Peramalan Sederhana (Single Moving Average

vs Single Exponential Smoothing)

Posted onDECEMBER 2, 2012CategoriesBelajar

5 Votes

Mungkin sebagian besar diantara kita pernah mendengar tentang

teknik peramalan. Tentunya bukan dukun peramal, melainkan tekni
untuk meramalkan/forecast suatu data deret waktu/time series.
Peramalan merupakan suatu teknik yang penting bagi perusahaan
atau pemerintah dalam mengambil kebijakan. Dalam meramal suatu
nilai pada masa yang akan datang bukan berarti hasil yang
didapatkan ialah sama persis, melainkan merupakan suatu
pendekatan alternatif yang lumrah dalam ilmu statistik.
Pada tulisan ini akan dibahas contoh kasus peramalan
menggunakan teknik Moving Average dan Exponential Smoothing.
Kedua teknik ini merupakan tekni forecast yang sangat sederhana
karena tidak melibatkan asumsi yang kompleks seperti pada
tekni forecast ARIMA, ARCH/GARCH, ECM, VECM, VAR, dsb. Meskipun
demikian, asumsi data stasioner haruslah terpenuhi untuk meramal.
Moving average merupakan teknik peramalan berdasarkan rata-rata
bergerak dari nilai-nilai masa lalu, misalkan rata-rata bergerak 3

tahunan, 4 bulanan, 5 mingguan, dll. Akan tetapi teknik ini tidak

disarankan untuk data time seriesyang menunjukkan adanya
pengaruh
trend
dan
musiman. Moving
averageterbagi
menjadi single moving average dan double moving average.
Exponential smoothing, hampir sama dengan moving average yaitu
merupakan
teknik forecasting yang
sederhana,
tetapi
telah
menggunakan suatu penimbang
dengan besaran antara 0
hingga
1.
Jika
nilai
w
mendekati
nilai
1
maka
hasil forecasting cenderung mendekati nilai obseervasi, sedangkan
jika nilai w mendekati nilai 0, maka hasil forecasting mengarah ke
nilai
ramalan
sebelumnya. Exponential
smoothing terbagi
menjadi single
exponentialsmoothing
dan
double exponential
smoothing.
Kali ini, akan dibahas perbandingan metode single
average dengan single exponential smoothing.

moving

Contoh.
Pemimpin Safira Beach Resto ingin mengetahui omzet restoran pada
Januari 2013. Ia meminta sang manajer untuk mengestimasi nilai
tersebut dengan data omzet bulanan dari bulan Juni 2011 sampai
Desember 2012. Berbekal pengetahuan di bidang statistik, sang
manajer melakukan forcast dengan metode single moving average 3
bulanan dan single exponential smoothing (w=0,4).
Single Moving Average
Hasil
Bulan (t)

Omzet
(Yt) (juta
rp.)

Forecast
Mov. Ave. 3t
(Yt+1) (juta
rp.)

Error
(OmzetForcast)

(OmzetForcast)

Jun-11

131

N/A

N/A

N/A

Jul-11

130

N/A

N/A

N/A

Agust-11

125

N/A

N/A

N/A

Sep-11

126

128,667

-2,667

7,111

Okt-11

129

127,000

2,000

4,000

Nop-11

132

126,667

5,333

28,444

Des-11

130

129,000

1,000

1,000

Jan-12

132

130,333

1,667

2,778

Feb-12

139

131,333

7,667

58,778

Mar-12

137

133,667

3,333

11,111

Apr-12

137

136,000

1,000

1,000

Mei-12

140

137,667

2,333

5,444

Jun-12

143

138,000

5,000

25,000

Jul-12

143

140,000

3,000

9,000

Agust-12

141

142,000

-1,000

1,000

Sep-12

143

142,333

0,667

0,444

Okt-12

148

142,333

5,667

32,111

Nop-12

152

144,000

8,000

64,000

Des-12

152

147,667

4,333

18,778

Jan-13

150,667
Jumlah

258,889

RMSE

0,94647203

Pada tabel di atas forecast ramalan bulan September 2011 yaitu

128,667 juta rupiah diperoleh dari penjumlahan omzet bulan Juni,
Juli, Agustus 2011 dibagi dengan angka moving average (m=3).
Angka forecast pada bulan Oktober 2011 yaitu 127 juta rupiah
diperoleh dari penjumlah omzet bulan Juli, Agustus, September 2011
dibagi dengan angka moving average tiga bulanan (m=3).
Perhitungan serupa dilakukan hingga ditemukan hasil forecast bulan
Januari 2013 sebesar 150,667 juta rupiah. Dapat diinterpretasikan
bahwa omzet bulan Januari 2013 diperkirakan senilai 150, 667 juta
rupiah atau mengalami penurunan sebesar 1,333 juta rupiah
dibanding dengan omzet Desember 2012 sebesar 152 juta rupiah.
Perhatikan
baris
pada
bulan
Juni-Agustus
2011
kolom Forecast hingga error tidak memiliki nilai, karena peramalan
pada bulan-bulan tersebut tidak tersedia data moving average 3
bulanan, bulan sebelumnya.
Selanjutnya untuk melihat kebaikan hasil ramalan digunaka RMSE
(root mean square error)

