EKONOMI MANAJERIAL

“PERAMALAN (FORECASTING)”

Disusun Oleh:

ELFRIN ARIVAL PANDO

202261201092

JURUSAN MANAJEMEN

FAKULTAS EKONOMI DAN BISNIS

UNIVERSITAS MUSAMUS MERAUKE

2023
A. Peramalan (Forecasting)

Menurut Christian Iswahyudi (2016), Peramalan merupakan suatu upaya

untuk memperkirakan suatu kejadian atau kondisi yang akan terjadi pada masa
yang akan datang. Peramalan dapat dikatakan sebagai awal dari suatu proses
pengambilan keputusan. Peramalan dilakukan dengan maksud dan tujuan. Pada
dasarnya, Peramalan adalah pemikiran tentang sesuatu yang akan datang.
Contohnya adalah permintaan akan suatu produk di masa mendatang. Intinya,
peramalan hanyalah perkiraan suatu objek. Namun, dengan menggunakan teknik
peramalan yang tepat, peramalan akan menjadi lebih dari sekadar perkiraan.

B. Karakteristik Peramalan

Menurut Christian Iswahyudi (2016), ada tiga karakteristik peramalan yang

baik, yakni sebagai berikut:
a. Biaya, Banyaknya biaya yang harus dianggarkan oleh suatu perusahaan akan
tergantung dari jumlah item, lamanya periode, dan metode peramalan yang
akan digunakan. Pemilihan metode peramalan harus disesuaikan dengan dana
yang Akurasi. Setiap perhitungan harus dilakukan dengan tepat dan sempurna
sehingga mampu memperoleh hasil yang tepat. Hasil yang akurat dapat
dijadikan referensi dalam mengambil sebuah keputusan.

b. Mudah, Penggunaan metode peramalan sederhana akan memberikan

keuntungan bagi suatu perusahaan. Dibandingkan dengan menggunakan
metode peramalan yang canggih namun tidak dapat diimplementasikan karena
keterbatasan dana, teknologi, dan sumber daya manusia yang merupakan hal
merugikan.

c. Akurasi, Setiap perhitungan yang dilakukan harus dilakukan dengan tepat dan
sempurna sehingga mampu menghasilkan hasil yang tepat. Hasil yang akurat
dapat dijadikan sebagai referensi yang baik dalam mengambil sebuah
keputusan.
C. Sifat Peramalan

Menurut Christian Iswahyudi (2016), dalam menerapkan suatu peramalan

makan terdapat beberapa hal yang harus dipertimbangkan yaitu sebagai berikut:
a. Peramalan jangka panjang atau short term, bersifat lebih akurat hal ini
disebabkan karena peramalan jangka pendek mempunyai faktor-faktor yang
mempengaruhi permintaan dan masih bersifat konstan.
b. Setiap peramalan pasti mempunyai ketidakpastian. Peramal tidak dapat
menghilangkan sifat ketidakpastian tersebut namun hanya bisa mengurangi
ketidakpastian yang akan terjadi salah satunya adalah dengan menggunakan
metode peramalan dengan nilai kesalahan terkecil.

c. Karena mempunyai ketidakpastian, maka setiap peramalan harus memberikan

informasi tentang seberapa besar kesalahan yang munngkin terjadi.

D. Jenis-Jenis Teknik Peramalan

Menurut Maria Y.D. Hayu Agustini (2018), Setiap metode peramalan yang
digunakan akan menghasilkan nilai ramalan yang berbeda tentunya. Oleh karena
itu, peramal harus memilih metode mana yang mampu mengidentifikasi ramalan
yang tingkat akurasinya sesuai dengan yang diinginkan. Mengingat bahwa hasil
peramalan tergantung pada data yang digunakan dalam forecasting, maka
diperlukan teknik-teknik tertentu yang dapat meningkatkan akurasi data sehingga
hasil perkiraan dapat dipercaya. Pada umumnya peramalan dibedakan menjadi 2
yakni, Model terstruktur yang mengidentifikasi bagaimana suatu variabel
pengamatan tergantung pada variabel ekonomi yang lain. Persamaan permintaan
model terstruktur yang mencakup banyak persamaan dan variabel biasanya
disebut sebagai model ekonometrika. Dan Model tidak terstruktur yang digunakan
untuk mengidentifikasi pola gerakan dari variabel ekonomi dari waktu ke waktu.
Metode model yang paling terkenal adalah tidak terstruktur adalah analisis deret
waktu dan analisis barometrik analisis.
a. Teknik naive.
Teknik naive adalah model peramalan yang paling hemat biaya, dan memberikan
tolok ukur yang dapat dibandingkan dengan model yang lebih canggih. Metode
peramalan ini hanya cocok untuk data deret waktu. Metode peramalan sederhana
yang mengasumsikan bahwa permintaan pelanggan pada periode berikutnya
sama dengan periode terakhir. Metode ini dianggap sebagai metode peramalan
biaya pengeluaran yang efektif dan efisien, yang memberikan titik awal dari
metode lain. Metode ini bekerja dengan baik untuk deret waktu ekonomi dan
keuangan, yang sering memiliki pola yang sulit diprediksi secara andal dan akurat.
Pendekatan naive mengasumsikan bahwa masa lalu adalah indikator terbaik masa
depan. Jika pola data adalah pola musiman, dimana nilai musim ini sama dengan
musim lalu, maka pendekatan naive dapat memberikan peramalan yang tepat.

