FORECASTING

MATERI 15 NOPEMBER 2017

MATERI YANG DIBAHAS :

 HUBUNGAN ANTAR VARIABEL

 ANALISIS REGRESI
 ANALISIS TIME SERIES
 ANALISIS PEMODELAN
 JUDGMENTAL METHOS
 HUBUNGAN ANTAR VARIABEL
KUALITATIF /KATEGORI

VARIABEL

KUANTITATIF/NUMERIK

Kategori (Categorical) merupakan variabel menggunakan nama atau label, misal: merah, kucing,
kambing

Kuantitativ menunjukkan variabel bilangan atau angka yang dapat diukur atau dihitung, misal: populasi
kota, kekuatan tekan. Selanjutnya variabel kuantitativ ini disebut juga sebagai parameter
 Kajian terhadap satu variable
DATA UNIVARIAT saja, missal : tinggi manusia

HUBUNGAN ANTAR DATA BIVARIAT Kajian hubungan dua variable misal :

VARIABEL hubungan antara tinggi dengan jenis kelamin

Kajian hubungan antara lebih dari dua

DATA MULTIVARIAT variable sekaligus
misal : hubungan antara tinggi, jenis kelamin,
umur dan pendidikan orang tua

Hubungan antar variabel dapat dianalisis jika masing-masing merupakan variabel acak
(random variabel) dan tidak memiliki keterkaitan (independent variabel).
Type Hubungan Antar Variabel
 Hubungan antar variabel yang paling sering ditemui dalam
berbagai perumusan atau formula adalah multivariat namun untuk
dapat memprosesnya perlu dipelajari hubungan bivariat lebih dulu.
Analisis antar variabel multivariate ini dapat berupa kajian
hubungan (association), klasifikasi, dan skala
Secara umum metode peramalan atau forecasting
dapat dilakukan dengan 2 metode pendekatan
yaitu pendekatan kuantitatif dan kualitatif.
 Metode kuantitatif berupa cara-cara statistik berdasar analisis
terhadap pola data sebelumnya
Metode pertama bersifat obyektif dan dapat dipertanggung
jawabkan secara jelas

pendekatan kualitatif dilakukan bila metode kuantitatif hasilnya

kurang memuaskan, dilakukan dengan cara mempelajari data
beserta faktor pengaruhnya secara umum dan memberikan estimasi
prediksi berdasar pengalaman dan pendapat ahli dibidang terkait
metode kedua bersifat subyektif dan pertanggung jawabannya juga
sangat subyektif
METODE PERAMALAN KUANTITATIF
 Metode Ekonometrik dan termasuk dalam metode ini diantaranya:
 Analisis regresi baik linear regression atau non-linear regression
 Autoregressive moving average (ARMA) / Box-Jenkins
 Autoregressive integrated moving average (ARIMA)
 Ekonometrik
 Analisis time series
 Analisis Pemodelan dan simulasi
 Judgmental methods
 Artificial intelligence methods
2. ANALISIS REGRESI
Bentuk persamaan regresi linier memiliki rumus berikut :
Yi : variabel dependen ke-i
Xi : variabel independen ke-i
βo : konstansta
β1 : koefisien regresi
εi : variable pengganggu ke-i
Prosedur penyusunan analisis
regresi ada 3 tahap :
1. Mengumpulkan/kompilasi data dan menyajikan dalam
scatterplot/scattergram
2. Melakukan uji korelasi (correlation), lihat Gambar 6.3., sehingga
diperoleh jawaban ada atau tidaknya korelasi antar variabel
sesuai tolok masing-masing metode uji yang digunakan
diantaranya
3. Menyimpulkan hubungan antar variabel.
 Tahap ini dapat menyimpulkan bentuk persamaan regresi liniernya
dengan rumus asli sebagai berikut : Yi = βo + β1 Xi + εi
 Yi : variabel dependen ke-i
 Xi : variabel independen ke-i
Melakukan uji korelasi (correlation)
Pearson's Correlation Coefficient ( r )
 Merupakan cara penentuan korelasi linier dan r hanya
menunjukkan kuatnya hubungan untuk besaran -1 dan 1. -1 berarti
korelasi linier negatif sempurna (negative linear correlation) dan +1
berarti korelasi linier positif sempurna (positive linear correlation).
Besaran r tandanya sama dengan arah kemiringan garis dan tidak
berubah nilai meskipun variabel independent (x) dan dependent
(y) dirubah. r memiliki bentuk distribusi Student's t.
 Besaran r2 antara 0.8 hingga 1 menunjukkan korelasi bivariate yang
baik
Perhitungan r sebagai berikut :
Sxy

