sebelumnya yang relevan sebagai ramalan pada periode berikutnya.

kelompok 3

Metode Peramalan 2011

Contoh 2
The Spokane Transit Authority (STA), beroperasi pada suatu armada pengangkutan kedua,
karena selain lumpuh (tidak bisa digunakan) dan sudah tua. Catatan dari penggunaan bensin
untuk armada pengangkutan ini dapat dilihat pada Tabel 2, jumlah yang sebenarnya tentang
konsumsi atau penggunaan bensin pada armada pengangkutan setiap hari ditentukan
secara random dari adanya panggilan maupun tujuannya. Pengujian dari penggunaan bensin
digambarkan pada Gambar 2, dari gambar tersebut dapat dilihat bahwa data sangat stabil.
Sehingga data terlihat stasioner. Metode dari simple average digunakan untuk minggu 1
sampai 28 untuk meramalkan penggunaan untuk minggu 29 dan 30.
Tabel 2 Penggunaan Bensin untuk STA
Week
t
1
2
3
4
5
6
7
8
9
10

Gallons

275
291
307
281
295
268
252
279
264
288

Week
T
11
12
13
14
15
16
17
18
19
20

Gallons

302
287
290
311
277
245
282
277
298
303

Week
t
21
22
23
24
25
26
27
28
29
30

Gallons

310
299
285
250
260
245
271
282
302
285

Gambar 2. Penggunaan Bensin STA

kelompok 3

Metode Peramalan 2011

Peramalan untuk minggu 29 adalah

28+1

29 =

1
=
28

28

=1

7,874
= 281,2
28

Kesalahan peramalan adalah

29 = 29 29 = 302 281,2 = 20,8
Peramalan untuk minggu 30 memasukkan lebih dari satu nilai data (302) ditambahkan pada
periode awal. Paramalan dengan persamaan 4.7 adalah
28+2 =

2828+1 + 28+1 2829 + 29

=
28 + 1
29

30 =

28 281,2 + 302
= 281,9
29

Kesalahan peramalan adalah

30 = 30 30 = 285 281,9 = 3,1
Menggunakan metode simple average, peramalan penggunaan bensin untuk minggu 31
adalah
30+1

1
=
30

30

=
=1

8,461
= 282
30

Moving Averages
Metode simple averages menggunakan rata-rata dari semua data peramalan.
Bagaimana jika analisis lebih peduli dengan observasi baru-baru ini? Jumlah konstan titik
data dapat ditetapkan pada awal dan dihitung rata-rata untuk observasi terbaru. Istilah
Moving Average digunakan untuk menggambarkan pendekatan ini. Setiap observasi baru
menjadi tersedia, sebuah rata-rata baru dihitung dengan menjumlahkan nilai paling baru
dan mengeluarkan yang paling tua. Moving average ini lebih digunakan untuk meramalkan
periode selanjutnya. Persamaan (8) menunjukkan peramalan simple moving average.
Sebuah moving average dari urutan ke k, MA (k) dihitung dengan
Persamaan 4.8 Moving Average dengan order ke-k

kelompok 3

Metode Peramalan 2011

+1 =

+1 +++1

(8)

=
Dimana,
+1 = nilai peramalan untuk periode selanjutnya

= nilai sebenarnya pada periode t

= jumlah perlakuan dalam moing average

Moving average untuk periode waktu t adalah mean aritmetik dari k observasi
terbaru. Dalam moving average, beban yang diberikan sama untuk setiap observasi. Setiap
data baru dimasukkan dalam rata-rata yang tersedia, dan data paling awal dibuang.
Kecepatan respon terhadap perubahan dalam pola data dasar tergantung pada jumlah
periode k, termasuk dalam moving average.
Perhatiakan bahwa teknik moving average hanya berkaitan dengan periode k terbaru
dari data diketahui. Jumlah titik data dalam setiap rata-rata tidak berubah saat waktu
kemajuan. Model moving averagetidak menangani trend atau musiman dengan sangat baik,
walaupun itu lebih baik daripada metode simple average.
Analisis harus memilih jumlah periode, k, dalam moving average. Moving average
orde 1, MA(1) akan menggunakan observasi saat ini, Yt, untuk meramalkan, untuk
meramalkan Y untuk periode selanjutnya. Ini hanyalah pendekatan peramalan nave dari
persamaan (4).
Suatu Moving average order ke k adalah harga rata-rata dari k observasi yang
berurutan. Harga moving average terbaru memberikan peramalan untuk periode
selanjutnya.
Contoh 3
Tabel 3 mendemonstrasikan teknik peramalan moving average dengan data Sponake Transit
Authority (STA) menggunakan moving average lima mingguan. Peramalan moving average
untuk minggu ke-29 adalah
28 + 281 + + 285+1
5
28 + 27 + 26 + 25 + 24
29 =
5
282 + 271 + 245 + 260 + 250
1308
29 =
=
= 261.6
5
5
28+1 =

