Anda di halaman 1dari 31

FORECASTING (PERAMALAN )

DRA. ENDANG ADRIYANI.


APT.MARS

Peramalan (Forecast)
Peramalan Memprediksi mengenai apa

yang akan
terjadi di masa depan.
Masa depan tidak mungkin dapat diramalkan
secara tepat sempurna, hanya dapat
dilakukan menggunakan pendekatan.
Dua macam pendekatan :

- non-matematis (tidak akan dibahas lebih


lanjut)
- matematis

MODEL-MODEL PERAMALAN
1. Metode Kualitatif
Berdasarkan Intuisi/pertimbangan
Model peramalan kualitatif yang diurutkan
mulai dari yang bersifat kualitatif sampai
dengan yang bersifat kuantitatif :
a. Management estimate
berdasarkan pertimbangan manajemen,
manajemen senior

umumnya oleh

b. Market Research
berdasarkan hasil-hasil dari survei pasar
produk
c. Structured Group Methods
menggunakan Metode Delphi
d. Historical Analogy
berdasarkan pola data masa lalu

oleh tenaga pemasar

MODEL-MODEL PERAMALAN
2. Metode Kuantitatif
Berdasarkan Analisis hubungan numerik
digolongkan lagi

dari data. Metode ini

menjadi metode kuantitatif yang bersifat :

Intrinsik
berdasarkan pola historis dari data itu
Ekstrinsik
berdasarkan pada pola-pola eksternal
( dipengaruhi faktor-faktor luar )

sendiri

SYARAT MODEL PERAMALAN KUANTITATIF

Model peramalan kuantitatif dapat diterapkan

bila terdapat kondisi sbb :


1. Tersedia informasi tentang masa lalu
2. Informasi tersebut dapat dikuantitatifkan
dalam bentuk data numerik
3. Dapat diasumsikan bahwa beberapa aspek
pola masa lalu akan terus berlanjut di masa
yang akan datang

POLA DATA DAPAT DIBEDAKAN 4 JENIS :


1. Pola Horisontal (H)
Terjadi jika nilai data berfluktuasi di sekitar

nilai rata-rata yang konstan

(stationer terhadap nilai rata-ratanya)


2. Pola Musiman (S)
Terjadi jika suatu deret dipengaruhi oleh
tertentu, bulanan) dan berjangka waktu

faktor musiman (misal : kuartal tahun


kurang dari 1 TH

Misalnya : Kunjungan pasien RS meningkat pada saat panen; Di bidang kesehatan,


insidens penyakit ISPA meningkat pada musim kemarau
3. Pola Siklis (C)
Terjadi jika datanya dipengaruhi sikluS
ekonomi jangka panjang ( > 1 tahun).

bisnis (penjualan produk mobil,baja) fluktuasi

4. Pola Trend (T)


Terjadi jika terdapat kenaikan ataU
dipengaruhi oleh musim

penurunan sekuler jangka panjang Pola ini tidak

POLA HORISONTAL (H)

POLA MUSIMAN (S)

35
30
25

30
25

20
15

Y
20

10
5
0

15
10

KEMARAU
J

HUJAN

D
WAKTU

WAKTU

POLA SIKLIS (C)

POLA TREND (T)

25
30
25

20

20
15

15
10

10
5
0

5
0

72 74 76
93

94

95

96

97

98

99

78

80 82

84

2000 2001
WAKTU

WAKTU

86 88

90

Contoh penerapan ramalan...


a. mengetahui pergerakan nilai saham pada

pembukaan sesi siang ini


b. mengetahui keadaan cuaca besok dan lusa
c. mengetahui perminataan suatu barang untuk
pengiriman bulan
depan
d. memprediksi musim tanam di suatu daerah
pertanian
e. memprediksi mencairnya es di kutub selatan
akibat pengaruh
pemanasan global
dll

Pendekatan...
Pendekatan secara non-matematis, contoh:

- pengalaman di masa lalu


- pengelihatan para ahli (supranatural.)
- kedekatan relasi
- dsb
Pendekatan secara matematis, contoh:

- Analisis seri waktu (time series analysis)


- Regresi (regression method)
- Metode kualitatif (qualitative method

Pendekatan...
Pendekatan secara matematis membutuhkan

data
lampau (masa lalu) yang bersifat relatif, antara
lain dalam hal:
1. kebutuhan banyaknya cacah data
2. berapa jumlahnya?
3. sepuluh, seratus, seribu, ....
4. selang waktu pengambilan data
5. setiap berapa lama?
6. setiap detik, jam, hari, minggu, bulan, ...

Beberapa pengertian Peramalan...


Waktu ramalan yang diinginkan, dibagi menjadi:
1) Ramalan jangka pendek (short-range forecast)
2) Ramalan jangka menengah (medium-range forecast)
3) Ramalan jangka panjang (long-range forecast)

Jangka waktu ramalan di atas juga bersifat relatif, :


4) ditentukan oleh penerapan (aplikasi) apa yang akan
diramal.
5) Pada umumnya semakin jauh masa depan yang ingin di
ramal maka akan semakin sulit peramalan dilakukan.
6) Ramalan disini hanya mencerminkan suatu pola atau
kecenderungan, sehingga sangat dimungkinkan
memiliki tingkat
kesalahan tertentu (forecast error) atau
penyimpangan.

Pendekatan secara matematis...

