id
BAB I
PENDAHULUAN
A. Latar Belakang Masalah
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 teknik metode peramalan dan pengukuran kesalahan peramalan.
B. Perumusan Masalah
Dari uraian yang telah diberikan dalam latar belakang masalah, dapat dirumuskan
permasalahan dalam memilih teknik peramalan dan pengukuran kesalahan peramalan
untuk data tertentu.
C. Tujuan Penulisan
Permasalahan yang akan dibahas dalam penulisan ini berdasarkan pada pemilihan
teknik peramalan dan pengukuran kesalahan peramalan.
D. Manfaat Penulisan
Untuk mengetahui teknik-teknik dan pengukuran kesalahan peramalan apa saja
yang dapat dilakukan untuk melakukan peramalan pada suatu data.
BAB II
PEMBAHASAN
A. Teknik-teknik Peramalan
Faktor utama yang mempengaruhi pemilihan teknik peramalan adalah identifikasi dan
mengetahui pola dari data. Beberapa teknik peramalan yang dapat digunakan:
1. Teknik peramalan untuk data stasioner
Data stasioner dapat didefinisikan dengan cepat seperti sesuatu yang nilai rata-ratanya
tidak dapat diubah sewaktu-waktu. Seperti situasi yang berkembang ketika ada
peningkatan pola data yang mempengaruhinya maka teknik ini akan relatif stabil.
Simple averaging
Moving average
Autoregressive moving average (ARMA)
2. Teknik peramalan untuk data Trend
Rangkaian Trend diberikan lebih awal sebagai runtun waktu yang mengandung
komponen bentuk panjang yang menggambarkan pertumbuhan atau kemerosotan dalam
rangkaian diatas periode perpanjangan waktu. Dengan kata lain runtun waktu dikatakan
mempunyai Trend jika nilai rata-ratanya menggantikan waktu tambahan, jadi Trend
digunakan untuk meningkatkan atau menurunkan selama periode yang mana peramalan
diinginkan.
Pola
Jangka
5
Tipe
data
wkt
model
digunakan
nonmusim
Nave
musim
ST,T,S
TS
Simple averages
ST
TS
30
Moving averages
ST
TS
4-20
Eksponensial smoothing
ST
TS
TS
TS
TS
2XS
Census X-12
TS
6XS
Simple regression
10
C,S
10 X V
Classical decompotition
TS
I,L
TS
10
ST,T,S,C
TS
24
Econometric model
30
T,S
I,L
Multiple regression
Box jenkins
5XS
regress
Keterangan:
Pola data: ST=Stasioner; T=Trend; S=Musiman; C=Siklis.
Jangka waktu: S=singkat(kurang dari 3 bulan); I=menengah; L=panjang.
3XS
6XS
Sebuah notasi matematika dikembangkan untuk menunjukkan periode waktu yang lebih
spesifik karena metode kuantitatif peramalan sering kali memperlihatkan data runtun waktu.
Huruf Y akan digunakan untuk menotasikan sebuah variabel runtun 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 Y t .
Ketepatan dari teknik peramalan sering kali dinilai dengan membandingkan deret asli Y1 ,Y2,K
^
et = Yt Yt
dimana
et = error ramalan pada periode waktu t.
Yt = nilai aktual pada periode waktu t.
^
MAD =
^
1 n
Y
Y
t t
n i =1
The Mean Squared Error (MSE) adalah metode lain untuk mengevaluasi metode
peramalan. Masing-masing kesalahan atau sisa dikuadratkan. Kemudian dijumlahkan dan
ditambahkan dengan jumlah observasi. Endekatan ini mengatur kesalahan peramalan yang
besar karena kesalahan-kesalahan itu dikuadratkan. Metode itu menghasilkan kesalahankesalahan sedang yang kemungkinan lebih baik untuk kesalahan kecil, tetapi kadang
menghasilkan perbedaan yang besar. Tujuan optimalisasi statistik sering sekali untuk
memilih suatu model agar MSE minimum, tetapi ukuran ini punya dua kelemahan Pertama,
ukuran ini menunjukkan pencocokan suatu model terhadap data historis. Pencocokan
dengan menggunakan polinomi berorde tinggi atau suatu transformasi Fourier yang tepat.