Saat nilai yang sebenarnya untuk minggu ke-29 diketahui, eror peramalan dihitung
29 = 29 29 = 302 261.6 = 40.4

kelompok 3

Metode Peramalan 2011

Tabel 3 Pembelian Gasoline untuk Sponake Transit Authority

t

Gallons

et

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
29
30

275
291
307
281
295
268
252
279
264
288
302
287
290
311
277
245
282
277
298
303
310
299
285
250
260
245
271
282
302
285

289.8
288.4
280.6
275.0
271.6
270.2
277.0
284.0
286.2
295.6
293.4
282.0
281.0
278.4
275.8
281.0
294.0
297.4
299.0
289.4
280.8
267.8
262.2
261.6
272.0

-21.8
-36.4
-1.6
-11.0
16.4
31.8
10.0
6.0
24.8
-18.6
-48.4
0.0
-4.0
19.6
27.2
29.0
5.0
-12.4
-49.0
-29.4
-35.8
3.2
19.8
40.4
13.0

Peramalan untuk minggu ke-31 adalah

30 + 301 + + 305+1
5
30 +29 + 28 + 27 + 26
31 =
5
30+1 =

kelompok 3

Metode Peramalan 2011

31 =

285 + 302 + 282 + 271 + 245

1385
=
= 277
5
5

Hasil ramalan menggunakan metode Moving Average disajikan pada Gambar 3.

Moving Average Plot for Gallons

314

Actual
Predicted

304

Actual
Predicted

gallons

294
284
274
Moving Average

264

Length:

254

MAPE:

7,503

MAD:

20,584

MSD:

622,149

244
0

10

20

30

Time

Gambar 3 Aplikasi Moving Average untuk Pembelian Gasoline per Minggu untuk Spokane
Transit Authority
Gambar 4 memperlihatkan fungsi autokorelasi untuk residual dan metode moving average
lima minggu. Terlihat bahwa batas eror untuk autokorelsi individu berpusat pada 0, dan
statistik Q Ljung-Box, mengindikasikan bahwa ada signifikan residual autokorelasi, yang
berarti residual tidak random.

Gambar 4 Fungsi Autokorelasi untuk Residual Ketika Metode Moving Average Lima
Mingguan Digunakan dengan Data Spokane Transit Authority

