(Samuel Johnson)
Selain rentang waktu yang ada dalam proses peramalan, terdapat juga teknik
atau metode yang digunakan dalam peramalan. Metode peramalan dapat
diklasifikasikan dalam dua kategori, yaitu:
1. Metode Kualitatif
2. Metode Kuantitatif
a) Model-model Regresi
Perluasan dari metode Regresi Linier dimalan meramalkan suatu variabel
yang memiliki hubungan secra linier dengan variabel bebas yang diketahui
atau diandalkan.
b) Model Ekonometrik
Menggunakan serangkaian persamaan-persamaan regresi dimana terdapat
variabel-variabel tidak bebas yang menstimulasi segmen-segmen ekonomi
seperti harga dan lainnya.
c) Model Time Series Analysis (Deret Waktu)
Memasang suatu garis trend yang representatif dengan data-data masa lalu
(historis) berdasarkan kecenderungan datanya dan memproyeksikan data
tersebut ke masa yang akan datang.
4. Lakukan Peramalan
et = Y(t) – Y’(t)
7. Lakukan Verifikasi
Untuk mengevaluasi apakah pola data menggunakan metode peramalan
tersebut sesuai dengan pola data sebenarnya.
Untuk mendapatkan nilai (a) maka dapat didekati melalui turunan kuadrat
terkecilnya (least square) terhadap (a) sebagai berikut:
n
E=∑ [ Y (t )−a ]2
i=1
n
dE −2 ∑ [ Y (t )−a ]=0
=0
da diperoleh i=1
n n n
∑ Y (t )−∑ a=0 ∑ Y ( t )−na=0
i=1 i=1 ; maka i =1
n
Y (t )
i 1
a
Sehingga: n ; dimana n = jumlah periode peramalan
Jadi, apabila pola data berbentuk konstan, maka peramalannya dapat didekati
dengan harga rata-rata dari data tersebut.
Ilustrasi 1
Jawaban
Menghitung Konstanta a :
Jadi permintaan untuk bulan Juli sampai dengan November 2006 dapat didekati
dengan harga rata-ratanya (a) yaitu 52 unit.
Untuk pola data yang bersifat siklis atau musiman, persamaan garis yang
mewakili dapat didekati dengan fungsi trigonometri, yaitu:
2π 2π
Y ' (t )=a+u cos t +v sin t
n n .............................................(1)
n
2π 2π 2
E=∑ [ Y (t )−a−u cos t −v sin t )]
i=1 N N
Bentuk diskriminannya adalah sebagai berikut:
2 2
k' 1 cos t sin t
’ N N
k n 0 0
2 n 0
k cos
N
t 0
2
0
2 n
k sin N
t 0 0
2
Maka:
n 0 0 ∑k 0 0 ∑k n 0 ∑k n 0
n 2π n 2π 2π n
|−1|∑ k cos N t 2 0 |+cos t|∑ k cos N t 0 0 |−sin t|∑ k cos N t 0 2 |=0
0 0 2π 2π
k '| 2
N N
n 2π n 2π n
0 0
2 ∑ k sin N t 0 2 ∑ k sin N t 0 2 ∑ k sin 2Nπ t 0 0
Ilustrasi 2
Diketahui data permintaan produksi chip pada tahun 2005 sebagai berikut:
a. Tentukan demand di tahun berikutnya dengan metode peramalan pola data siklis
b. Hitunglah standard error estimate-nya!