Suatu model yang terlalu cocok dengan deret data yang berarti sama dengan memasukkan
unsur random sebagai bagian proses bangkitan. Hal ini sama buruknya dengan tidak
berhasilnya mengenali pola non random, dalam data. Perbandingan nilai MSE yang terjadi
8
salama flase pencocokan peramalan mungkin memberikan sedikit indikasi ketepatan model
dalam peramalan.
Kekurangan kedua pada MSE sebagai ukuran ketepatan model adalah
berhubungan dengan kenyataan bahwa metode yang berbeda akan menggunakan prosedur
yang berbeda pula dalam fase pencocokan sebagai contoh, metode dekomposisi
memasukkan unsur trend siklis dalam tahap pencocokannya seakan-akan unsur diketahui.
Metode regresi meminimumkan MSE dengan memberikan bobot yang sama pada semua
nilai pengamatan dan metode Box-Jenkin meminimumkan MSE dari suatu prosedur
optimasi non linear. Jadi, pembandingan metode atas suatu kriteria tumggal, yaitu MSE
yamg mempunyainilai terbatas. Dalam fase peramalan, penggunaan MSE sebagai suatu
ukuran ketepatan juga dapat menimbulkan masalh. Ukuran ini tidak dapat memudahkan
perbandinganantar deret berkala yang berbeda dan untuk selang wsktu yang berlainan
karena MSE merupakan absolut. Selain itu, interpretasinya tidak bersifat intuitif bahkan
untuk para spesialis sekalipun, karena ukuran ini menyangkut pengkuadratan sederetan
nilai. Berikut ini rumus untuk menghitung MSE.
^
1 n
MSE = Yt Y t
n i =1
MAPE =
1 n
n i =1
Yt Y t
Yt
Ada kalanya perlu untuk menentukan metode peramalan mana yang bias (peramalan
tinggi atau rendah). The
MPE dihitung dengan mencari kesalahan pada tiap periode dibagi dengan nilai nyata untuk
periode itu. Kemudian, merata-rata kesalahan persentase in. Jika peramalan mendekati tak
bias, MPE akan menghasilkan angka yang mendekati nol, Jika hasilnya mempunyai
persentase negatif ysng besar, metode peramalannya dapat dihitung. Jika hasilnya
mempunyai persentase positif yang besar, metode peramalnnya tidak dapat dihitung. Mpe
dapat dihitung dengan rumus sebagai berikut:
^
Y
Y
t
1 n t
MPE =
n i =1
Yt
Metode khusus yang digunakan dalam peramalan meliputi perbandingan metode mana
yang akan menghasilkan kesalahan-kesalahan ramalan yang cukup kesil. Metode ini baik
untuk memprediksi metode peramalan sehingga menghasilkan kesalahan ramalan yang
relatif kecil dalam dasar konsisten.
Fungsi keempat ukuran ketepatan peramalan adalah sebagai berikut:
a) Membandingkan ketepatan dari dua arah atau lebih metode yang berbeda.
b) Sebagai alat ukur apakah teknik yang diambildapat dipercaya atau tidak.
c) Membantu mencari sebuah metode yang optimal
Berikut ini contoh yang menggambarkan bagaimana cara menghitung ukuran kesalahan.
Tabel di bawah ini menunjukkan data jumlah pelanggan harian yang mensyaratkan perbaikan
^
kerja, Yt , dan sebuah ramalan data tersebut, Y t , untuk Carys Chevron station. Metode
peramalan yang digunakan pada sejumlah pelanggan yang dilayani pada periode sebelumnya
10
sebagai peramalan untuk periode tertentu. Metode sederhana ini akan dibahas pada bab 4.
