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
penjualan
700
600
500
400
300
200
100
1996
1997
1998
1998
1999
tahun
2000
2001
2001
2002
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
(2)
+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)
kelompok 3
+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 = 21 +
24 20
4
= 750 +
650600
4
= 762.5
kelompok 3
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)
+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
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
kelompok 3
29 =
1
=
28
28
=1
7,874
= 281,2
28
30 =
28 281,2 + 302
= 281,9
29
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
+1 =
+1 +++1
(8)
=
Dimana,
+1 = nilai peramalan untuk periode selanjutnya
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
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
kelompok 3
31 =
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
kelompok 3
11
Persewaan mingguan
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)
kelompok 3
1 +1 +2 ++ +1
(9)
12
(10)
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
(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
Kemudian gunakan Persamaan (9) untuk menghitung moving average ganda (kolom 4)
15
=
15
=
kelompok 3
15 + 151 +153+1
3
14
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
15 = 215 15
= 2 217 712 = 722
kelompok 3
15
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 )
kelompok 3
16
+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