Anda di halaman 1dari 31

P E R A M A L A N K U A N T I TAT I F

METODE ANALISIS PERENCANAAN 1

Apriadi Budi Raharja

JURUSAN TEKNIK PERENCANAAN WILAYAH DAN KOTA


FAKULTAS TEKNIK
U N I V E R S ITAS PAS U N DAN BAN D U N G
Kampus IV Jl. DR. Setiabudhi
PENGERTIAN

• Peramalan (Forecasting) adalah seni dan ilmu untuk


memperkirakan kejadian di masa depan.
• Berdasarkan horizon waktu, peramalan dibagi 3, yaitu :
1. Peramalan jangka pendek
2. Peramalan jangka menengah
3. Peramalan jangka panjang
• Jangka pendek – sampai 1 tahun, biasanya kurang
dari 3 bulan. Merencanakan pembelian,
penjadwalan kerja, tingkat tenaga kerja,
pembagian tugas.
• Jangka menengah – 3 bulan - 3 tahun.
Perencanaan penjualan, perencanaan produksi,
cash budgeting, mengevaluasi rencana produksi
• Jangka panjang – biasanya lebih dari 3 tahun.
Perencanaan produk baru, pengeluaran modal,
lokasi dan perluasan fasilitas, research and
development, perencanaan kota dan wilayah.
• Pendekatan ekspalanatoris mengasumsikan adanya
hubungan sebab akibat di antara input dengan output
dari suatu sistem.
Sistem
Input Hubungan sebab Output
dan akibat

• Peramalan Deret Berkala memperlakukan sistem


sebagai kotak hitam.
Sistem
Input Output
Proses Bangkitan
1. Tersedia informasi tentang masa lalu.
2. Informasi tersebut dapat di kuantitatifkan
dalam bentuk data numerik.
3. Dapat diasumsikan bahwa beberapa aspek
pola masa lalu akan terus berlanjut di masa
mendatang.
Kualitatif Kuantitatif
Karakteristik berdasarkan berdasarkan data kuantitatif
pertimbangan dan dan matematis
pendapat manusia;
subyektif
Kelebihan memperhitungkan konsisten dan obyektif;
perkembangan terakhir dapat mempertimbangkan
dalam lingkungan dan banyak informasi dan data
informasi dari dalam sekaligus
Kelemahan ramalan yang bias dan data kuantitatif mungkin
akurasi yang rendah tidak dapat diperoleh. Hanya
sebaik data yang
dimasukkan
• Ada 7 langkah dasar sistem peramalan :
1. Menetapkan tujuan peramalan
2. Memilih unsur yg akan diramalkan
3. Menentukan horizon waktu peramalan
4. Memilih jenis model pemodelan
5. Mengumpulkan data yg diperlukan untuk
melakukan peramalan
6. Membuat peramalan
7. Memvalidasikan dan menerapkan hasil pera-
malan.
• KUALITATIF: Bersifat • CAUSAL: metode ini
subjektif; memanfaatkan mencari keterkaitan antara
intuisi dan opini serta permintaan dan faktor
pengalaman pribadi; lingkungan tertentu (misalnya
digunakan jika data historis tingkat suku bunga) untuk
yang tersedia sedikit membuat peramalan
• TIME SERIES: hanya • SIMULASI
menggunakan data – Mengkombinasikan time
permintaan terdahulu (data series dan metode causal
historis) – Meniru kondisi
– Static sebenarnya dan
– Adaptive mensimulasikan dalam
sebuah model dinamik
• Mengasumsikan bahwa sejarah permintaan masa lalu
adalah indikator yang baik untuk permintaan di masa
yang akan datang
• Paling sesuai jika situasi lingkungan stabil dan pola
permintaan dasar tidak bervariasi secara signifikan dari
satu tahun ke tahun berikutnya
• Metode yang paling sederhana dan dapat menjadi titik
acuan awal untuk meramalkan permintaan
Pola dalam data time series (1)

Stationary – pola horizontal. Kurva berubah di sekitar sebuah nilai


sentral, atau berosilasi dengan interval rata-rata
Nilai

1 2 3 4 5 6 7 8 9
Periode waktu
Pola dalam data time series (2)