b. Teknik average.

Ada berbagai macam model peramalan yang dapat digunakan untuk memprediksi
masa depan. Data masa lalu merupakan bahan dasar yang dapat digunakan
dalam memprediksi masa depan. Ketika kondisi perusahaan membutuhkan
peramalan yang cepat seperti peramalan produksi, persediaan, penjualan dan
lainnya baik harian, mingguan, bulanan, atau kuartal maka perusahaan dapat
menggunakan beberapa alat peramalan sederhana. Model average (rata-rata)
dapat digunakan pada kondisi ini. Premis dasar dari model average adalah bahwa
rata-rata tertimbang dari pengamatan masa lalu dapat digunakan untuk
memuluskan fluktuasi data dalam jangka pendek. Berikut adalah metode rata-rata
untuk membuat perkiraan jangka pendek.

1. Single moving average.

Metode peramalan dengan menggunakan data pada masa lalu kemudian

dijumlahkan dan melakukan perhitungan untuk mengetahui suatu informasi
 yang mungkin akan terjadi. Metode ini merupakan metode peramalan yang
menggunakan rata-rata jumlah periode (n) dari data periode terakhir untuk
meramalkan pada periode berikutnya. Cara ini berguna jika kita dapat
mengasumsikan bahwa permintaan pasar tetap stabil untuk jangka waktu
tertentu Metode ini memiliki karakter khusus yang memerlukan data historis
dengan jangka waktu tertentu dan semakin panjang waktunya maka yang
dihasilkan akan semakin halus. Namun metode ini memiliki kelemahan yaitu,
memerlukan data historis yang cukup misalnya data historis selama 3 bulan
terakhir. Kedua, semua data diberi weight sama. Ketiga, tidak bisa mengikuti
perubahan yang drastis. Keempat, tidak cocok untuk forecasting data yang
ada gejala trend karena forecasting yang dihasilkan akan terlambat mengikuti
perubahan.

2. Double moving average.

Metode ini digunakan ketika deret waktu memiliki trend linier. Dalam
metodologi ini, anda menghitung satu set moving average dan kemudian set
kedua dihitung sebagai rata-rata bergerak dari set pertama. Artinya rata-rata
bergerak kedua merupakan hasil dari pergerakan sebelumnya dan
seterusnya.

c. Teknik Exponential smoothing.

Teknik yang terakhir digunakan dalam peramalan jangka pendek adalah teknik
smoothing. Pada teknik sebelumnya telah dijelaskan metode peramalan jangka
pendek yaitu teknik naive dan average. Dalam dua teknik sebelumnya, telah
diuraikan bagaimana menggunakan informasi masa lalu dengan beberapa
modifikasi untuk membuat perkiraan. Sebagai teknik peramalan, metode ini
bergantung pada asumsi bahwa data itu diam dengan rata-rata yang bervariasi.
Jadi, dapat diartikan bahwa tidak diperbaiki sepanjang waktu, melainkan berubah,
atau berevolusi sepanjang waktu. Selain itu, perkiraan direvisi terus menerus
karena semakin banyak informasi tersedia. Pendekatan ini didasarkan pada suatu
prosedur yang secara terus menerus memperbaiki peramalan dengan rata.

Berikut metode yang dapat digunakan dalam exponential.

1. Single exponential smoothing.

Metode ini bergantung pada tiga bagian data yakni, aktual terkini, perkiraan
terbaru, dan konstanta smoothing. Metode ini merupakan teknik weighted
moving average forecasting yang titik datanya ditimbang dengan fungsi
eksponensial. Metode ini juga merupakan metode pembobotan yang canggih
dan mudah digunakan. Nilai yang ditetapkan adalah kunci untuk perkiraan.
Jika deret waktu tampak berevolusi dengan cukup lancar maka perlu
memberikan bobot lebih besar pada nilai aktual terkini. Disisi lain, jika deret
waktu tidak cukup menentu, lebih sedikit berbobot ke nilai aktual terkini yang
diinginkan.

