17. Apa yang dimaksud dengan peramalan unvirate dan multivariate? Berikan contohnya!
Metode peramalan univariate, disebut juga metode deret waktu, menggunakan data masa
lampau dan pola internal untuk meramalkan masa depan. Metode ini memodelkan fungsinya
berdasarkan fungsi deret waktu itu sendiri, tanpa variabel luar. Metode yang termasuk metode
univariat adalah pemulusan, pemulusan eksponensial (exponential smoothing), dekomposisi,
analisa deret Fourier, ARIMA (Box-Jenkins), trend linear, dan model pertumbuhan non-linear.
Contohnya adalah perkiraan dengan cara penghalusan eksponensial atau model rata-rata
bergerak tertimbang.
Metode peramalan multivariat, disebut juga metode kausal, yakni membuat proyeksi untuk
masa depan dengan memodelkan hubungan antara sebuah deret dengan deretderet lainnya.
Contohnya adalah peramalan dari penjualan produk makanan dapat berhubungan dengan
pendapatan masyarakat, daya beli, pola konsumsi.
18. Metode mana yang lebih akurat, mekanis vs nonmekanis, univariate vs multivariate
Jelaskan alasan-alasannya!
Pada dasarnya ada 4 kategori peramalan
Metode Univariate Multivariate
Secara umum model forecast multivariate biasanya lebih akurat dibandingakan dengan model
forecast univariat. hal ini bisa dimengerti karena anlaisis multivariate melbatkan lebih banyak
faktor yang mempengaruhi suatu variable.
20. Trade off apa yang dihadapi pada waktu kita menentukan w (bobot) dalam metode
penghalusan eksponensial?
Jika w diberi nilai mendekati nol, maka data yang terbaru akan memperoleh bobot yang kecil.
Nilai w yang kecil akan membuat forecast tidak gampang bereaksi terhadap perubahan-
perubahan jangka pendek dalam fluktuasi data. Forecast yang terjadi secara keseluruhan akan
mempunyai fluktuasi yang lebih kecil. Sebaliknya apabila nilai w besar, forecast yang terjadi
akan beraksi cepat terhadap perubahan-perubahan random yang bersifat jangka pendek. Hasil
forecast yang terjadi mempunyai fluktuasi yang lebih tajam. Nilai w yang digunakan dalam
praktik biasanya cukup rendah, sekitar 0,3 atau kurang w sebesar 0,1 sering digunakan.
Kelemahan
Biaya yang cukup tinggi untuk persiapan dan pelaksanaan, untuk memonitoring
beberapa variabel dan biaya-biaya lainnya.
Ketergantungan yang tinggi terhadap kemampuan individu analisisnya.
Analis barangkali mempunayi insentif untuk tidak menampilkan forecast yang tidak
bias. Contoh karena tekanan agar sesuai dengan konsensus forecast.
Analis barangkali bisa dimanfaatkan oleh perusahaan-perusahaan untuk kepentingan
perusahaan tersebut.