Non-stationary – trend naik atau trend turun


Nilai

1 2 3 4 5 6 7 8 9
Periode waktu
Pola dalam data time series (3)

Seasonal – trend non-stationary dengan variasi siklus yang


berulang pada interval yang tetap
Nilai

1 2 3 4 5 6 7 8 9
Periode waktu
1. Model Deret Waktu  teknik peramalan yg menggunakan sejumlah
data masa lalu untuk membuat peramalan.
a. Naïve approach
b. Linier trend
c. Quadratic
d. Exponential
e. Moving Average
f. Exponential smoothing
g. Seasonal
2. Model Asosiasif  (hubungan sebab akibat) seperti regresi
linear, menggabungkan banyak variabel atau faktor yg mungkin
mempengaruhi kuantitas yg sedang diramalkan.
a. Proyeksi tren
b. Regresi linear
1. PERAMALAN DERET WAKTU

• Deret waktu didasarkan pada urutan dari titik-titik data yg


berjarak sama dalam waktu (mingguan, bulanan, kuartalan,
dll).
• Menganalisis deret waktu berarti membagi data masa lalu
menjadi komponen-komponen, kemudian memproyeksikan-
nya ke masa depan. Deret waktu mem-punyai empat
komponen :
Permintaan (data) mendatang akan sama
dengan Permintaan (data) pada peroide terakhir.

Benarkah
Linier Tren

• Dalam Metode Linier, peramalan dilakukan dengan mengambil


rata-rata data masa lalu (historis).
• Rumus untuk metoda linier:

∑d
Keterangan:
t d’t = Forecast untuk saat t
d 't = 1 t = time (independent variable)
dt = demand pada saat t
n n = jumlah data
Moving Average / Rata-rata Bergerak
• Rata-rata bergerak adalah suatu metode peramalan yg
menggunakan rata-rata periode terakhir data untuk meramalkan
periode berikutnya.
• Digunakan bila data-datanya :
- tidak memiliki trend
- tidak dipengaruhi faktor musim

Rata - rata Bergerak =


∑ Permintaan dlm periode n sebelumnya
n

n = jumlah periode dalam rata-rata bergerak


• Contoh :

Bulan Penjualan Aktual Rata-rata bergerak 3 bulanan


Januari 10
Februari 12
Maret 13
April 16 (10+12+13)/3 = 11,67
Mei 19 (12+13+16)/3 = 13,67
Juni 23 (13+16+19)/3 = 16
Juli 26 (16+19+23)/3 = 19,33
Agustus 30 (19+23+26)/3 = 22,67
September 28 (23+26+30)/3 = 26,33
Oktober 18 (26+30+28)/3 = 28
Nopember 16 (30+28+18)/3 = 25,33
Desember 14 (28+18+16)/3 = 20,67
• Pembobotan rata-rata bergerak :

Pembobotan rata - rata bergerak =


∑ (bobot periode n)(permintaan dlm periode n)
∑ bobot
Bulan Penjualan Aktual Rata-rata bergerak 3 bulanan
Januari 10
Februari 12
Maret 13
April 16 [(3x13)+(2x12)+(10)]/6 = 12, 16
Mei 19 [(3x16)+(2x13)+(12)]/6 = 14, 33
Juni 23 [(3x19)+(2x16)+(13)]/6 = 17,00
Juli 26 [(3x23)+(2x19)+(16)]/6 = 20,50
Agustus 30 [(3x26)+(2x23)+(19)]/6 = 23,80
September 28 [(3x30)+(2x26)+(23)]/6 = 27,50
Oktober 18 [(3x28)+(2x30)+(26)]/6 = 28,33
Nopember 16 [(3x18)+(2x28)+(30)]/6 = 23,33
Desember 14 [(3x16)+(2x18)+(28)]/6 = 18,67
Exponential Smoothing / Penghalusan Eksponensial

