Anda di halaman 1dari 19

LAPORAN PRAKTIKUM

ANALISIS RUNTUN WAKTU


MODUL : 1

KELAS

Moving Average

Nama

Nomor

Tanggal

Tanda Tangan

Praktikan

Mahasiswa

Kumpul

Praktikan

Lalu Bayu Dwi Cahyo

13611187

29/03/2016

Nama Penilai

Tanggal
Koreksi

Nilai

Tanda Tangan
Asisten
Dosen

Asriyanti Ali
Sri Siska Wirdaniyati
Arum Handini Primandari,
S.Pd,Si.,M.Sc

JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS ISLAM INDONESIA
YOGYAKARTA
2016

BAB I
PENDAHULUAN
1.1.

Konsep dan Definisi


Peramalan merupakan aktivitas fungsi bisnis yang memperkirakan

penjualan dan penggunaan produk sehingga produk-produk itu dapat dibuat dalam
kuantitas yang tepat. Peramalan merupakan dugaan terhadap permintaan yang
akan datang berdasarkan pada beberapa variabel peramal, sering berdasarkan data
deret waktu historis. Peramalan menggunakan teknik-teknik peramalan yang
bersifat formal maupun informal (Gaspersz, 1998).
Kegiatan peramalan merupakan bagian integral dari pengambilan
keputusan manajemen. Peramalan mengurangi ketergantungan pada hal-hal yang
belum pasti (intuitif). Peramalan memiliki sifat saling ketergantungan antar divisi
atau bagian. Kesalahan dalam proyeksi penjualan akan mempengaruhi pada
ramalan anggaran, pengeluaran operasi, arus kas, persediaan, dan sebagainya. Dua
hal pokok yang harus diperhatikan dalam proses peramalan yang akurat dan
bermanfaat (Makridakis, 1999):
1. Pengumpulan

data

yang

relevan

berupa

informasi

yang

dapat

menghasilkan peramalan yang akurat.


2. Pemilihan teknik peramalan yang tepat yang akan memanfaatkan
informasi data yang diperoleh semaksimal mungkin.
Dari berbagai macam teknik peramalan, 2 tenik peramalan yang tergolong
sedehana yaitu:
1.1.1. Metode Rata-rata Bergerak (Moving Average)
Rata-rata bergerak tunggal (Moving average) untuk periode t adalah
nilai rata-rata untuk k jumlah data terbaru. Dengan munculnya data baru,
maka nilai rata-rata yang baru dapat dihitung dengan menghilangkan data
yang terlama dan menambahkan data yang terbaru. Moving average ini
digunakan untuk memprediksi nilai pada periode berikutnya. Model ini
sangat cocok digunakan pada data yang stasioner atau data yang konstant
terhadap variansi, tetapi tidak dapat bekerja dengan data yang mengandung
unsur trend atau musiman. Metode ini menduga besarnya data dimasa yang
akan datang sebagai rata-rata k data sebelumnya.

Y Y ... Yt k 1
Yt 1 M t t t 1
k
Misal :

Y Y Y
Y31 Y4 M 3 3 2 1
3
1.1.2. Metode Rata-rata Bergerak Ganda (Double Moving Average)
Rata-rata bergerak ganda, dengan kata lain rata-rata bergerak dari
rata-rata bergerak. Double moving average konsepnya sama dengan single
moving average, data peramalan pertama tersebut dijadikan data awal
untuk moving average lanjutan. Proses moving average terjadi dua kali

i.

sehingga disebut double moving average.


Tahap-tahap
Rata-rata bergerak pertama

M t Yt 1

Yt Yt 1 ... Yt k 1
k

ii. Rata-rata bergerak kedua (second moving average)

M 't

M t M t 1 ... M t k 1
k

iii. Intercept

a t M t ( M t M 't )
at 2 M t M 't

iv. Slope

bt

2
( M t M 't )
k 1

v. Nilai Ramalan

Yt p at (bt * p )

1.2.

Studi
1. Pemimpin

Tahun
2014

ingin
restoran
Ia meminta
tersebut
bulanan
2014
2015.

