Forecasting 15 11 17
Forecasting 15 11 17
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 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
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
^ ^ ^
^
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
2t 2t
Siklis
dt' a u cos N
v sin
N
Kuadratik
dt' a bt ct 2
Eksponensial
dt' a.bt
Kriteria Performansi Peramalan
dimana:
dt = data aktual pada periode t
dt‘ = nilai ramalan pada periode t
n = banyaknya periode
Kriteria Performansi Peramalan
(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
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
n
d t n
(dt dt ')
t 1 ' 2
a d t
N t 1
SEE
nf
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
n n
2
12(647 ) (78) nf
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 dtt 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
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