FORECASTING

(PERAMALAN SEDERHANA )
DRA. ENDANG ADRIYANI. APT.MARS.PhD
— Peramalan (Forecast)
— Peramalan → Memprediksi mengenai apa yang akan
terjadi di masa depan.
— Masa depan tidak mungkin dapat diramalkan
secara tepat sempurna, hanya dapat dilakukan menggunakan
pendekatan.

— Dua macam pendekatan :

- non-matematis (tidak akan dibahas lebih lanjut…)
- matematis
 MODEL-MODEL PERAMALAN

1. Metode Kualitatif
Berdasarkan Intuisi/pertimbangan
Model peramalan kualitatif yang diurutkan
mulai dari yang bersifat kualitatif sampai
dengan yang bersifat kuantitatif :
a. Management estimate
berdasarkan pertimbangan manajemen, umumnya oleh manajemen
senior
b. Market Research
berdasarkan hasil-hasil dari survei pasar oleh tenaga pemasar
produk
c. Structured Group Methods
menggunakan Metode Delphi (Suatu kelompok yg anggotanya para ahli
atas masalah yg diputuskan)
d. Historical Analogy
berdasarkan pola data masa lalu
MODEL-MODEL PERAMALAN

2. Metode Kuantitatif
Berdasarkan Analisis hubungan numerik dari data. Metode
ini digolongkan lagi menjadi metode kuantitatif yang bersifat :
q Intrinsik
berdasarkan pola historis dari data itu sendiri

q Ekstrinsik
berdasarkan pada pola-pola eksternal
( dipengaruhi faktor-faktor luar )
SYARAT MODEL PERAMALAN KUANTITATIF

Model peramalan kuantitatif dapat diterapkan bila terdapat

kondisi sbb :
1. Tersedia informasi tentang masa lalu
2. Informasi tersebut dapat dikuantitatifkan
dalam bentuk data numerik
3. Dapat diasumsikan bahwa beberapa aspek
pola masa lalu akan terus berlanjut di masa
yang akan datang
POLA DATA DAPAT DIBEDAKAN 4 JENIS :

1. Pola Horisontal (H)

Terjadi jika nilai data berfluktuasi di sekitar nilai rata-rata yang konstan
(stationer terhadap nilai rata-ratanya)

2. Pola Musiman (S)

Terjadi jika suatu deret dipengaruhi oleh faktor musiman (misal : kuartal tahun
tertentu, bulanan) dan berjangka waktu kurang dari 1 TH
Misalnya : - Kunjungan pasien RS meningkat pada saat panen;
- insidens penyakit ISPA meningkat pada musim kemarau

3. Pola Siklis (C)

Terjadi jika datanya dipengaruhi sikluS bisnis (penjualan produk mobil,baja)
fluktuasi ekonomi jangka panjang ( > 1 tahun).

4. Pola Trend (T)

Terjadi jika terdapat kenaikan atau penurunan sekuler jangka Panjang.
Pola ini tidak dipengaruhi oleh musim
 POLA HORISONTAL (H) POLA MUSIMAN (S)
35
30
30 25

25 20
Y 15
20
10
15 5
0
10 KEMARAU HUJAN
J F M A M J J A S O N D
WAKTU
WAKTU

POLA SIKLIS (C)

POLA TREND (T)
25
30
20 25

15 20
15
10
10
5 5
0
0 72 74 76 78 80 82 84 86 88 90
93 94 95 96 97 98 99 2000 2001
WAKTU
WAKTU
— Contoh penerapan ramalan...
— a. mengetahui pergerakan nilai saham pada pembukaan sesi siang ini
— b. mengetahui keadaan cuaca besok dan lusa
— c. mengetahui permintaan suatu barang untuk pengiriman bulan
depan
— d. memprediksi musim tanam di suatu daerah pertanian
— e. memprediksi mencairnya es di kutub selatan akibat pengaruh
pemanasan global
— dll
— Pendekatan...
— Pendekatan secara non-matematis, contoh:
- pengalaman di masa lalu
- pengelihatan para ‘ahli’ (supranatural….)
- kedekatan relasi
- dsb…

— Pendekatan secara matematis, contoh:

- Analisis seri waktu (time series analysis)
- Regresi (regression method)
- Metode kualitatif (qualitative method)
— Pendekatan...
— Pendekatan secara matematis membutuhkan data lampau (masa lalu)
yang bersifat relatif, antara lain dalam hal:
1. kebutuhan banyaknya cacah data
2. berapa jumlahnya?
3. sepuluh, seratus, seribu, ....
4. selang waktu pengambilan data
5. setiap berapa lama?
6. setiap detik, jam, hari, minggu, bulan, ...
— Beberapa pengertian Peramalan...
— Waktu ramalan yang diinginkan, dibagi menjadi:
1) Ramalan jangka pendek (short-range forecast)
2) Ramalan jangka menengah (medium-range forecast)
3) Ramalan jangka panjang (long-range forecast)