Untuk perhitungan RMSE, mula-mula dicari nilai error atau selisih

antara nilai aktual dan ramalan (omzet forecast), kemudian
kuadrat nilai-nilai tersebut untuk masing-masing data bulanan. Lalu,
jumlahkan seluruh nilai error yang telah dikuadratkan. Terakhir
hitung nilai RMSE dengan rumus di atas atau lebih gambangnya,
bagi nilai penjumlahan error yang telah dikuadratkan dengan
banyaknya observasi dan hasilnya lalu di akarkan. Pada tabel di

atas, banyaknya observasi yaitu 16 (mulai dari September 2011Desember 2012).

Single Exponential Smoothing.

Selanjutnya kita akan melakukan peramalan dengan metode Single
Exponential Smoothing. Metode ini menggunak nilai penimbang
yang dapat diperoleh dari operasi statistik tertentu (bisa proporsi
tertentu), namun dapat juga ditentukan oleh peneliti. Kali ini akan
digunakan nilai w = 4.
Bulan (t)

Omzet (Yt) Forecast W=0,4

(juta rp.)
Ycap(t+1)(juta
rp.)

Error
(OmzetForcast)

(OmzetForcast)

Jun-11

131

137,368

-6,368

40,557

Jul-11

130

134,821

-4,821

23,243

Agust-11

125

132,893

-7,893

62,294

Sep-11

126

129,736

-3,736

13,955

Okt-11

129

128,241

0,759

0,576

Nop-11

132

128,545

3,455

11,938

Des-11

130

129,927

0,073

0,005

Jan-12

132

129,956

2,044

4,177

Feb-12

139

130,774

8,226

67,672

Mar-12

137

134,064

2,936

8,619

Apr-12

137

135,239

1,761

3,103

Mei-12

140

135,943

4,057

16,458

Jun-12

143

137,566

5,434

29,530

Jul-12

143

139,740

3,260

10,631

Agust-12

141

141,044

-0,044

0,002

Sep-12

143

141,026

1,974

3,896

Okt-12

148

141,816

6,184

38,245

Nop-12

152

144,289

7,711

59,453

Des-12

152

147,374

4,626

21,403

Jan-13

149,224
Jumlah

415,756

RMSE

1,073162

Nilai ramalan pada bulan Juni 2011 yaitu 137,368 juta rupiah
diperoleh dari rata-rata omzet dari bulan Juni 2011 hingga bulan
Desember 2012. Nilai ramalan pada bulan Juli 2011 yaitu 134,821
juta rupiah diperoleh dari perhitungan dengan rumus di atas,
dengan kata lain nilai ramalan bulan Juli 2011 diperoleh dari hasil
kali w=0,4 dan nilai aktual omzet bulan Juli 2011 dijumlahkan
dengan hasil kali (1-0,4) serta nila ramalan bulan Juni 2011 sebesar
134,821 juta rupiah. Lakukan perhitungan tersebut hingga
mendapatkan angka ramalan untuk bulan Januari 2013.

Hasil ramalan omzet untuk bulan Januari 2013 yaitu 149,224 juta
rupiah atau turun sebesar 2,776 juta rupiah. Kemudian hitung nilai
RMSE dengan rumus seperti pada perhitungan RMSE moving
average, hanya saja jumlah observasi berbeda. Pada tabel di atas
jumlah obervasi (m) yaitu 19 lebih banyak dibanding dengan
metode simple moving average 3 bulanan (16) karena pada metode
eksponensial perhitungan ramalan dapat dimulai dari data pada
periode awal. RMSE metode single exponential smoothing sebesar
1,073.

Selanjutnya dari kedua metode di atas akan dibandingkan mana

hasil yang terbaik. Untuk hal tersebut maka, bandingkan nilai RMSE
dari kedua metode. Metode dengan RMSE terkecil dapat dinyatakan
sebagai metode terbaik untuk meramal.
RMSE mov.average = 0,946, RMSE exp.smoothing = 1,073. RMSE
mov.average < RMSE exp.smoothing. Kesimpulanya bahwa metode
moving average lebih baik dalam melakukan peramalan, sehingga
omzet pada bulan Januari 2013 diperkirakan sebesar 150,667 juta
rupiah (meskipun memiliki nilai yang lebih rendah daripada bulan
sebelumnya).