2015

Bulan
6
7
8
9
10
11
12
1
2
3
4
5
6
7
8
9
10
11
12

a. Buatlah pola dari data diatas

Omzet (juta Rp)


131
130
125
126
129
132
130
132
139
137
137
140
143
143
141
143
148
152
152

Kasus
sebuah

restaurant

mengetahui omzet
pada Januari 2016.
sang manajer untuk
mengestimasi nilai
dengan data omzet
dari

bulan

sampai

Juni

Desember

b. Lakukan Forecast untuk 1 periode kedepan dengan metode Moving


Average orde 3, 5, dan 7
c. Bandingkan hasil Forecast pada soal bagian b, orde mana yang lebih baik.
2. Berikut ini adalah data pergerakan saham Twitter, Inc. (weekly) dari bulan
September 2015 Maret 2016.
Date
Close
21/03/201
6
16.89
14/03/201
6
16.85
07/03/201
6
16.81
29/02/201
6
19.36
22/02/201
6
17.94
16/02/201
6
18.31
08/02/201
6
15.88
01/02/201
6
15.72
25/01/201
6
16.80
19/01/201
6
17.84
11/01/201
6
17.94
04/01/201
6
19.98
28/12/201
5
23.14
21/12/201
5
22.97
14/12/201
5
22.99
07/12/201
5
24.84
30/11/201
5
25.02
23/11/201
5
25.75
16/11/201
5
26.27

09/11/201
5
25.18
02/11/201
5
28.28
26/10/201
5
28.46
19/10/201
5
30.28
12/10/201
5
31.15
05/10/201
5
30.85
28/09/201
5
26.31
21/09/201
5
25.29
14/09/201
5
27.96
08/09/201
5
27.39
01/09/201
5
28.15
a. Buatlah pola dari data diatas
b. Lakukan Forecast dengan metode Double Moving Average orde 3x3 dan
orde 5x5 untuk 1 periode kedepan.
c. Bandingkan hasil Forecast pada bagian b, orde mana yang terbaik.

BAB II
DESKRIPSI KERJA
Penggunaan metode peramalan untuk mengambil keputusa atas ketidak
pastian masa depan berdasarkan data masa lalu dapat dilakukan dengna
menggunakan

microsoft

excel.

Salah

satu

contoh

peramalan

yang

menggunakan microsoft excel adalah Single moving average dan double


moving average dengan memasukkan fungsi dari metode-metode peramalan
tersebut.
2.1.
Single Moving Average
Kasus yang pertama diminta untuk mengestimasikan omzet restaurant
pada bulan januari berdasarkan data omzet bulanan dari bulan Juni 2014
sampai Desember 2015. Dalam melakukan suatu peramalan, ada baiknya
terlebih dahulu melihat pola dari data yang terkumpul secara beruntun. Hal
ini dapat dilakukan dengan cara sebagai berikut:
1. Buka microsoft excel.
2. Masukkan data kasus pertama.

Gambar 2.1 data omzet penjualan


3. Pilih insert kemudian pilih line chart.

Gambar 2.2 Line chart


4. Pilih select data, maka akan muncul jendela select data source, pada
jendela tersebut pilih +add kemudian pilih data yang akan dilihat polanya,
pilih OK dan pada jendela select data source plih OK.

Gambar 2.3 edit series

Gambar 2.4 select data series

Untuk melakukan forecast untuk 1 periode kedepan dengan metode Moving


Average orde 3, 5, dan 7 adalah sebagai berikut:
131+130+125
M 3+1=Y^ 3 +1=
atau ketikan =AVERAGE(3 data sebelumnya)
3
untuk ordo 3 pada periode ke-4 dan = AVERAGE(5 data sebelumnya) untuk ordo
5 pada data ke 6 dan seterusnya.

Gambar 2.5 Forecasting MA


Setelah melakukan forecasting dengan menggunakan MA, selanjutnya adalah
menghitung nilai error kuadrat yaitu dengan cara menguadratkan selisih darihasil
forecast dengan data asli.

Gambar 2.6 Error kuadrat


2.2.