• Penghalusan eksponensial merupakan metode


peramalan rata-rata bergerak dgn pembobotan
dimana titik data dibobotkan oleh fungsi
eksponensial.
• Rumus penghalusan eksponensial :
Peramalan Baru = Peramalan Periode terakhir + α (Permintaan sebenarnya periode terakhir)
- peramalan periode terakhir
dimana : α adalah sebuah bobot atau konstanta penghalusan yg
dipilih oleh peramal yg mempunyai nilai antara 0 dan 1.
• Rumus : Ft = Ft −1 + α ( At −1 − Ft −1 )

dimana : Ft = Peramalan baru


Ft-1 = Peramalan sebelumnya
α = Konstanta penghalusan (0≤α≥1)
At-1 = Permintaan aktual periode lalu

Periode Periode Periode Periode


Konstanta Periode
Sebelum Kedua Ketiga Keempat
Penghalusan Terakhir
Terakhir Sebelum Sebelum Sebelum
α At-1 Terakhir Terakhir Terakhir
Ft-1

α= 0,1 0,1 0,09 0,081 0,073 0,066

α= 0,5 0,5 0,25 0,125 0,063 0,031


Model Asosiasif)

1) Tren : merupakan pergerakkan data sedikit demi sedikit


meningkat atau menurun. Perubahan pendapatan, populasi,
penyebaran umur, atau pandangan budaya dapat mempengaruhi
pergerakkan tren.
2) Musiman : adalah pola data yg berulang pada kurun waktu
tertentu, seperti : harian, mingguan, bulanan, atau kuartal.
3) Siklus : pola dalam data yg terjadi setiap beberapa tahun.
Siklus ini biasanya terkait pada siklus bisnis dan merupakan satu hal
penting dlm analisis dan perencanaan bisnis jangka pendek.
Memprediksi siklus bisnis sulit dilakukan karena adanya pengaruh
kejadian politik ataupun kerusuhan internasional.
4) Variasi acak : merupakan satu titik khusus dalam data yg
disebabkan oleh peluang dan situasi yg tidak lazim. Variasi acak
tdk mempunyai pola khusus shg tdk dapat diprediksi.
Karakteristik trend

Komponen Amplitudo Penyebab


Seasonal 12 bulan Liburan, musim,
perioda finansial
Cyclical 3-5 tahun Ekonomi nasional,
perubahan politik
Bisnis 1-5 tahun Pemasaran, kompetisi,
performance
Product life 1-5 tahun, Substitusi produk
cycle makin pendek
• Adalah suatu metode peramalan serangkaian
waktu yg sesuai dengan garis tren terhadap
serangkaian titik-titik data masa lalu, kemudian
diproyeksikan ke dalam peramalan masa depan
untuk peramalan jangka menengah dan jangka
panjang.
• Persamaan garis :
^

y = a + bx
• Dimana :
y = variabel yg akan diprediksi
a = konstanta
b = kemiringan garis regresi
x = variabel bebas (waktu)
• Dengan metode kuadrat terkecil (MKT) didapat :

∑ xy − n x y
b= a = y − bx
∑ x − nx
2 2
• Contoh :

Periode Permintaan
Tahun x2 xy
Waktu (x) Daya Listrik (Y)
2001 1 74 1 74

2002 2 79 4 158

2003 3 80 9 240

2004 4 90 16 360

2005 5 105 25 525

2006 6 142 36 852

2007 7 122 49 854


Jumlah ∑x = 28 ∑y = 692 ∑x2 = 140 ∑xy = 3.063
Rata-rata 4 98,86 - -
• Penyelesaian :

b=
∑ xy − n x y 3.063 - (7)(4)(98,86) 295
= = = 10,54
∑ x − nx
2 2 2
140 - (7)(4 ) 28

a = y − b x = 98,86 − 10,54(4) = 56,70


Persamaan tren :
^

y = a + bx = 56,70 + 10,54 x
Permintaan tahun 2008 = 56,70+10,54(8)
= 141,02 megawat
Permintaan tenaga listrik (megawatts)
Garis tren : y = 56,70+10,54x

Tahun
Metode Peramalan Asosiatif Lainnya

• Analisis Regresi :
1. Regresi Linear
1.1. Regresi Linear Sederhana
1.2. Regresi Linear Berganda
2. Regresi Kuadrat
3. Regresi Eksponensial

Anda mungkin juga menyukai