Metode analisis seri waktu (time series analysis)


Metode ini mengunakan data historis yang diakumulasikan dalam
beberapa periode waktu,
yang termasuk metode ini yaitu:
1.Metode rata-rata bergerak (moving) average method
- Rata-rata bergerak (moving average)
- Rata-rata bergerak tertimbang (weighted moving average)
2.Metode Penghalusan eksponensial (exponential smoothing
method)
memberikan bobot lebih kuat di data terakhir daripada dataawal
- Penghalusan eksponensial sederhana(simple exponential
smoothing)
- Penghalusan eksponensial yg disesuaikan(ajusted exponential
smoothing)

Moving average
1 periode = naive moving average
2 periode = 2 periods moving average
dstnya

Simple average

Peramalan naive

Metode analisis seri waktu (time series


analysis)
Rata-rata bergerak (moving average)
n

MAn=

Di
I =1

n
MA = RATA-RATA BERGERAK (MOVING AVERAGE)

n
Di

JUMLAH PERIODE DALAM RATA-RATA BERGERAK

= DATA SELAMA PERIODE

Metode analisis seri waktu (time series analysis)


Rata-rata bergerak tertimbang (weighted moving
average)
n

WMAn=

Wi D i

=1
WMAn = Rata2 bergerak tertimbang
n = Jumlah perode rata-rata bergerak
I

Di = Data selama periode


Wi = Bobot untuk periode I (antara 0% s/d 100%)

MA 2 Periode
Bulan

Data

MA
1 periode
-

Jan

10

Feb

12

10

Maret
April
Mei

9
13

12
9
13

MA
2 periode

(10+12)/2=11
(12+9)/2=10.5
(9+13)/2=11

MA 3 Periode
Bulan

Data

Jan

10

Feb

12

Maret
April
Mei

9
13
12

MA
2 periode

(10+12)/2=11
(12+9)/2=10.5
(9+13)/2=11

MA
3 periode

(10+12+9)/3=10.3
(12+9+13)/3=11.3

Ukuran akurasi peramalan


AE= Average error = rata2 kesalahan

/N (Jml kesalahan)
MAD= mean Absolute deviation = rata2

kesalahan absolut
/N (Jml kesalahan absolut)

Bulan

Data

MA 1
periode

Jan
Feb
Maret
April
Mei

10
12
9
13

10
12
9
13

AE

MAD

2,0
-3,0
4,0

2,0
3,0
4,0

3/3 =1

9/3 = 3

Latihan: hitung AE dan MAD dari MA 2 periode dan 3 periode

Bulan
Jan
Feb
Maret
April
Mei

Data MA 2 periode
10
12
9
13
12

11
10,5
11

AE

MAD

-2
2,5
1

2
2,5
1

1,5/3=0,5 5,5/3=1,8

Metode analisis seri waktu (time series analysis)


Contoh: diketahui data pemesanan barang
Bulan
Pesanan
Januari 120
Februari
90
Maret
100
April
75
Mei 110
Juni 50
Juli
75
Agustus
130
September
110
Oktober
90
November Hitunglah perkiraan pemesanan barang pada bulan ke-11
(november) menggunakan metode rata-rata bergerak, dengan
mempertimbangkan data tiga bulan dan lima bulan
sebelumnya.

Ukuran akurasi peramalan


AE= Average error = rata2 kesalahan

/N (Jml kesalahan)
MAD= mean Absolute deviation = rata2

kesalahan absolut
/N (Jml kesalahan absolut)

Metode analisis seri waktu (time series

analysis)
Perkiraan pemesanan barang pada bulan
ke-11 (november)
menggunakan metode rata-rata bergerak.
dengan mempertimbangkan data tiga
bulan sebelumnya
dengan mempertimbangkan data lima
bulan sebelumnya
MA3=(90 +110 +130)/3 =110 pesanan
MA5=(90 +110 +130 +75 + 50)5 = 91 pesanan

Metode analisis seri waktu (time series analysis)


Dengan metode rata-rata bergerak dapat diperoleh
perbandinmgan secara lengkap antara pemesanan barang
sebenarnya (aktual) dengan perhitungan ramalan tiga bulanan
dan lima bulanan
Bulan Pemesanan Tiga bulanan Lima bulanan

(ramalan 5)
Januari
Februari
Maret
April
Mei
Juni
Juli
Agustus
September
Oktober
November

(aktual)
120
90
100
75
110
50
75
130
110
90
-

(ramalan 3)
95
78,3
78,3
85
105
110

99
85
82
88
95
91

Metode analisis seri waktu (time series

analysis)
Hitunglah perkiraan pemesanan barang pada bulan
ke-11
(november) menggunakan metode rata-rata
bergerak
tertimbang dari referensi data tiga
bulan sebelumnya,
dengan setiap bobot yang
telah ditentukan yaitu: 50% (Oktober),
33%
(September), dan 17% (Agustus).
Catatan:
Pada contoh ini adalah pemesanan barang (harus
utuh) maka :
MA3=(0,5.90 +0,33.110 +0,17.130)/3=103,4
pesanan
dilakukan pembulatan ke atas menjadi 104 pesanan.

Referensi...
Prinsip-Prinsip Statistik Untuk Teknik dan

Sains, Dr. Ir.Harinaldi, M.Eng., Penerbit


Erlangga, Jakarta, 2005.
Introduction to Management Science
(Sains Manajemen) Edisi 8, Bernard W.
Taylor III, Penerbit Salemba Empat, Jakarta,
2005.

Prosedur Peramalan
Definisikan tujuan peramalan
Buat diagram pencar ( plot data )
Memilih model peramalan yang tepat
Lakukan peramalan
Hitung kesalahan peramalan ( forecast

error )
Pilih metode peramalan dengan
kesalahan yang terkecil
Lakukan verifikasi

Tugas individu (UTS)


Cari data bulanan rumah sakit (apa saja,

atau simulasi saja)


Lakukan MA 3 dan 4 periode, dan rata2
bergerak tertimbang
Bandingkan AE dan MAD nya, & simpulkan

TERIMAKASIH