Inspiring Innovation with Integrity

MATAKULIAH PERAMALAN BISNIS/AGB1206

Outline:
o Pendahuluan
o Akurasi Model Peramalan
o Pola Data Time Series

PPT2
 PENDAHULUAN
Peramalan (forecasting) ?
adalah kegiatan untuk memperkirakan apa yang akan
terjadi di masa yang akan datang
• The theory of forecasting is based on the premise that current
and past knowledge can be used to make predictions about the
future
• In particular for time series, there is the belief that it is possible
to identify patterns in the historical values and successfully
implement them in the process of predicting future values.
• There are numerous potential outcomes of a forecasting
process

2
 PENDAHULUAN
Mengapa peramalan (bisnis) dibutuhkan ?
1. Ada kebutuhan untuk perencanaan dan pengambilan
keputusan
Contoh:
• Bagaimana Kemendag memustuskan jumlah impor barang secara
realistis tanpa prediksi jumlah produksi & konsumsi dlm negeri serta
dampaknya thd harga eceran?
• Bagaimana Bank Indonesia dapat menyesuaikan suku bunga secara
realistis tanpa prediksi pertumbuhan ekonomi & inflasi di masa depan?
• Bagaimana seorang manajer dapat mengatur jadwal produksi secara
realistis tanpa prediksi penjualan di masa depan?

2. Ada time lag antara keputusan dengan kejadian

3. Ada ketidakpastian

3
 PENDAHULUAN
Mengapa peramalan (bisnis) dibutuhkan ?

4
 PENDAHULUAN
Metode peramalan dapat dikelompokkan menjadi 2:
Metode peramalan kualitatif
Ramalan ditentukan oleh judgment orang/tim peramal.
Metode peramalan kuantitatif
Ramalan ditentukan berdasarkan data kuantitatif (time series)
• dari variabel yg diprediksi (univarite time series)

𝑦1 𝑦2 ………… 𝑦𝑡
data historis variabel 𝑦
• oleh variabel lainnya yang mempengaruhi/berhubungan dgn
variabel tsb (kausal/multivariate time series)

𝑦1 𝑦2 ………… 𝑦𝑡
𝑥1 𝑥2 ………… 𝑥𝑡
𝑧1 𝑧2 ………… 𝑧𝑡
…. dst
5
 PENDAHULUAN
Metode Peramalan Kuantitatif:
Ramalan Ditentukan
Berdasarkan data kuantitatif (time series/historis) dengan cara
mengekstrapolasi pola data atau hubungan historis.
Asumsinya: Pola data tidak berubah

Model Peramalan
Kuantitatif Menurut
Kebutuhan Data:
1. Model Timeseries
2. Model Kausal
Dengan asumsi pola
data tidak berubah
akurasi model
semakin baik ketika
pola data atau pola
hubungan tercermin
di dalam model
peramalan
6
 PENDAHULUAN
Sekuens Kegiatan Peramalan Kuantitatif:
1. TERSEDIA DATA KUANTITATIF (syarat keharusan);
Pola data tidak berubah (syarat kecukupan)
2. IDENTIFIKASI POLA DATA
3. PILIH MODEL PERAMALAN
- Tentukan & Estimasi Model-model peramalan yg cocok
(pola data, panjang data, panjang ramalan, pengguna
ramalan)
- Evaluasi Model-model tersebut
- Pilih Model Terbaik.
4. HITUNG RAMALAN dengan Model terpilih.
Ramalan akhir umumnya telah disesuaikan dg judgement si
pengguna dengan memperhatikan berbagai faktor
perubahan yg mungkin.
5. MONITORING MODEL PERAMALAN
7
 PENDAHULUAN
Perkembangan Metode & Software Untuk Peramalan
• Journals (2009) Pada dasarnya nilai prediksi
 Journal of Time Series Analysis (Q1) suatu variabel ditentukan
dgn cara mengekstrapolasi
 IJF  International Journal of pola data historis variabel
Forecasting (Q1) tsb.
 JoF  Journal of Forecasting (Q2) Dengan perkembangan
software yg canggih saat
ini, prediksi suatu variabel
• Buku teks Forecasting dpt dibuat dgn mudah.
 Sebelum Tahun 1992 ± 200 judul Namun pemilihan metode
yang tepat (untuk
• Software ekstrapolasi pola data
historis secara efektif dan
 MINITAB  Stata judgement unt
 SPSS  QSB penyesuaian hasil ramalan
akhir) tetap harus
 SAS  R dilakukan oleh peramal/
 Eviews  …dst pengguna ramalan

