METODE PERAMALAN

Pertemuan ke-1
Shantika Martha, M.Si.
 KONTRAK KULIAH
SISTEM PENILAIAN
– Absensi 10%
– Latihan/Quiz/ Tugas 20%
– Ujian Tengah Semester (UTS) 30%
– Ujian Akhir Semester (UAS) 40%

Bacaan:
Makridakis, Wheelwright, McGee. Metode dan Aplikasi
Peramalan Jilid 1. Binarupa Aksara. Tangerang
 Materi:
- Peramalan
- Moving Average (Single, Double)
- Exponential Smoothing (Single, Double: Brown,Holt)

UTS
- Exponential Smoothing (Triple: Brown, Winter)
- Klasifikasi Pegels
- Dekomposisi
 Peramalan

• Peramalan (forecasting) adalah kegiatan untuk

memperkirakan apa yang akan terjadi pada masa
yang akan datang.
• Ramalan adalah suatu kondisi yang diperkirakan akan
terjadi pada masa yang akan datang.
• Kegunaan peramalan terlihat pada saat pengambilan
keputusan. Tindakan-tindakan yang akan datang
dapat direncanakan dengan matang sehingga dapat
mengurangi kerugian atau menambah keuntungan
serta dapat mengantisipasi hal-hal yang tidak
diinginkan.
 Metode Peramalan
1. Metode kualitatif
• Metode kualitatif lebih didasarkan pada intuisi dan penilaian
orang yang melakukan peramalan daripada pemanipulasian
data historis yang tersedia. Ini dilakukan karena tidak ada atau
tidak cukup tersedia data historis.
• Teknik-teknik pada metode kualitatif terdiri atas penulisan
skenario, penelitian pasar, dll.
• Hasil peramalan tergantung pada penyusunnya, karena
ditentukan berdasarkan pemikiran yang bersifat intuisi,
pendapat, pengetahuan serta pengalaman penyusunnya.
• Dibagi menjadi metode eksploratif dan normatif
2. Metode Kuantitatif
• Metode Kuantitatif didasarkan pada pemanipulasian atas
data yang tersedia secara memadai dan tanpa intuisi
maupun penilaian dari orang yang melakukan peramalan.
• Peramalan kuantitatif dapat diterapkan bila:
Tersedia informasi tentang masa lalu, informasi tersebut dapat
dikuantitatifkan dalam bentuk data numerik (angka),
beberapa aspek dari pola di waktu yang lalu akan berlanjut
ke waktu yang akan datang (disebut asumsi kontinuitas).
• Hasil peramalan tergantung pada metode yang digunakan
• Dibagi menjadi model deret berkala dan model regresi
(kausal)
• Model deret berkala dilakukan berdasarkan nilai masa lalu dari
suatu variabel dan/atau kesalahan masa lalu.

• Model kausal mengasumsikan bahwa faktor yang diramalkan

menunjukkan suatu hubungan sebab akibat dengan satu atau
lebih variabel bebas.

• Model deret berkala seringkali dapat digunakan dengan mudah

untuk meramal, sedangkan model kausal dapat digunakan
dengan keberhasilan yang lebih besar untuk pengambilan
keputusan dan kebijakan.
 Langkah-langkah peramalan
1. Menganalisa pola data pada masa yang lalu. Analisa ini
dilakukan dengan cara membuat tabulasi dari data yang lalu.
Dengan tabulasi data, maka dapat diketahui pola dari data
tersebut.
2. Menentukan metode yang digunakan. Metode peramalan
yang baik adalah metode yang menghasilkan penyimpangan
antara hasil peramalan dengan nilai kenyataan yang sekecil
mungkin.
3. Meramalkan data yang akan datang dengan menggunakan
metode yang telah ditentukan.
Pendahuluan

serangkaian pengamatan terhadap suatu variabel

Deret
Waktu yang diamati dari waktu ke waktu, biasanya dinotasikan
dalam barisan peubah acak 𝑌𝑡 , 𝑡 = 0, ±1, ±2, ⋯ .

Syarat ada kebergantungan observasi terhadap waktu

1. Data curah hujan bulanan di suatu provinsi

Contoh data
deret waktu 2. Data penutupan harga saham harian
3. Data harga emas tahunan
 Ilustrasi Data Deret Waktu
Data berikut ini merupakan data penutupan harga saham PT. Astra
Internasional Tbk pada periode 26 Juni 2018 sampai 17 September 2018.
(Sumber: finance.yahoo.com)

6.700 6.425 6.350 6.600 6.250 6.100 6.250 6.300 6.300 6.325 6.350 6.625 6.675 6.800 6.700

6.625 6.650 6.700 6.675 6.675 6.650 6.875 6.675 6.975 7.100 7.150 7.475 7.300 7.125 7.425

7.375 7.425 7.500 7.400 7.100 6.825 6.975 7.100 7.100 7.400 7.475 7.475 7.425 7.375 7.575

7.350 7.475 7.475 7.250 7.100 7.075 6.775 6.800 7.175 7.175 7.175 7.125 7.075 7.225 6.950

Apabila data harga saham hari ini dipengaruhi oleh data

harga saham di hari kemarin dan seterusnya, maka data pada
tabel di atas merupakan data deret waktu
 Pola Data Deret Waktu
Horizontal (H)
Jika data berfluktuasi di sekitar nilai
rata-rata yang konstan.
(Pola seperti ini dikatakan stasioner
terhadap rata-rata)
Musiman (S)
Jika suatu deret dipengaruhi oleh
faktor musiman (misalnya bulanan
dan kuartal tahun tertentu).
 Pola Data Deret Waktu
Siklis (C) Tren (T)
Jika data dipengaruhi oleh fluktuasi Jika terdapat kenaikan atau
ekonomi jangka panjang seperti yang penurunan sekuler jangka panjang
berhubungan dengan siklus bisnis. dalam data.
 Ukuran Ketepatan Metode Peramalan
• Ukuran Statistik Standar:

Mean Error (ME), Mean Absolute Error (MAE), Sum of Squared Error (SSE), Mean
Squared Error (MSE), Standard Deviation of Error (SDE)

• Ukuran Relatif:

Percentage Error (PE), Mean Percentage Error (MPE), Mean Absolute

Percentage Error (MAPE)

• Statistik-U dari Theil:

• Statistik Durbin-Watson:
 Ukuran ketepatan peramalan yang sering digunakan:

Mean Square Error (MSE) Mean Absolute Deviation (MAD)

σ𝑛𝑖=1 𝑦𝑖 − 𝑦ො𝑖 2 σ𝑛𝑖=1 𝑦𝑖 − 𝑦ො𝑖

𝑀𝑆𝐸 = 𝑀𝐴𝐷 =
𝑛 𝑛

Mean Absolute Pecentage Error (MAPE)

Keterangan:

𝑦𝑖 − 𝑦ො𝑖 𝑦𝑖 = nilai aktual observasi ke-𝑖

σ𝑛𝑖=1 𝑦ො𝑖 = nilai ramalan observasi ke-𝑖
𝑦𝑖
𝑀𝐴𝑃𝐸 = × 100 𝑒𝑖 = error ke-𝑖, dengan 𝑒𝑖 = 𝑦𝑖 − ෝ
𝑛 𝑦𝑖
Kriteria Nilai MAPE

𝑴𝑨𝑷𝑬 Kemampuan Peramalan

𝑀𝐴𝑃𝐸 < 10% Sangat baik

10% ≤ 𝑀𝐴𝑃𝐸 < 20% Baik

20% ≤ 𝑀𝐴𝑃𝐸 < 50% Cukup

≥ 50% Buruk