2. Double exponential smoothing.

Metode peramalan ini sangat mirip dengan double moving average, meski
membutuhkan lebih sedikit data. Teknik ini digunakan untuk memperkirakan
data deret waktu yang memiliki tren linier.

3. Holt’s method of exponential smoothing.

Metode ini merupakan pendekatan alternatif yang digunakan untuk menangani

tren linier.

4. Triple exponential smoothing.

Metode ini digunakan ketika terdapat unsur trend atau perilaku musiman yang
ditunjukan pada data.
 5. Wintes seasonal exponential smoothing.

Ini merupakan metode yang memperbaiki kelemahan dari metode

sebelumnya. Oleh karena itu metode ini menjadi sangat tepat digunakan
karena menutupi kelemahan dari metode lainnya dengan menambahkan
parameter yang berfungsi untuk mengatasi pola musiman data yang
digunakan. Metode ini sangat membantu dalam membuat prakiraan, bulanan,
dan triwulanan untuk keperluan manajemen.

E. Pendekatan Kuantitatif

Menurut Rizky Yuddarudin (2019), Ada 3 kondisi yang memungkinkan

dilakukannya pendekatan kualitatif, yaitu pertama, informasi sebelumnya tersedia,
misalnya data penjualan dalam 5 tahun terakhir. Kedua, semua informasi yang
digunakan dapat dikuantifikasi dalam bentuk data numerik, misalnya data
penjualan produk XYZ sebanyak 500 unit. Ketiga, dapat diasumsikan bahwa pola
data di masa lalu akan berlanjut di masa depan. Artinya peramalan yang dilakukan
memiliki tujuan agar pola pada periode lampau memiliki kecenderungan Sama
dengan pola di masa depan. Asumsi ketiga ini, khususnya, adalah dasar tidak
hanya untuk peramalan dengan pendekatan kuantitatif tetapi juga untuk
pendekatan kualitatif tidak peduli seberapa canggih teknik yang digunakan. Teknik
peramalan dengan pendekatan kualitatif telah berkembang sangat bervariasi.
Pengembangannya didukung dari disiplin ilmu yang berbeda dengan tujuan yang
berbeda sehingga setiap teknik memiliki sifat, akurasi dan biaya yang berbeda.
Metode yang biasa digunakan dalam peramalan dengan pendekatan kuantitatif
adalah metode kuantitatif formal. Metode kuantitatif formal adalah metode
peramalan yang sangat bergantung pada alat statistik. Metode ini dikembangkan
secara sistematis dan terstandarisasi yang berupaya meminimalkan kesalahan
peramalan. Ada beberapa metode formal yang seringkali membutuhkan data
historis yang terbatas, murah dan mudah. digunakan dan yang dapat diterapkan
secara mekanis. Misalnya, deret waktu dan model penjelasan.
F. Pendekatan Kualitatif

Menurut Rizky Yudaruddin (2019), Peramalan dengan pendekatan kualitatif

memang berbeda dengan pendekatan kuantitatif. Di satu sisi, pendekatan kualitatif
tidak memerlukan data peramalan seperti peramalan dengan pendekatan
kuantitatif. Bahan dasar yang dibutuhkan dalam peramalan dengan pendekatan
kualitatif sangat bergantung pada penilaian subjektif peramal ditambah akumulasi
pengetahuan dan pengalaman peramal sehingga sangat dibutuhkan. informasi
dari orang yang sangat spesifik dengan kriteria tertentu. Contoh pendekatan
kualitatif seperti teknik Delphi, Analogi Sejarah, dan lain-lain. Ada keraguan dalam
hal objektivitas dan akurasi, pendekatan kualitatif juga sering dikombinasikan
dengan pendekatan kuantitatif. Ini karena teknik kualitatif sangat bervariasi dalam
biaya, kompleksitas, dan nilai. Pendekatan kualitatif digunakan terutama untuk
memberikan petunjuk, untuk membantu perencana, dan untuk melengkapi
perkiraan kuantitatif, daripada untuk memberikan perkiraan numerik tertentu.
Karena sifat dan biayanya, metode kualitatif dapat digunakan dengan sukses
bersama dengan metode kuantitatif di berbagai bidang seperti pengembangan
produk, belanja modal, perumusan tujuan dan strategi, dan merger, bahkan oleh
organisasi menengah dan kecil. Apa pun kekurangan metode kualitatif, Seringkali
satu-satunya alternatif adalah tidak ada ramalan sama sekali. Orang yang tidak
terbiasa dengan metode peramalan kuantitatif sering berpikir bahwa masa lalu
tidak dapat secara akurat menggambarkan masa depan karena semuanya terus
berubah. Namun, setelah terbiasa dengan data dan teknik peramalan, Menjadi
jelas bahwa meskipun tidak ada yang tetap persis sama, beberapa aspek sejarah
memang berulang dalam arti tertentu. Penerapan metode yang tepat sering dapat
mengidentifikasi hubungan antara variabel yang akan diprediksi dan waktu itu
sendiri (atau beberapa variabel lain), sehingga memungkinkan untuk peramalan
yang lebih baik.
• Siklus bisnis atau fluktuasi siklis (cyclical fluctuation).