8
PENDAHULUAN

9
 PENDAHULUAN

Metode Peramalan Kualitatif

 Ramalan ditentukan atas judgement siperamal,
berdasar pengetahuan, pengalaman & intuisinya 
Subyektif

 Situasi manajemen & industri/pasar yg

Sederhana  Seringkali hasilnya relatif baik
Kompleks  Relatif sukar dilaksanakan

 Kelemahannya bila disusun oleh,

Seorang  Cenderung over/under estimates
Sekelompok orang  Cenderung didominasi oleh
orang terkuat

10
 Tolok Ukur Akurasi Model Peramalan

Jika pada periode t nilai:

aktual = 𝑦𝑡 ramalan = 𝑦𝑡 error = 𝑒𝑡

maka:
aktual = ramalan + error
𝑦𝑡 = 𝑦𝑡 + 𝑒𝑡

kesalahan ramalan (error) = 𝑒𝑡

𝑒𝑡 = 𝑦𝑡 − 𝑦𝑡 untuk 𝑡 = 1,2, . . , 𝑛

Model peramalan semakin akurat

jika secara umum nilai komponen irregular (Error)
semakin kecil.

11
 Tolok Ukur Akurasi Model Peramalan
Tolok ukur akurasi model peramalan:
 Mean Square Error (MSE)
= Mean Square Deviation (MSD)
= Rata-rata Error Kuadrat
𝒏
𝒆𝟏 𝟐 +𝒆𝟐 𝟐 +⋯+𝒆𝒏 𝟐 𝒕=𝟏 𝒆𝒕
𝟐
𝑴𝑺𝑬 = =
𝒏 𝒏

 Root Mean Square Error (RMSE)

= Standart Deviation (STD)(StDev)= Standart Error (SE)
𝑺𝒕𝑫𝒆𝒗 = 𝑴𝑺𝑬

 Mean Absolut Error (MAE)

= Mean Absolut Deviation (MAD)
= Mean Deviation (MD)
= Rata-rata Error Absolut
𝒏
𝒕=𝟏 |𝒆𝒕 |
𝑴𝑨𝑫 =
𝒏
12
 Tolok Ukur Akurasi Model Peramalan
 Mean Absolut Percentage Error (MAPE)
= Rata-rata % absolut Error terhadap Aktual
𝒏 𝒆𝒕
𝒕=𝟏 𝒚 ∗ 𝟏𝟎𝟎%
𝒕
𝑴𝑨𝑷𝑬 =
𝒏
Ukuran berikut  Mean Error (ME)
terkandung masalah: = Bias = Rata-rata Error
Nilai error positif dan 𝒏
𝒕=𝟏 𝒆𝒕
negatif akan cancel 𝑴𝑬 =
out 𝒏
 Namun dapat  Mean Percentage Error (MPE)
digunakan untuk = Rata-rata % Error thd Aktual
menilai model 𝒏 𝒆𝒕
cenderung upper/ 𝒕=𝟏 𝒚 ∗ 𝟏𝟎𝟎%
𝒕
𝑴𝑷𝑬 =
under estimate 𝒏
13
 Tolok Ukur Akurasi Model Peramalan
Statistik U-Theil (Theil’s U Inequality Coefficient):
 Digunakan untuk perbandingan akurasi model tertentu
(misalkan, model_A) terhadap model naïve

𝑨𝒌𝒖𝒓𝒂𝒔𝒊𝒎𝒐𝒅𝒆𝒍_𝑨
=
𝑨𝒌𝒖𝒓𝒂𝒔𝒊𝒎𝒐𝒅𝒆𝒍 𝒏𝒂𝒊𝒗𝒆

● Jika U > 1  Model naïve lebih akurat dibandingkan model_A (artinya

prediksi lebih baik menggunakan model naïve yg lebih sederhana)
● Jika U < 1  Model_A lebih akurat dibandingkan model naïve
Sumber: Makridakis et al. (1983)
14
 Tolok Ukur Akurasi Model Peramalan
LATIHAN:
Hitung MSE, RMSE, MAD, MAPE, ME, dan MPE pada kasus
di bawah ini

t Yt Ŷt et
𝑀𝑆𝐸 = 0.75
1 10 11 -1
2 13 12 1 𝑅𝑀𝑆𝐸 = 0.87
3 12 13 -1 𝑀𝐴𝐷 = 0.75
4 13 14 -1
𝑀𝐴𝑃𝐸 = 5.64 %
5 15 15 0
6 16 16 0 𝑀𝐸 = −0.25
7 18 17 1 𝑀𝑃𝐸 = −2.33 %
8 17 18 -1