kelompok 3

10

Metode Peramalan 2011

Analis harus menggunakan penilaian ketika menentukan berapa banyak hari,

minggu, bulan, atau kuartal yang akan menjadi dasar moving average. Jumlah yang lebih
kecil, yang lebih berat diberikan kepada beberapa periode terakhir. Sebaliknya, semakin
besar nomor, semakin berat diberikan untuk periode yang lebih baru. Sejumlah kecil adalah
yang paling diinginkan bila ada perubahan mendadak di tingkat seri. Sejumlah kecil tempat
beban berat sebelumnya, yang memungkinkan perkiraan untuk mengejar lebih cepat
ketingkat saat ini. Sejumlah besar yang diinginkan ketika ada lebar, jarang terjadi fluktuasi
dalam seri.
Moving average sering digunakan dengan data kuartalan, atau bulanan untuk
membantu kelancaraan kompenen dalam deret waktu. Untuk data kuartalan, moving
average empat kuartalan, MA(4), menghasilkan rata-rata dari emapt penjuru dan untuk data
bulanan, moving average 12 bulanan, MA(12), menghilangkan atau rata-rata keluar efek
musiman. Urutan terbesar moving average lebih besar dari efek smooting.
Dalam contoh 3, teknik moving average yang digunakan dengan data stasioner. Pada
contoh 4, kami tunjukkan apa yang terjadi bila metode moving average digunakan untuk
data trend. Teknik double moving average, yang dirancang untuk menangani data trend
diperkenalkan berikutnya.
Double Moving Averages
Salah satu cara untuk mramalkan data time series yang memiliki trend linear adalah
dengan menggunakan double moving average. Metode ini secra tidak langsung dinamakan
set pertama dihitung moving averagenya dan set kedua dihitung sebagai moving average
dari set pertama.
Tabel 4 menunjukkan data sewa mingguan untuk took video film bersama dengan hasilnya
menggunakan moving average tiga mingguan untuk meramalkan penjualan di masa
mendatang.Pemeriksaan kolom kesalahan (error) pada Tabel 4 menunjukkan bahwa setiap
entry adalah positif, hal ini menandakan bahwa peramalan tidak membentuk trend. Moving
average tiga mingguan dan double moving average untuk data ini ditunjukkan pada Gambar
5 dan 6. Perhatikan bagaimana lag dari moving average tiga mingguan berada jauh dari nilai
yang sebenarnya untuk dibandingkan periode yang menggambarkan kejadian saat teknik
moving average digunakan sebagai data trend. Perhatikan juga bahwa lag dari teknik double
moving averages berada jauh dari set pertama seperti halnya set yang pertama berada jauh
dari nilai yang sebenarnya.Perbedaan antara kedua set pada moving average tiga mingguan
adalah untuk meramalkan nilai yang sebenarnya.

kelompok 3

11

Metode Peramalan 2011

Tabel 4 Persewaan mingguan untuk took video film

T

Persewaan mingguan

Moving Average Tiga

Peramalan Moving

per unit( )

Mingguan

Average +1

654

658

665

1,997

672

1,995

659

13

673

2,010

665

671

2,016

670

693

2,037

672

21

694

2,058

679

15

701

2,088

686

15

10

703

2,098

696

11

702

2,106

699

12

710

2,115

702

13

712

2,124

705

14

711

2,133

708

15

728

2,151

711

17

16

717

MSE=133

Persamaan (8) digunakan untuk menghitung moving average dari order ke-k.
1 = +1 =

+ +1 +2 +++1

(8)

Kemudian Persamaan (9) digunakan untuk menghitung moving average kedua

1 =

kelompok 3

1 +1 +2 ++ +1

(9)

12

Metode Peramalan 2011

Persamaan (10) digunakan untuk menghitung peramalan dengan menambahkan selisih

antara moving average pertama dan moving average kedua dengan moving average
pertama.
= + = 2

(10)

Moving Average Plot for persewaan mingguan per unit

persewaan mingguan per unit

730

Variable
Actual
Fits

720

Moving Average
Length 3

710

Accuracy Measures
MAPE
1,404
MAD
9,806
MSD
132,676

700
690
680
670
660
650
1

8 9 10 11 12 13 14 15
Index

Gambar 5 Single Moving average tiga mingguan untuk data Toko Video Film
Moving Average Plot for AVER1
720

Variable
Actual
Fits

710

Moving Average
Length 3

AVER1

700

Accuracy Measures
MAPE
1,3001
MAD
9,0000
MSD
91,7469

690
680
670
660
1

8 9 10 11 12 13 14 15
Index

Gambar 6 Double Moving average tiga mingguan untuk data Toko Video Film
Persamaan (11) adalah faktor penyesuaian tambahan yang mirip dengan kemiringan ukuran
yang dapat berubah selama runtun waktu tersebut.
2

= 1 ( )

kelompok 3

(11)

13

Metode Peramalan 2011

Persamaan (12) digunakan untuk membuat ramalan p periode di masa depan.