Beberapa perhitungan untuk mengevaluasi model ini dengan menggunakan MAD, MSE,
MAPE , dan MPE.
Waktu
Pelanggan
Ramalan
Kesalahan
et
et
et
et
Yt
Yt
Yt
Yt
et
58
54
58
-4
16
0,074
-0,074
60
54
36
0,100
0,100
55
60
-5
25
0,091
-0,091
62
55
49
0,113
0,113
62
62
0,000
0,000
65
62
0,046
0,046
63
65
-2
0,032
-0,032
70
63
49
0,100
0,100
total
12
34
188
0,556
0,162
11
MAD =
^
1 n
34
Y
Y
= 3,4
t =
t
n i =1
8
2
^
1 n
188
MSE = Yt Y t =
n i =1
8 = 23,5
MAPE =
n i =1
Yt Y t
Y
0,556
= 0,0695
8
Y
t
t
n
1
= 0,162 0,0203
MPE =
n i =1
Yt
8
MAD menunjukkan bahwa setiap peramalan diturunkan oleh rata-rata dari 4,3 pelanggan. MSE
23,5 dan MAPE 6,9% dibandingkan dengan MSE dan MAPE metode lain yang digunakan untuk
meramal data itu. Akhirnya MPE yang kecil 2,03 % menunjukkan bahwa model itu tak bias
karena nilainya mendekati nol.
12
BAB III
PENUTUP
Kesimpulan :
1. Beberapa teknik yang dapat digunakan :
Teknik yang dapat digunakan untuk data stasioner adalah Nave, Simple averaging,
Moving average, Autoregressive moving average (ARMA).
Teknik yang dapat digunakan untuk data Trend adalah Moving average, Holt linear
exponential smoothing, Simple regression, Growth curve, Exponential, Autoregressive
integrated moving average.
Teknik yang dapat digunakan untuk data Musiman adalah Clasical decomposition,
Census X-12, Winters exponential smoothing, Multiple regression, Autoregressive
integrated moving average.
Teknik yang dapat digunakan untuk data Siklis adalah Clasical decompotition, Economic
indicator, Econometrics model, Multiple regression, ARIMA.
2. Ada empat ukuran peramalan sebagai berikut
a) Mean Absolute Deviation (MAD)
MAD digunakan untuk mengukur ketepatan nilai dugaan model yang dinyatakan dalam
bentuk rata-rata absolute kesalahan.
b) Mean Squared Error (MSE)
MSE digunakan untuk mengukur ketepatan nilai dugaan model yang dinyatakan dalam ratarata kuadrat dari kesalahan
c) Mean Absolute Percentage Error (MAPE)
MAPE digunakan untuk mengukur ketepatan nilai dugaan model yang dinyatakan dalam
bentuk rata-rata persentase absolute kesalahan
MPE digunakan untuk menentukan metode peramalan mana yang bias (peramalan tinggi
atau rendah). Jika peramalan mendekati tak bias, MPE akan menghasilkan angka yang
mendekati nol.
3. Semakin kecil nilai-nilai MAPE, MAD, MSE, MPE maka semakin kecil nilai kesalahannya.
Oleh karena itu, dalam menetapkan model yang akan digunakan dalam peramalan, pilihlah
model dengan nilai MAPE, MAD, MSE, MPE yang paling kecil.
4. Fungsi MAD, MAPE, MSE, MAPE, MPE adlah sebagai berikut:
Sebagai alat ukur apakah teknik yang diambil dapat dipercaya atau tidak.
DAFTAR PUSTAKA
14
Hanke, John E.1992. Business Forecasting.Edisi ke-8. New Jersey: Pearson Education
International.
Andriyanto, Untung. Sus, dan Basith, Abdul. Metode dan Peramalan Aplikasi, Edisi Kedua,
Jakarta : Erlangga.
http://junaidichaniago.wordpress.com. 4 Agustus 2010.
15