Pengaplikasian Metode Peramalan pada Data Real

Diajukan Sebagai Salah Satu Syarat untuk Memenuhi Ujian Tengah Semester Mata Kuliah
Analisis Data Deret Waktu

Dosen:

Resa Septiani Pontoh , M.A.B.,M.Sc.

Disusun Oleh:

Fadil Muhammad Aziz (140610160020)

Marsha Salsabilla Adeva (140610160080)

Anissa Indriati Debyanto (140610160095)

PROGRAM STUDI STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS PADJADJARAN

2018
 BAB I

PENDAHULUAN

1.1 Latar Belakang

Seiring dengan kemajuan teknologi dan persaingan dalam industri, manusia melakukan
penelitian guna meramalkan atau memprediksi nilai suatu data di masa yang akan datang
berdasarkan data di masa yang lalu untuk keperluan perencanaan dan proyeksi ke depan.
Terdapat banyak area perusahaan yang membutuhkan peramalan dalam berbagai jangka yang
berbeda yaitu; peramalan dalam jangka pendek, jangka menengah, dan jangka panjang.
Adanya kebutuhan yang berbeda memunculkan berbagai macam pendekatan untuk
memprediksi dan menentukan sebuah model peramalan yang tepat. Hal tersebut perlu
didukung dengan kemampuan untuk mengidentifikasi peramalan yang dibutuhkan,
pengetahuan mengenai metode-metode peramalan yang ada serta pengaplikasiannya, dan
prosedur memilih metode yang tepat untuk peramalan. Metode yang baik dalam suatu
peramalan merupakan metode yang menghasilkan nilai error atau penyimpangan paling kecil
antara nilai ramalan dengan data yang sebenarnya. Pada makalah ini, akan dianalisis berbagai
metode peramalan terhadap beberapa data dengan berbagai pola untuk mengetahui metode
yang terbaik.

1.2 Rumusan Masalah

1. Bagaimana menentukan peramalan terhadap data dengan berbagai metode peramalan
yang sesuai
2. Bagaimana menentukan model terbaik dalam meramalkan suatu data

1.3 Tujuan Penulisan

1. Untuk mengetahui peramalan terhadap data dengan berbagai metode peramalan yang
sesuai
2. Untuk mengetahui metode terbaik dalam meramalkan suatu data

BAB II

LANDASAN TEORI

2.1 Pengertian

Data deret waktu merupakan barisan suatu nilai pengamatan yang diukur dalam rentang
waktu tertentu, bisa dalam jam, hari, bulan, maupun tahun. Peramalan adalah seni atau ilmu
untuk memperkirakan kejadian di masa depan dan melibatkan pengambilan data historis dan
memproyeksikannya ke masa mendatang dengan suatu bentuk model matematis. (Heizer dan
Render, 2009:162). Peramalan pada data deret waktu dilakukan berdasarkan keadaan atau
data masa lalu. Peramalan terbagi menjadi dua, yaitu peramalan kualitatif dan peramalan
kuantitatif. Pada makalah ini akan dibahas mengenai peramalan kuantitatif, peramalan
kuantitatif menggunakan metode statistik dan data-data historis untuk untuk meramalkan
keadaan mendatang. Terdapat tiga syarat yang perlu dipenuhi untuk melakukan metode
peramalan kuantitatif, yaitu adanya informasi dari masa lalu, informasi yang ada dapat
dikuantitatifkan menjadi data numerik, dan dapat diasumsikan bahwa pola data pada masa
lalu akan berlanjut pada masa yang akan datang. Metode peramalan yang tepat pada data
deret waktu ditentukan berdasarkan pola dari data tersebut.

2.1.1 Komponen Deret Waktu

Dalam data deret waktu, terdapat empat jenis pola yaitu stationer, trend, seasonal,
dan cyclic. Sebuah data dikatakan memiliki pola stationer jika nilai-nilai dalam
data tersebut berada tidak jauh dari rata-rata, pola trend merupakan perubahan
jangka panjang dalam bentuk naik maupun turun, pola seasonal muncul ketika
deret data dipengaruhi oleh factor musiman, seperti kuartalan, bulanan, harian,
dan tahunan, sedangkan pola cyclic muncul ketika data mengalami kenaikan atau
penurunan namun tidak dalam periode yang tetap.

2.1.2 Metode Peramalan Berdasarkan Pola Data

1. Stationary
Untuk data dengan pola stationary dapat dilakukan dengan metode
peramalan sebagai berikut:
a. Naïve Methods
b. Simple Averages
c. Moving Averages
d. Single Exponential Smoothing

Metode Eksponensial Tunggal merupakan salah satu teknik metode

pemulusan eksponensial. Metode Pemulusan Eksponensial merupakan
metode yang memberi bobot secara eksponensial pada data yang
diobservasi. Data yang paling baru akan diberikan bobot yang lebih
besar, data sebelumnya akan diberikan bobot yang lebih sedikit, dua
data sebelumnya akan diberikan bobot lebih sedikit lagi, begitupun
sterusnya. Dalam metode eksponensial tunggal terdiri dari dua model
yaitu:

1. Single Exponential Smoothing (SES)

Single Exponential Smoothing digunakan untuk peramalan dalam
jangka pendek. Dalam melakukan SES hanya membutuhkan
minimal dua titik data untuk meramalkan data pada masa yang
akan datang. Untuk menggunakan model SES, model data
diasumsikan berfluktuasi di sekitar nilai rata-ratanya (pola
stationer) tanpa adanya unsur trend. Persamaan untuk model ini
dapat dituliskan sebagai berikut:
𝐹𝑡+1 = 𝛼𝑋𝑡 + (1 − 𝛼)𝐹𝑡

2. Adaptive Response Rate Single Exponential Smoothing

(ARRSES)
Yang membedakan ARRSES dengan SES adalah, pada ARRSES
nilai α akan berubah secara otomatis jika terdapat perubahan pada
 pola data (nilai α bersifat adaptif). Persamaan untuk model ini
dapat dituliskan sebagai berikut:

2. Trend

Untuk data yang memiliki unsur trend, dapat dilakukan metode peramalan
sebagai berikut:

a. Naïve model
b. Double Moving Averages
c. Double Exponential Smoothing

Double Exponential Smoothing dikembangkan dari metode pemulusan

eksponensial tunggal. Model – Model pada Double Exponential
Smoothing meliputi:

1. Brown’s Linear Method

Metode Brown satu parameter memperbaiki metode Linear

Moving Average jika terdapat unsur trend. Model untuk persamaan
ini dapat dituliskan sebagai berikut:

Ft  m  at  bt m
at  2 St'  St''


bt  ( S t'  S t'' )
1
St'  X t  (1   ) St'1

St''  St'  (1   ) St''1

2. Holt’s Eksponential Smoothing

Metode ini menggunakan koefisien pemulusan kedua. Beta

digunakan untuk memuluskan unsur trend yang terdapat pada data.
Hal ini meminimalisir kesalahan yang muncul pada peramalan
karena factor trend tidak dimuluskan. Persamaan untuk model ini
dapat dituliskan sebagai berikut:

3. Metode Kuadratik Satu Parameter dari Brown

Dalam meramalkan data dengan suatu pola Trend dasar, bentuk

pemulusan yang lebih tinggi dapat digunakan bila dasar pola
datanya adalah kuadratik, kubik, atau orde yang lebih tinggi.
Untuk berangkat dari pemulusan kuadratik, pendekatan dasarnya
adalah memasukkan tingkat pemulusan tambahan (pemulusan
Triple) dan meberlakukan persamaan peramalan kuadratik.
Persamaan untuk model ini adalah:

𝟏
Ft+m = a1 - b1 m + (𝟐) 𝐜𝟏m

a1 = 3S’1 - 3S’’1 + S’’’t

𝛂
b1 = 𝟐(𝟏−𝛂)𝟐 ((𝟔 − 𝟓𝛂)𝐒′𝐭 − (𝟏𝟎 − 𝟖𝛂)𝐒′′𝐭 + (𝟒 − 𝟑𝛂)𝐒′′′𝐭

𝛂𝟐
c1 = (𝟏−𝛂𝟐) (𝐒′𝐭 − 𝟐𝐒′′𝐭 + 𝐒′′′𝐭)

S1’ = α x1 + (1- α) S’t-1

S1’’ = α S’1 + (1- α) S’’t-1

S1’’ = α S’1 + (1- α) S’’t-1

 4. Metode Tiga Parameter Winter

Metode Winters’ menambahkan konstanta ketiga yaitu gamma ()

yang berfungsi untuk menghitung pola data musiman. Model ini
dapat dituliskan sebagai berikut:

3. Seasonal
Untuk data yang memiliki pola musiman, dapat dilakukan metode
peramalan sebagai berikut:
a. Naïve model
b. Winter’s Exponential Smoothing
4. Cyclic
Untuk data yang memiliki pola siklik, dapat dilakukan metode peramalan
sebagai berikut:
a. Classical Decomposition
b. Naïve model
c. Winter’s Exponential Smoothing

2.1.3 Kesalahan Peramalan

Indikator yang umum digunakan untuk mengukur kesalahan dalam peramalan

yaitu rata-rata kuadrat terkecil (Mean Squared Error) dan Mean Absolute
Percentage of Error (MAPE).

1. Mean Squared Error

Mean Squared Error adalah rata-rata dari kesalahan dikuadratkan. MSE
diperoleh dengan mengkuadratkan masing-masing kesalahan, kemudian
dijumlahkan dan ditambahkan dengan jumlah observasi. Pendekatan ini
mengatur kesalahan peramalan yang besar karena kesalahan - kesalahan itu
dikuadratkan. Jika dituliskan dalam bentuk rumus adalah:
 2. Mean Absolute Percentage of Error
MAPE adalah rata-rata dari kesalahan absolut pada tiap periode yang dibagi
dengan nilai observasi untuk periode tersebut. MAPE mengindikasikan
besarnya kesalahan dalam meramal dibandingkan dengan nilai nyata. Jika
dituliskan dalam bentuk rumus adalah:

Akurasi dari sebuah peramalan akan semakin tinggi ketika nilai MSE dan MAPE
semakin kecil (Gasperz, 2005:80).

2.2 Memilih Metode Terbaik

Untuk memilih metode peramalan yang terbaik, perlu diperhatikan keakuratan hasil
disetiap masing-masing metode melalui nilai MSE dan MAPE yang terkecil.