Sx Sy
B. ANOVA (Analysis of Variation)
atau ANAVA (Analisis variasi)
3. ANALYSIS TIME SERIES
 Metode prediksi digunakan untuk meramal kondisi pada waktu mendatang, jadi
metode ini harus mampu menghasilkan prediksi pola data pada beberapa tahun
kedepan. Metode ini adalah metode lama dan klasik dengan pendekatan
descriptive statistics (menggunakan nilai mean berdasar satuan waktu teretentu ,
misal harian atau bulanan atau tahunan) yang seringkali masih membutuhkan
tambahan analisis dari orang yang mengolah data. Pengolahan data time series
ini banyak digunakan untuk keperluan bisnis dan ekonomi sehingga lebih
berkembang pada cabang ilmu ekonometrik. Untuk Teknik Sipil, peramalan
sangat dibutuhkan untuk penyusunan studi lalu lintas baik di Darat (jalan), di Laut
(pelabuhan), maupun di Udara (Lapangan Terbang), dan studi kelayakan terkait
analisis ekonomi dan finansial.
 Metode peramalan dengan Time series disusun berdasar data sejarah yang urut
selama kurun waktu tertentu. Jadi analisis disusun murni berdasar data masa lalu
tanpa mempertimbangkan faktor pengaruh terhadap berkembangnya atau asal
terjadinya data. Kelemahan dari peramalan dengan time series ini berupa tidak
adanya analisis terhadap penyebab terjadinya data sehingga mudah mengalami
kekeliruan bila terjadi gejolak sosial. Kelebihannya berupa kemungkinan untuk
analisis terhadap variasi musiman yang terjadi dan menghasilkan proyeksi kondisi
dimasa mendatan
Terdapat 4 komponen yang membentuk pola dalam analisis time
series yaitu:
 Trend
 Fluktuasi siklik
 Variasi musiman (seasonal variations)
 Pergerakan tidak teratur (irregular movements)
Metode perhitungan untuk mendapatkan rumus prediksi dapat dilakukan dengan :
 Analysis Trend: regresi linier dan nonlinear dengan waktu sebagai variabel proyeksi dengan pola tertentu
berdasar data masa lalu untuk kurun waktu yang panjang.
 Analysis Fluktuasi Siklik: digunakan untuk mengidentifikasi beberapa pola yang muncul dalam bentuk
siklus yang terjadi antara 2 sampai 15 tahun. Penyebab fluktuasi ini beragam mulai dari issue politik
hingga bencana alam, dan belum ada metode matematis yang hasilnya memuaskan.
 Analysis Variasi Musiman merupakan siklus yang berlangsung dalam satu tahun dan berulang kembali
pada tahun berikutnya, terdapat beberapa cara analisis
 Moving Average Analysis: peramalan berdasar nilai rata-rata dari data masa lalu yang mudah untuk
diupdate.
 Weighted Moving Averages: cocok untuk peramalan berulang membutuhkan metode penjumlahan dan
metode penyesuaian trend.
 Adaptive Filtering: type dari moving average yang mempelajari errors sebelumnya untuk menyesuaikan
dengan trend, seasonal, dan random factors.
 Exponential Smoothing: sesuai dengan bentuk peramalan time series yang sesuai untuk pola variasi
musiman untuk menyesuaikan eror yang terjadi tergantung ketersediaan data trend dan variasi siklik.
 Hodrick-Prescott Filter: merupakan mekanisme smoothing yang digunakan untuk mendapatkan
komponen dari trend jangka panjang. Cara ini bisa menguraikan komponen atau faktor yang
mempengaruhi data time series. Metode ini akan menguraikan antara komponen stationary dan
nonstationary sedemikian hingga jumlah kuadrat dari series nonstationary component adalah minimum
dengan sesedikit mungkin perubahan pada komponen faktor nonstationary.
 n

 Konstan d t

dt'  a a  t 1
n

^ ^ ^

 Regresi linier dt'  a  b t

N N N N

^
N  t.d (t )   d (t ) t  d (t ) ^

b t 1

N N
a 
N
t 1
2
t 1 t 1

N t  (  t)
2

t 1
t 1

2t 2t
 Siklis
dt'  a  u cos N
 v sin
N
 Kuadratik

dt'  a  bt  ct 2

 Eksponensial

dt' a.bt
Kriteria Performansi Peramalan

Mean Square Error (MSE)

2
n
 (d t  dt')
MSE  t 1
n

dimana:
dt = data aktual pada periode t
dt‘ = nilai ramalan pada periode t
n = banyaknya periode
Kriteria Performansi Peramalan

 Standard error of estimate (SEE)

(d t  dt')
2
n
SEE  t 1 (n  f )

dimana:
f = derajat kebebasan
 1 : untuk data konstan
 2 : untuk data linier
 3 : untuk data kuadratis
Kriteria Performansi Peramalan

 Persentase Kesalahan

 dt'
PE t
 (d t
) x100%
d t

 Mean Absolute Percentage Error (MAPE)

n
 PEt
t 1
MAPE 
n
Contoh
 Dari data 12 bulan terakhir tercatat
penjualan produk X:
t 1 2 3 4 5 6 7 8 9 10 11 12

dt 140 159 136 157 173 181 177 188 154 179 180 160

 Gambar diagram Pencar:

Metoda Konstan

t dt dt' e = dt - dt' e2 SEE

1 140 165.33 -25.33 641.61
2 159 165.33 -6.33 40.07
3 136 165.33 -29.33 860.25
4 157 165.33 -8.33 69.39
5 173 165.33 7.67 58.83
6 181 165.33 15.67 245.55
7 177 165.33 11.67 136.19
8 188 165.33 22.67 513.93
9 154 165.33 -11.33 128.37
10 179 165.33 13.67 186.87
11 180 165.33 14.67 215.21
12 160 165.33 -5.33 28.41
3124.68 17
Metoda Konstan

n
d t n
 (dt dt ')
t 1 ' 2
a d t
N t 1
SEE 
nf
3124. 68

12  1
3124. 68

11
 16. 85  17
Metoda Linier

t dt t . dt t2 dt'=156+1.t e = dt - dt' e2
1 140 140 1 157 -17 289
2 159 318 4 158 1 1
3 136 408 9 159 -23 529
4 157 628 16 160 -3 9
5 173 865 25 161 12 144
6 181 1086 36 162 19 361
7 177 1239 49 163 14 196
8 188 1504 64 164 24 576
9 154 1386 81 165 -11 121
10 179 1790 100 166 13 169
11 180 1980 121 167 13 169
12 160 1920 144 168 -8 64
78 1984 13264 650 2628
t 6.5 dt 165.33
 Metoda Linier
n n n n
N  t .dt   dt  t  (dt dt ')
2

12(13264 )  (1984 )(78)

b t 1 t 1 t 1 b 2 SEE  t 1

n n
2
12(647 )  (78) nf
N t  (  t )
2
157168  154752 2416 2628 2628
t 1    
t 1 7764  6084 1680 12  2 10
 1.44  1  16. 21  16
n n
 dt b t
a  dt  b.t
t 1 t 1
a   dt  b.t
N N  165.33  1.44(6.5)  165 .33  9.35
 155.98  156

 dt'  156  1t
Metoda Kuadratis
 Metoda Kuadratis
n n n n
 t .dt  dtt  N t .dt
2 2
404
t 1 t 1 t 1 b  2.22  2.2
b n
c= t=1
n n 182
t  (t 2)  n t
2 2 4

t 1 t 1 t 1
(1984)(182)  12( 28910) 361088  346920
c 
2
n n 33124  54600
(182)  12( 4550)
 dt  C t
2

t 1 t 1
a 14168
N   0.6597  0.66
 21476

5737. 27
SEE  1984  0.66(182) 1984  120.12
12  3 a 
12 12
5737. 27
  155.32
9
 25. 25  25
2
 dt '  155.32  2.2t  0.66 t
Pemilihan Metoda Terbaik & Hasil
Peramalan
Konstan Linier Siklis
SEE 17 15 25

 Metode yang dipilih adalah metode peramalan linier

t 13 14 15 16 17 18 19 20 21 22 23 24
Dt' 169 170 171 172 173 174 175 176 177 178 179 180

 Dt' = 156 + t
ANALISIS PEMODELAN
 Metode Pemodelan dan simulasi menjelaskan situasi yang ada melalui
serangkaian persamaan yang dapat digunakan untuk mengetes dampak dan
perubahan yang bila faktor pengaruhnya dirubah-rubah. Metode ini untuk
dapat menganalisis secara terintegrasi dari suatu permasalahan kompleks,
umumnya membutuhkan waktu untuk pembuatan model dan kajiannya,
sehingga hanya dapat dilakukan bila menggunakan paket program yang
tersedia, contoh PROSIM (Simulasi operasional Pelabuhan). Untuk permasalahan
sederhana dapat digunakan Excell, SPSS, atau yang lain.
 Pemakaian model untuk peramalan dibuat untuk khusus masing-masing kasus
jadi kurang tepat dipakai dengan cara digeneralisir. Bila pembuatan model ini
menghasilkan rumus yang umum, maka bisa diterapkan di situasi lain.
 Untuk sistem transportasi jalan dikenal dengan “sequential four-step model atau
urban transportation planning (UTP)” yaitu Trip generation, Trip distribution, Mode
choice, dan Route assignment.
4. JUDMENTAL METHODS
Metode peramalan ini memadukan pengambilan keputusan intuitif, pendapat
dan estimasi serta probabilitas yang subyektif. Terdapat beberapa metode
yang dikembangkan meliputi:
 Composite forecasts
 Surveys
 Delphi method
 Scenario building : merencanakan beberapa alternatif atau skenario untuk
memperhitungkan berbagai kemungkinan di masa mendatang. Metode ini
biasanya membawa pada bebebarapa alterndatif pemikiran yang dapat
dibagi menjadi 3 yaitu prediksi pesimis, optimis, dan average atau base.
 Technology forecasting
 Forecast dengan analogi