+ = +

(12)

dengan:
k = jumlah periode dalam moving average
p= jumlah periode peramalan untuk masa mendatang
Contoh 4
Toko Video Film mengoprasikan beberapa rekaman video sewa outlet di Denver, Colorado.
Perusahaan sedang berkembang dan memperluas inventaris untuk mengakomodasi
meningkatnya permintaan pelayanan. Presiden menetapkan perusahaan Jill Ottenbreit
memperkirakan harga sewa untuk bulan berikutnya.Data persewaan untuk 15 minggu
terakhir yang tersedia disajikan dalam Tabel 5. Pada awalnya, Jill berusaha untuk
mengembangkan sebuah ramalan menggunakan three weeks moving average (tiga minggu
rata-rata bergerak). Mean Square Error untuk model ini adalah 133. Karena data jelas tren,
dia

menemukan

bahwa

prakiraan

secara

konsisten

mengabaikan

penyewaan

sebenarnya.Karenanya,dia memutuskan untuk mencoba rata-rata bergerak ganda.Hasilnya

disajikan dalam tabel 4-5. Untuk memahami ramalan minggu 16, perhitungan yang disajikan
berikutnya. Persamaan (8) digunakan untuk menghitung moving average tiga mingguan
(kolom 3).
15 = 15 + 151 + 153+1
15 = 16 =

728 + 711 + 712

= 717
3

Kemudian gunakan Persamaan (9) untuk menghitung moving average ganda (kolom 4)

15
=

15
=

kelompok 3

15 + 151 +153+1
3

717 + 711 + 708

= 712
3

14

Metode Peramalan 2011

Tabel 5 Peramalan Double Moving Average terhadap Movie Video Store untuk Contoh 4
(1)

(2)

(3)

(4)

(5)

(6)

(7)

Time

Penjualan

Moving

Double

Peramalan

per

Average

Moving

a+bp

minggu

tiga

Average

(8)

mingguan
T

Nilai a

Nilai b

(p=1)

6541

658

665

659

672

665

673

670

665

675

671

672

669

675

680

-9

693

679

674

684

678

15

694

686

679

693

689

701

696

687

705

700

10

703

699

694

704

714

-11

11

702

702

699

705

709

-7

12

710

705

702

708

708

13

712

708

705

711

711

14

711

711

708

714

714

-3

15

728

717

712

722

717

11

16

727

MSE=63.7

Gunakan Persamaan (10) untuk menghitung perbedaan kedua moving average(kolom 5)

15 = 215 15
= 2 217 712 = 722

Persamaan (11) mengatur kemiringan (kolom 6)

kelompok 3

15

Metode Peramalan 2011

15 =

2
2

15 15
= 717 712 = 5
31
2

Gunakan Persamaan (12) untuk membuat ramalan satu period eke depan (kolom 7)
15+1 = 15 + 15 = 722 + 5 1 = 727
Peramalan empat minggu mendatang adalah
15+4 = 15 + 15 = 722 + 5 4 = 74
Catatan bahwa MSE tidak berkurang dari 133 menjadi 63.7
Ini terlihat beralasan bahwa beberapa observasi yang baru mungkin berisi informasi
yang lebih penting.Caranya diperkenalkan pada sesi berikutnya diman lebih menekankan
pada observasi terbaru.
Rangkuman Materi
1. Pada Metode Naive mempunyai beberapa model antara lain
a. Untuk data stasioner
+1 =
b. Untuk data tidak stasioner atau mengandung trend
+1 = + ( 1 )
c. Untuk perbandingan perubahan antar periode

+1 =
1
d. Jika pola musiman kuat
+1 = +1
e. Jika pola data merupakan penggabungan

trend

dan

musiman

1 + + (3 4 )

2. Peramalan dengan berdasarkan pada nilai rata-rata yaitu Simple Moving

+1 = +1 +

Average,Moving Average,Double Moving Average.

3. Metode simple average adalah salah satu teknik yang tepat dan sangat sederhana
untuk melakukan peramalan dengan data yang pada umumnya tidak berubah atau
data stasioner. Untuk merata-rata (menghitung mean) data untuk peramalan satu
periode selanjutnya.

kelompok 3

16

Metode Peramalan 2011

+1

1
=

=1

Ketika suatu data pada umumnya telah berubah atau data sudah bersifat stasioner,
kita juga dapat melakukan peramalan untuk dua periode selanjutnya dengan
persamaan sebagai berikut.
+2 =

+1 + +1
+1

4. Moving Average lebih cocok digunakan untuk meramalkan data yang berpola
Stasioner
5. Double Moving Average digunakan untuk meramalkan data yang cenderung berpola
Trend linier.
Referensi:
E.Hanke,John,W. Wichern Dean. Business Forecasting. 2005. Pearson Education,Inc

kelompok 3

17

Metode Peramalan 2011