15
 POLA DATA TIME SERIES
Data Kuantitatif pada Peramalan
 Jenis Data Menurut Waktu Pengumpulan:
1. Data deret waktu (timeseries)
Data yg dikumpulkan dalam beberapa waktu secara kronologis
Contoh: Data Harga Eceran Cabai Merah Indonesia Januari 2010-
Desember 2020.
2. Data cross-section
Data objek/lokasi yang dikumpulkan pada satu titik waktu.
Contoh: Data pendapatan rumah tangga petani di Kabupaten Bogor
Tahun 2019
3. Data Panel
Data objek/lokasi yang dikumpulkan secara kronologis.
Contoh: Data PDB 34 Propinsi Indonesia tahun 2015-2020

 Berlaku Prinsip GIGO (garbage in garbage out)

16
 POLA DATA TIME SERIES
Data Kuantitatif pada Peramalan
 Data hendaknya:
1. Reliabel & akurat  dari sumber yg handal & memperhatikan akurasi
2. Relevan  kadang data historis ada perubahan pola secara struktural, shg
tidak relevan menggunakan seluruh data historis (contoh: data penumpang
pesawat di Gambar bawah)
3. Konsisten  Data sekunder kadang ada perubahan definisi variabel
4. Cukup  kebutuhan jumlah obs setiap model peramalan berbeda
Time Series Plot of Penumpang KA Eksekutif dan Pesawat
200000
Variable
KA Ek sek utif
Pesawat

150000
Data

100000

50000

0
Month Jan Jan Jan Jan Jan Jan Jan Jan
Year 1993 1994 1995 1996 1997 1998 1999 2000

17
 POLA DATA TIME SERIES
Di dalam Data Time Series terdapat 4 komponen:
• Trend
• Musiman (Seasonal)
• Siklus (Cycle)
• Acak (irregular/random/error)

Time Series Plot of Penumpang KA Eksekutif dan Pesawat

Trend 200000
Variable
KA Eksekutif
Komponen jangka Pesawat

Krisis moneter 1998

panjang yg 150000

mendasari
pertumbuhan
Data

100000
atau penurunan
data time series
50000
(misalkan: akibat
perubahan
teknologi, jumlah 0
penduduk, …) Month Jan Jan Jan Jan Jan Jan Jan Jan
Year 1993 1994 1995 1996 1997 1998 1999 2000

18
 POLA DATA TIME SERIES

Musiman
(Seasonal)
Fluktuasi yang
terjadi kurang
setahun & berulang
dengan interval yg
sama
(akibat pengaruh
musiman, sering
dijumpai pada data
kuartalan, bulanan,
mingguan, harian)

19
 POLA DATA TIME SERIES

Siklus (Cycle)
Fluktuasi/gelombang yang terjadi di sekitar Garis Trend &
berulang dg interval tahun yg umumnya tdk sama.
Akibat perubahan kondisi ekonomi, (“economic expansions &
contractions”)  Business cycle

20
 POLA DATA TIME SERIES

Acak (Irregular/Random/Error)
Komponen yang tidak terdefinisi polanya
Penyebabnya bersifat acak (misal: perang, bencana alam)

21
 POLA DATA TIME SERIES
Identifikasi Pola Data Time Series antara lain
dapat dilakukan melalui:
Plot Variabel menurut waktu
Tabulasi (menurut musim & tahun)
Dekomposisi
Model Trend dengan Dummy Musiman
Plot ACF dan PACF

Uji Stasioneritas Data Dickey-Fuller

(Unit Root Test)
22
23
 Harga Eceran (HE) Cabai Merah Indonesia (Rp/kg)
Tahun
Rata-rata
Triwulan 2014 2015 2016 2017 2018 2019 2020

1 33206 32804 39604 43729 45243 32570 64766 41703

2 19988 27220 31485 33711 45325 42964 40421 34445

3 20553 34665 34422 31055 37846 66097 34424 37009

4 48104 26533 51822 36511 37956 51460 - 42064

Rata-rata 30463 30306 39333 36252 41593 48273 46537

Sumber: https://www.bps.go.id/publication.html (diolah) (Judul Publikasi:
"Laporan Bulanan Data Sosial Ekonomi ...")
24
25