Anda di halaman 1dari 3

Tugas 2 : Essay

Mata Kuliah:

Teknik Peramalan
Judgmental Forecasting Method Dan Ukuran Akurasi

Nama Ahmad Fashel Sholeh

NRP 5209100707

JURUSAN SISTEM INFORMASI FAKULTAS TEKNOLOGI INFORMASI INSTITUT TEKNOLOGI SEPULUH NOPEMBER 2010

Judgmental Forecasting Method


Judgmental forecasting merupakan metode peramalan yang paling umum digunakan dalam realita kehidupan yang sebenarnya, khususnya dalam beberapa hal, seperti : - Pengambilan keputusan penting yang harus dilakukan. - Ketika data yang tepat diperlukan tidak tersedia atau tidak dapat diandalkan. - Orang yang meramalkan tersebut merupakan pakar/ahli dibidangnya. - Ketika peramalan yang dilakukan didasarkan pada teori dan/ atau analisis data aktual tapi keputusan yang diambil tidak sesuai dengan perkiraan akhir. - Terkadang pendapat dari analisis subjektif berguna pada saat perubahan struktural sebagai metode statistik terlalu lambat untuk mengamil perubahan. Judgmental forecasting method sendiri merupakan metode penilaian manusia dalam meresapi dan melakukan proses peramalan. Dalam peramalan ekonomi, penilaian dapat digunakan dalam mengidentifikasi variabel endogen dan eksogen, membangun persamaan struktural, mengoreksi untuk variabel dihilangkan, menentukan harapan untuk indikator ekonomi, dan menyesuaikan prediksi model dalam terang informasi baru, pengumuman resmi, atau "jalan" bicara . Studi dengan peramal ekonomi menunjukkan bahwa judgment diberikan lebih berat daripada teknik pemodelan dalam membangun prediksi (Batchelor dan Dua, 1990). Pada kenyataannya, penilaian adalah "faktor utama yang ekonom menggunakan dalam mengkonversi teknik statistik dan teori hanya menjadi sebuah perkiraan dapat digunakan" (McAuley, 1986, hal 384). Seperti ditekankan oleh Larry Summers (mantan Harvard dan MIT profesor ekonomi yang saat ini Menteri Keuangan AS), "pada akhirnya tidak ada alternatif untuk penilaian - Anda tidak pernah bisa mendapatkan jawaban yang keluar dari beberapa model" (bdk., Fox, 1999, p 66). Metode Judgmental Forecasting ini berfokus pada penggabungan pendapat peramal dan pengalaman ke dalam proses prediksi. Oleh karena itu, meliputi basis yang luas, mulai dari situasi dimana tidak terdapat informasi kuantitatif sehingga ramalan didasarkan pada penilaian secara eksklusif. Dalam hal ini, kuantifikasi pendapat ahli sebagai prakiraan numerik adalah sangat penting. Masalah seperti miscalibration ahli dan ketergantungan antara peramal dan / atau metode peramalan dapat memiliki efek dramatis pada distribusi prediksi yang dihasilkan. Dalam kebanyakan kasus, para pembuat keputusan tidak siap untuk berurusan dengan ukuran ketidakpastian yang berhubungan dengan prediksi. Sumber : http://economics.uwaterloo.ca/2008-Fall/08notes2.pdf www.blackwellreference.com Statistics and Econometrics Forecasting http://www.forecastingprinciples.com/files/MakridakisbyFaria.pdf

Ukuran Akurasi
Aktivitas peramalan merupakan suatu fungsi bisnis yang berusaha memperkirakan permintaan atau penjualan dan pengunaan produk sehingga produk-produk itu dapat dibuat dalam kuantitas yang tepat sesuai dengan permintaan pasar. Pengukuran akurasi peramalan biasanya dilakukan untuk membandingkan dan memilih di antara 2 atau lebih teknik peramalan. Jika hanya punya satu teknik di tangan, pengukuran akurasi peramalan tidak punya banyak arti karena anda tidak akan memilih apapun. Cara yang paling benar untuk mengukur akurasi peramalan tentunya adalah dengan membandingkan hasil ramalan dengan kondisi nyata di lapangan (contohnya: ramalan jumlah virus komputer di tahun 2010 dengan data aktual yg dikumpulkan pada tahun 2010. Konsep dasarnya adalah, model peramalan dianggap akurat jika error peramalannya kecil. Atau lebih tepatnya jika kita punya dua teknik peramalan, A dianggap lebih akurat dari B jika error ramalan teknik A lebih kecil. Error peramalan dihitung dari perbedaan antara hasil peramalan dan data aktual. Ukuran akurasi ternyata beragam, namun konsep dasarnya sama yaitu menghitung error peramalan. Misal: MSE, MAE, MAPE dll. Dari hasil penelitian yg di lakukan di TI UGM, hasilnya tidak selalu konsisten. Misal: untuk dataset yg sama, dari dua teknik peramalan A & B, bisa jadi MAE menyatakan A lebih akurat, sementara MSE menyatakan B lebih akurat. Satu umumnya membedakan antara kesalahan relative dan kesalahan mutlak. Kesalahan mutlak adalah besarnya perbedaan antara nilai yang tepat dan pendekatan tersebut. Kesalahan relatif adalah kesalahan mutlak dibagi dengan besarnya nilai yang tepat. Kesalahan persen adalah kesalahan relatif dinyatakan dalam hal per 100. Sebagai contoh, jika nilai yang tepat adalah 50 dan pendekatan adalah 49,9, maka kesalahan mutlak adalah 0,1 dan kesalahan relatif adalah 0.1/50 = 0,002. Tipsnya: jika anda sensitif terhadap nilai error ekstrim, gunakan pengukuran yang melibatkan fungsi kuadratik (misal Mean Squared Error) bukan fungsi yg menggunakan nilai absolute karena perhitungan MAE tanpa memperhatikan apakah hasil pramalan lebih besar atau lebih kecil dibandingkan kenyataannya sedangkan MSE merupakan teknik yang menghasilkan kesalahan yang moderat dimana lebih disukai oleh suatu peramalan yang biasanya menghasilkan kesalahan yang lebih kecil tetapi kadang-kadang menghasilkan kesalahan yang sangat besar. Sedangkan Mape paling sering digunakan untuk mengevaluasi cross-sectional prakiraan (Ahlburg 1995; Campbell 2002; Hyndman dan Koehler 2006; Isserman 1977; Miller 2001; Murdock et al. 2001; Murdock et al. 1984; Rayer 2007; Sink 1997; Smith 1987; Smith and Sincich 1990, 1992; Smith, Tayman, dan Swanson 2001; Tayman, Schaffer, dan Carter 1998; Wilson 2007). Selain itu, Mape juga sering berguna untuk tujuan pelaporan karena dinyatakan dalam persentase generik yang akan dipahami oleh berbagai pengguna. Mape sendiri merupakan ukuran kesalahan relative dimana ukuran ini menyatakan persentase kesalahan hasil peramalan terhadap permintaan actual selama periode tertentu yanga akan memberikan informasi persentase kesalahan terlalu tinggi atau terlalu rendah. Sumber : http://budihartono.wordpress.com/2008/07/19/ramal/ http://en.wikipedia.org/wiki/Mean_squared_error http://www.ehow.com/how_6426845_calculate-mean-absolute-error.html http://cssd.ucr.edu/Papers/PDF s/MAPE-R EMPIRICAL V24 Swanson Tayman Bryan.pdf