Jangka waktu ramalan di atas juga bersifat relatif, :

1) ditentukan oleh penerapan (aplikasi) apa yang akan diramal.
2) Pada umumnya semakin jauh masa depan yang ingin di ramal
maka akan semakin sulit peramalan dilakukan.
3) Ramalan disini hanya mencerminkan suatu pola atau
kecenderungan, sehingga sangat dimungkinkan memiliki tingkat
kesalahan tertentu (forecast error) atau penyimpangan.
— Pendekatan secara matematis...
Metode analisis seri waktu (time series analysis)
— Metode ini mengunakan data historis yang diakumulasikan dalam
beberapa periode waktu.

Yang termasuk metode ini yaitu:

1.Metode rata-rata bergerak (moving) average method
- Rata-rata bergerak (moving average)
- Rata-rata bergerak tertimbang (weighted moving average)

2.Metode Penghalusan eksponensial (exponential smoothing

method)
→ memberikan bobot lebih kuat di data terakhir daripada data awal
- Penghalusan eksponensial sederhana(simple exponential smoothing)
- Penghalusan eksponensial yg disesuaikan(adjusted exponential smoothing)
Moving average
— 1 periode = naive moving average
— 2 periode = 2 periods moving average
— dstnya
Simple average
Peramalan naive
Metode analisis seri waktu (time series analysis)
— Rata-rata bergerak (moving average)
n

MAn= ∑ Di
I =1
n
MA = RATA-RATA BERGERAK (MOVING AVERAGE)
n = JUMLAH PERIODE DALAM RATA-RATA BERGERAK
Di = DATA SELAMA PERIODE i
Metode analisis seri waktu (time series analysis)
Rata-rata bergerak tertimbang (weighted moving average)
n

WMAn= ∑ WiDi
=1 I
WMAn = Rata2 bergerak tertimbang
n = Jumlah perode rata-rata bergerak
Di = Data selama periode
Wi = Bobot untuk periode I (antara 0% s/d 100%)
MA 2 Periode
Bulan Data MA MA
1 periode 2 periode
Jan 10 -

Feb 12 10

Maret 9 12 (10+12)/2=11
April 13 9 (12+9)/2=10.5
Mei 13 (9+13)/2=11
MA 3 Periode
Bulan Data MA MA
2 periode 3 periode
Jan 10

Feb 12

Maret 9 (10+12)/2=11
April 13 (12+9)/2=10.5 (10+12+9)/3=10.3
Mei 12 (9+13)/2=11 (12+9+13)/3=11.3
Ukuran akurasi peramalan
— AE= Average error = rata2 kesalahan dibagi/N (Jml
kesalahan)
— MAD= mean Absolute deviation = rata2 kesalahan absolut
dibagi /N (Jml kesalahan absolut)
Bulan Data MA 1 AE MAD
periode
Jan 10 -
Feb 12 10 2,0 2,0
Maret 9 12 -3,0 3,0
April 13 9 4,0 4,0
Mei 13
3/3 =1 9/3 = 3