Jawaban:
sin cos
k= h= kcos(t/ ksin(t/
t Y hk (2t/12 (2t/12
d -98 t-6 6) 6)
) )
Jan 1 72 -26 -5 130 0.500 0.866 -22.52 -13.00
Feb 2 83 -15 -4 60 0.866 0.500 -7.50 -12.99
Mar 3 92 -6 -3 18 1.000 0.000 0.00 -6.00
Apr 4 107 9 -2 -18 0.866 -0.500 -4.50 7.79
May 5 114 16 -1 -16 0.500 -0.866 -13.86 8.00
Jun 6 129 31 0 0 0.000 -1.000 -31.00 0.00
Jul 7 91 -7 1 -7 -0.500 -0.866 6.06 3.50
Aug 8 108 10 2 20 -0.866 -0.500 -5.00 -8.66
Sept 9 116 18 3 54 -1.000 0.000 0.00 -18.00
1
Oct 0 79 -19 4 -76 -0.866 0.500 -9.50 16.45
1
Nov 1 92 -6 5 -30 -0.500 0.866 -5.20 3.00
1
Dec 2 93 -5 6 -30 0.000 1.000 -5.00 0.00
7
Total 8 1176 0 6 105 0.000 0.000 -98.01 -19.90
πt πt
k' 1 cos sin
6 6
| 0 12 0 0 |=0
−98 .01 0 6 0
−19 .90 0 0 6
Maka:
12 0 0 0 0 0 0 12 0 0 12 0
πt πt
k '| 0 6 0|−1|−98.01 6 0 |+cos |−98.01 0 0 |−sin |−98.01 0 6 |=0
6 6
0 0 6 −19.90 0 6 −19.90 0 6 −19.90 0 0
πt πt
k '( 432)+cos (7056. 72)+sin 1432 . 80=0
6 6
πt πt
k '=−16 .33 cos −3 . 32sin
6 6
√
N
∑ [Y (t )−Y ' ( t )]2
SEE= i=1
n−2
=
√ 1463 .07
10
=12 .09
Y’(t) = a + b(t)
Anggaplah data mentah diwakili dengan (Yi,ti), dimana Yi adalah permintaan aktual
di saat ti, dimana i = 1,2, .....,n. Definisikan:
n
E=∑ [ Y (t )−a−b(t )]2
i=1
Turunkan persamaan tersebut terhadap a dan b:
n n n
dE
da
=0 −2 ∑ [ Y (t )−a−bt ]=0 Y (t ) na b t0
yaitu i=1 diperoleh i 1 i 1 ...........(1)
n n n n
dE
db
=0 −2 ∑ t[ Y (t )−a−bt ]=0 tY (t ) a t b t 2 0
yaitu i=1 diperoleh i 1 i 1 i 1 ....(2)
n n n
n tY (t ) Y (t ) t
b i 1 i 1
2
i 1
n
n
n t 2 t
i 1 i 1
n n
Y (t ) b t
a i 1 i 1
n
√
1 (t o −t )2
+
n ( ∑ t )2
∑t − n 2
√
1 (t o −t )2
1+ +
∑ t2 − ∑n
n ( t )2
Prediction Interval = Y’(t) ± t/2SEE
Ilustrasi 3
Jawaban
b. Untuk menghitung SSE dan Standard Error Estimatenya (SEE) terlebih dahulu
dihitung demand aktual dengan menggunakan persamaan (Y’(t)) yang telah
diketahui.
√
t
∑ [Y ( t )−Y ' ( t )]2
SEE=
i=1
t−2
530
12−2
=
=7 , 28
√
c. Dari Persamaan : Y’(t) = 193 + 3(t), maka untuk satu harga t = 18 diperoleh
Y’=247 dengan Standar Error Estimatenya (SEE)= 7.28 dan t/2 = t 0,005 = 3,169
untuk (n – 2 = 12 – 2 =10) derajat bebas.
√
1 (t o −t )2
+
n ( ∑ t )2
∑ t2− n
Confidence Interval = Y’(t) ± t/2 SEE
√
2
1 (18−6,5)
+
12 (78 )2
650−
= 247 ± (3,169)(7,28) 12
= 247 ± 23,16
√
1 (t o −t )2
1+ +
n ( ∑ t )2
∑ t2 − n
Prediction Interval = Y’(t) ± t/2SEE
√
2
1 (18−6,5 )
1+ +
12 782
650−
= 247 ± (3,169)(7,28) 12
= 247 ± 46,32
Ilustrasi 4
Maka Moving Average 3 mingguan (SMA3) terhadap harga penutupan akhir minggu
saham diperoleh dari perhitungan berikut:
Contoh perhitungan:
46+56 +54
SMA Minggu 3 = =52
3
56+54+43
SMA min ggu 4 = =51
3
Sebaliknya untuk CMA, “Center” berarti rataan antara data sekarang dengan
menggunakan data sebelumnya dan data sesudahnya. Misalnya untuk 3 periode
moving average, maka SMA menggunakan data periode 3 ditambah data
sebelumnya dan data sesudahnya. Didefinisikan sebagai berikut:
Ilustrasi 5
Contoh perhitungan:
54+43+57+ 56+67
CMA Mei = =55 , 4
5
5.4.4.3 Weighted Moving Average
Dalam model rata-rata bergerak (Moving Average) dapat dilihat bahwa untuk
semua data obesrvasi memiliki bobot yang sama yang membentuk rata-ratanya.