Double Moving average


Pada kasus ke 2 diminta untuk melihat pergerakkan saham
Twitter.Inc dari bulan September 2015 Maret 2016. Pada studi kasus 2

ini diminta untuk melihat pola datanya. Untuk melihat pola data digunakan
line chart seperti langgka petama pada bahasan sebelumnya.
1. Buka microsoft excel.
2. Masukkan data kasus kedua.

Gambar 2.7 data omzet penjualan


3. Pilih insert kemudian pilih line chart.

Gambar 2.8 Line chart


4. Pilih select data, maka akan muncul jendela select data source, pada
jendela tersebut pilih +add kemudian pilih data yang akan dilihat
polanya, pilih OK dan pada jendela select data source plih OK.

Gambar 2.9 edit series

10

Gambar 2.10 select data series

Untuk melakukan forecast untuk 1 periode kedepan dengan metode Double


Moving Average orde orde 3x3 dan orde 5x5 adalah sebagai berikut:
16,89+ 16,85+ 16,81
M 3=
atau ketikan pada kolom excel =AVERAGE(3 data
3
sebelumnya) untuk ordo 3 pada periode ke-3 kemudian hitung lagi rata-rata dari
data yang sudah dirata-ratakan dengan

M '3 =

16,85+17,67+18,037
3

AVERAGE(3 yang sudah di hitung) pada data ke-6.

Gambar 2.11 rata-rata ganda


Setelah melakukan perhitungan rata-rata 2 kali selanjutnya adalah menghitung
intrceptnya yaitu dengan:

at 2 M t M 't

atau ketikkan pada excel =(2*C6-D6)

Gambar 2.12 intercept


Setelah mendapat nilia intercept selanjutnya dalah mencari nilai slope dengan
menggunakan fungsi:
bt

2
( M t M 't )
k 1

atau ketikkan =(2/(3-1))*(C6-D6) pada excel.

Gambar 2.13 intercept


Setelah mendapatkan nilai slope dan intercept maka barulah dapat dilakukan
forecast dengan fungsi:
Yt p at (bt * p )

atau pada excel tuliskan =E6+(F6*1)

Gambar 2.14 forecast


Setelah mendapat hasil forecast selanjut ialah mengitung error kuadrat dan
persenatase error dari forecast yaitu dengan menguadrakan selisih data asli dan

12

untuk persentase error yaitu dengan cara membagi selisih data asli dan error
dengan data asli.

Gambar 2.15 error kuadrat dan persentase error


Untuk mengetahui orde terbaik adalah dengan melihat nilai terkecil hasil dari ratarata error kuadrat atau rata-rata persen data error dari masing- masing data.

BAB III
PEMBAHASAN
Pada bab deskripsi kerja sebelumnya telah dijelaskan langkah erja
untuk menyelesai studi kasus pada bab pendahuluan. Pada bab ini akan
dibahas dan dibandingkan hasil dari perhitungan dari masing-masing orde
dengan masing-masing metode pada masing-masing data. Pada kedua
studi kasus diminta untuk melakukan forecast untuk 1 periode kedepan
dengan masing-masing metode.
3.1. Single Moving average
Pada kasus pertama seorang pemimpin sebuah restaurant ingin
mengetahui omzet restoran pada Januari 2016, ia meminta sang manajer
untuk mengestimasi nilai tersebut dengan data omzet bulanan dari bulan
Juni 2014 sampai Desember 2015. Pada kasus ini diminta untuk membuat
pola datanya, dan berikut adalah pola data omzet dari restaurant tersebut
yaitu:

Omzet (juta Rp)


Omzet (juta Rp)
200
150
100
50
0

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19

Gambar 3.1 pola data


Pola data yang dibentuk oleh data omzet bulanan dari bulan Juni
2014 sampai Desember 2015 adalah pola horizontal. Berdasarkan grafik
tersebut sebaran data bergerak masih disekitas rata-rata.
Selain diminta untk melihat pola datanya, pada kasus pertama
permintaan sang pemimpin adalah untuk mengetimasi omzet penjual di
bulan Januari 2016. Pada kasus ini manajer membandingkan forecast

14

dengan 3 orde yang berbeda (3,5,dan7). Berdasarkan perhitungan nilai


error paling kecil, permalan terbaik adalah peramalan dengan ordo 3
dengan rata-rata error kuadrat 16,875 paling kecil dibanding yang lain,
berikut adalah hasil perhitungannya:

Gambar 3.2 single moving averang


Dari hasil forecast diatas dengan ketiga orde menunjukkan bahawa
pada jaunuari 2016 omzetyang akan didapat restaurant akan menurun.
Berikut perbandingan ketiga orde dalam grafik.
200
150
100
50
0

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
Omzet (juta Rp)

MA(3)

MA(5)

MA(7)

Gambar 3.3 perbandingan grafik

Dari hasil niliai error kuadrat dan persentase error orde 3


merupakan yang terkecil yaitu 3% dianding orde 5 dengan error 3% dan
orde 7 dengan error 5%

3.2. Double Moving Average


Pada kasus kedua untuk melihat pergerakan saham dari Twitter.Inc
perminggu. Pertama diminta untuk melihat pola data dari data pergerakan
saham Twitter.Inc yaitu:

Close
35
30
25
20
15
10
5
0

10 11 12 13 14

Close

Gambar 3.4 pola data


Berdasarkan pola data diatas yang berfluktuatif, polanya termasuk
horizontal yang naik dan turun masih di sekitar rata-rata. Pergerkan dari
saham twitter.inc untuk satau tahun ke depan akan diestimasi dengna
menggunkan metode forecasting doubele moving average.
Metode double moving average menggunakan 2 nilai rata-rata,
contoh seperti pada kasus ini menggunkan orde 3x3 dan 5x5.
Menggunakan rata-rata 3 data awal yang digunakan untuk mengestimasi
data ke 3 dan destimasi lagi untukmengestimasikan data ke3 dari nilai
estimasi awal dengan kata lain melakukan rata-rata 2 kali untuk
mengestimasi data ke 6 (untuk orde 3x3) dilanjut dengna mencari slope
dan intercept yang digunakan untuk mengestimasi data selanjutnya.

16

Berdasarkan data saham twitter.inc pengestimasian terbaik adalah


menggunakan orde 3x3 dengan nilai MAPE 8% dengan nilai 29,3444
untuk harga saham selanjutnya. Berikut adalah hasil perhitungan double
moving average.

Gambr 3.5 perhitungan MSE dan Mape


Berdasarkan hasil forecast orde 3x3 pergerakan saham twitter.inc
adalah

meningkat

dengan

persentase

kesalahan

8%,

sedangkan

berdasarkan orde 5x5 saham twitter.inc akan menurun dengan kesalahan


9%.
40
35
30
25
20
15
10
5
0
Close

MA(5*5)

MA(3*3)

Gambar 3.6 Pergerakkan saham

BAB IV
PENUTUP
Dari hasil pembahasan didapat kesimpulan:
1. Pola data dari kedua kasus adalah horizontal
2. Omzet resttauran diestimasikan akan menurun menjadi 150 dengna
persentase error 2%. Dan pergerakan saham Twitter.Inc akan meningkat
menjadi 29,34 dengna persentase error 8%.
3. Single moving average mengetimasikan nilai selanjutnya berdasarkan nilai
k data sebelumnya, sehingga ketepatan hasil forecast ditentukan oleh nilai
k.
4. Double moving average mengkalkulasikan nilai slope dan intercept untuk
mengestimasikan data pada periode selanjutnya, tapi sebelum itu metode
ini menghitung rata-rata seperti Single moving average untuk mencari nilai
slope dan intercept.

18

DAFTAR PUSTAKA
Ulwan, M.Nasihun. 2014. Cara Peramalan dengan Metode Single moving
average

dan

Double

Moving

Average.

http://www.portal-

statistik.com/2014/08/cara-peramalan-dengan-metode-single.html diakses
pada tanggal 27 maret 2016 pukul 21:12 WIB.
Pradana,

Farid.

2012.

Peramalan

(forecating).

https://fariedpradhana.wordpress.com/2012/06/28/forecasting-peramalan/
diakses pada tanggal 27 maret 2016 pukul 21:30 WIB.
Primandari, Arum Handini. 2016.
Yogyakarta.

Modul Praktikum: Analisis Runtun Waktu.