Latihan: hitung AE dan MAD dari MA 2 periode dan 3 periode

Bulan Data MA 2 periode AE MAD

Jan 10 -
Feb 12 - - -
Maret 9 11 -2 2
April 13 10,5 2,5 2,5
Mei 12 11 1 1
1,5/3=0,5 5,5/3=1,8
Metode analisis seri waktu (time series analysis)
— Contoh: diketahui data pemesanan barang
— Bulan Pesanan
— Januari 120
— Februari 90
— Maret 100
— April 75
— Mei 110
— Juni 50
— Juli 75
— Agustus 130
— September 110
— Oktober 90
— November -
Hitunglah perkiraan pemesanan barang pada bulan ke-11
(november) menggunakan metode rata-rata bergerak, dengan
— mempertimbangkan data tiga bulan dan lima bulan sebelumnya.
— Metode analisis seri waktu (time series analysis)
— Perkiraan pemesanan barang pada bulan ke-11
(november)
— menggunakan metode rata-rata bergerak.
— → dengan mempertimbangkan data tiga bulan
sebelumnya
— → dengan mempertimbangkan data lima bulan
sebelumnya
— MA3=(90 +110 +130)/3 =110 pesanan
— MA5=(90 +110 +130 +75 + 50)5 = 91 pesanan
— Metode analisis seri waktu (time series analysis)
— Dengan metode rata-rata bergerak dapat diperoleh
— perbandinmgan secara lengkap antara pemesanan barang
— sebenarnya (aktual) dengan perhitungan ramalan tiga bulanan
— dan lima bulanan
— Bulan Pemesanan Tiga bulanan Lima bulanan
— (aktual) (ramalan 3) (ramalan 5)
— Januari 120 - -
— Februari 90 - -
— Maret 100 - -
— April 75 - -
— Mei 110 -
— Juni 50 95 99
— Juli 75 78,3 85
— Agustus 130 78,3 82
— September 110 85 88
— Oktober 90 105 95
— November - 110 91
— Metode analisis seri waktu (time series analysis)
— Hitunglah perkiraan pemesanan barang pada bulan ke-11
(november) menggunakan metode rata-rata –bergerak
tertimbang dari referensi data tiga bulan sebelumnya, dengan
setiap bobot yang telah ditentukan yaitu: 50% (Oktober),
33% (September), dan 17% (Agustus).

Catatan:
— Pada contoh ini adalah pemesanan barang (harus utuh) maka :
— MA3=(0,5.90 +0,33.110 +0,17.130) =103,4 pesanan
— dilakukan pembulatan ke atas menjadi 104 pesanan.
Prosedur Peramalan
— Definisikan tujuan peramalan
— Buat diagram pencar ( plot data )
— Memilih model peramalan yang tepat
— Lakukan peramalan
— Hitung kesalahan peramalan ( forecast error )
— Pilih metode peramalan dengan kesalahan yang terkecil
— Lakukan verifikasi
Tugas individu
— Cari data bulanan rumah sakit (apa saja, atau simulasi saja)
— Lakukan MA 3 dan 4 periode, dan rata2 bergerak tertimbang
— Bandingkan AE dan MAD nya, & simpulkan
 MA 3 PERIODE (Smooting Exponential)
BULA PENJUAL 3 AE MAD
N AN PERIODE
n At
MAD
(000)
1 10 -

2 12 10

3 13 12

4 16 13 RUMUS =
Ft = Ft-1 X ∂ (At-1 - Ft-1)
5 19 16

6 23 19

7 26 23

8 30 26

9 28 30

10 18 28

11 16 18

12 14 16

JUML 14
AH
 ANALISA TREND
PERUSAHAAN X MENJUAL BARANG & SELAMA 12 TAHUN PENJUALAN.
PERKEMBANGAAN PENJUALAN SEBAGAI BERIKUT :

TH JUAL 2
(X) (Y) XY X
Persamaan yang dipakai :Y =a + bX
1 10 10 1
Rumus yang dipakai :
2 12 24 4
3 13 39 9 b = ∑ XY - n XY
4 16 64 16 ∑X2 - nX 2
5 19 95 25
6 23 138 36 a= Y - bX
7 `26 182 49
8 30 240 64
9 28 252 81
10 18 180 100 Jadi :Y = 17,7 + 0,17 X
11 16 176 121
12 14 168 144
∑ = 78 ∑ =226 ∑ ∑
Y = 18,8 1.568 =660
n =X Ft =Yt = At MAD
17,7 +0,17X

1 17,87 10 7,87
2 18,04 12 6,04
3 18,21 13 5,21 MAD = 61,76/12 = 5,15
4 18,38 16 2,38
5 19,55 19 0,45
6 18,72 23 4,28
7 18,89 26 7,11
8 19,06 30 10,94
9 19,23 28 8,77
10 19,40 18 1,40
11 19,57 16 3,57
12 19,74 14 3,74
∑ = 61,76
PENGUJIAN
Pengujian metode forecasting adalah :
1. Mean Error (ME)
2. Mean Absolute Deviation (MAD)
3. Mean Squared Error (MSE)
4. Standard Deviation of Error (SDE)
5. Percentage Error
6. Mean Percentage Error (MPE)
7. Mean Absolute Percentage Error (MAPE)
— Referensi...
— “Prinsip-Prinsip Statistik Untuk Teknik dan Sains”, Dr.
Ir.Harinaldi, M.Eng., Penerbit Erlangga, Jakarta, 2005.
— “Introduction to Management Science (Sains Manajemen)”
Edisi 8, Bernard W. Taylor III, Penerbit Salemba Empat,
Jakarta, 2005.
— Wallstrom P. Evaluation of Forecasting Techniques and
Forecast Error, Licentiate Thesis, Lulea, 2009