Padahal, data observasi terbaru seharusnya memiliki bobot yang lebih besar
dibandingkan dengan data observasi di masa yang lalu. Hal ini dipandang sebagai
kelemahan model peramalan Moving Average. Untuk itu, digunakanlah metode
Exponential Smoothing agar kelemahan tersebut dapat diatasi didasarkan pada
alasan sebagai berikut:
Metode exponential smoothing mempertimbangkan bobot data-data
sebelumnya dengan estimasi untuk Y’(t+1) dengan periode (t+1) dihitung sebagai:
Dimana disebut konstanta pelicinan dalam interval 0 < < 1. Rumus ini
memperlihatkan bahwa data yang lalu memiliki bobot lebih kecil dibandingkan
dengan data yang terbaru. Rumus tersebut dapat disederhanakan sebagai berikut:
Atau
Ilustrasi 7
Tabulasi data berikut ini merupakan actual sales dalam unit untuk 6 bulan dan
peramalan dimulai dari bulan januari.
Jawaban:
Actual Forecas
Bulan Forecast(II) Error (Y-Y')^2
Sales t (1)
January 100 80 80 20 400
February 94 84 84 10 100
March 106 86 86 20 400
April 80 90 90 -10 100
May 68 88 88 -20 400
June 94 84 84 10 100
July 86 86 0
Total 542 598 598 90 1500
90
MAD= =15
6 ;
dimana 1 MAD = 0.8 standard deviation diperoleh standar deviation = 12
Soal Latihan
1. Tebel di bawah ini menunjukkan hasil penjualan televisi oleh 20 kelompok sales
(N) PT SUKSES SELALU. Tiap kelompok sales tersebut terdapat beberapa
orang (x) yang bertugas menawarkan televisi. Hasil data penjualan televisi (y)
diberikan kepada perusahaan setelah semua data-data dari tiap-tiap kelompok
dikumpulkan.
Y No Y
No. X X
.
1 5 11 11 36
10
0
2 7 12 12 40
20
0
3 10 13 14 51
30
0
4 12 14 15 55
40
0
5 17 15 16 62
50
0
6 19 16 16 65
60
0
7 22 17 16 58
70
0
8 25 18 17 70
80
0
9 90 28 19 17 74
0
10 10 31 20 17 63
0 0
Buatlah:
a. Persamaan regresinya
b. Standar Error Estimatenya
c. Confidence Interval dan Prediction Intervald engan tingkat kepercayaan 95%
dan anggota kelompok sales 35 orang.
2. Zeus Computer Chips.Inc. memproduksi sekitar 186-286 tipe chip. Sejak tiga
tahun yang lalu perusahaan tersebut mengalami penurunan permintaan. Di
bawah ini diberikan data masa lalu permintaannya:
Past Data
4 minggu 3 minggu 2 minggu 1 minggu
Senin 2.200 2.400 2.300 2.400
Selasa 2.000 2.100 2.200 2.200
Rabu 2.300 2.400 2.300 2.500
Kamis 1.800 1.900 1.800 2.000
Jumat 1.900 1.800 2.100 2.000
Sabtu - - - -
Minggu 2.800 2.700 3.000 2.900
Past Data
4 minggu 3 minggu 2 minggu 1 minggu
Senin - - - -
Selasa 100.000 110.000 110.000 115.000
Rabu - - - -
Kamis 98.000 99.000 100.000 95.000
Jumat - - - -
Sabtu - - - -
Minggu 115.000 112.000 120.000 119.000
Total 313.000 321.000 330.000 333.500
Month Demand
Jan 20
Feb 22
Mar 25
Apr 21
Mei 24
Jun 28
Jul 35
Agt 40
Month Demand
Jan 11
Feb 12
Mar 15
Apr 12
Mei 16
Jun 15
Month Demand
Jan 220
Feb 200
Mar 250
Apr 230
Mei 240
Jun 220
a) Ramalkan demand minggu ke-7 dengan menggunakan 3 bulan simple
moving average
b) Ramalkan demand untuk minggu ke-7 dengan menggunakan weighted
moving average dengan 0.6, 0.5, 0.4, 0.3
c) Ramalkan demand untuk mingguk ke-7 dengan menggunakan
exponential smoothing dengan = 0,2 dan pada minggu ke-6
diramalkan 210.