menunjukkan tren yang sedang terjadi secara berkala. Pertumbuhan ekonomi

suatu negara dapat meningkat selama satu periode waktu tertentu (ekspansi)
tetapi akan menurun (kontraksi) selama periode waktu tertentu depan. Siklus
bisnis dengan demikian menunjukkan ekspansi atau kontraksi besar yang
berulang setiap beberapa tahun.

• Trend (secular trend).

menunjukkan gerakan stabilitas variabel ekonomi dari waktu ke waktu. Secara

teknis, tren menunjuk ke peningkatan atau penurunan jangka panjang dalam
data deret waktu. Misalnya, jumlah populasi Indonesia bergerak naik dari tahun
ke tahun. Sebaliknya, luas sawah menurun dari waktu ke waktu.

• Rasio terhadap trend (ratio to trend).

Proyeksi tren yang dibahas di atas adalah analisis tren yang tidak
memperhatikan pengaruh musim. Ketika pengaruh musim diperhitungkan,
maka hasil peramalan akan menjadi lebih akurat. Ratio to trend adalah metode
proyeksi tren dengan memasukkan pengaruh musim dalam perhitungan. Ini
 dilakukan dengan memberi berat badan di setiap musim rasio rata-rata nilai
aktual dan perkiraan.

• Proyeksi trend.

Proyeksi Trend adalah cara memproyeksikan masa lalu dengan menempatkan

garis lurus pada data baik secara visual maupun analisis regresi. Ada dua
macam, yaitu model linier dan non linier. Model linier menggambarkan
perubahan yang konstan ke masa depan misal, penjualan meningkat sebesar
30% per tahun berarti penjualan pada tahun mendatang akan lebih besar dari
penjualan tahun sekarang dan penjualan akan 30% lebih besar daripada
penjualan pada tahun sekarang dan seterusnya. Sedangkan model non linier
menggambarkan laju pertumbuhan atau persentase perubahan yang konstan.

• Flaktuasi random (random/irregular influences).

adalah variasi data deret waktu disebabkan oleh faktor acak (tak terduga)
seperti perang, gempa bumi, bencana alam, teguran, atau peristiwa unik
lainnya. Semua data deret waktu pada dasarnya berisi fluktuasi acak bila dilihat
pada waktu yang lebih singkat. Penjualan ayam: bisnis penyembelihan ayam
hari ini akan berbeda dari kemarin dan besok karena faktor yang tak terduga.

• Variabel dummy.

Proyeksi tren menggunakan variabel dummy memiliki fungsi yang sama

dengan rasio terhadap tren, yang memperhitungkan variasi musiman dalam
peramalan. Kalau metode ratio to trend menggunakan rasio rata-rata setiap
musim, sehingga metode ini dilakukan dengan menambahkan variabel dummy
ke persamaan di mana nilai variabel dummy akan berada mencerminkan
musim tertentu.
 • Variasi musim.

Merupakan siklus terpendek yang tergantung pada waktu dalam satu tahun Ini
menunjukan fluktuasi yang muncul secara reguler setiap tahun karena musim
atau kebiasaan masyarakat. Faktor musiman ini akan mempengaruhi
permintaan untuk produk atau layanan. Misalnya, wisatawan hanya akan
bepergian selama musim liburan sekolah atau bekerja. Permintaan untuk
penerbangan dan hotel akan meningkat pada musim liburan ini dan akan
menurun lagi di musim sekolah. Demikian juga, permintaan jas hujan akan
bervariasi sesuai dengan musim hujan, yaitu permintaan jas hujan akan tinggi
pada musim hujan dan akan rendah (atau bahkan tidak ada) di musim
kemarau.

G. Metode Peramalan Kualitatif

Menurut Christian Iswahyudi (2016), Secara umum, metode peramalan

kualitatif bersifat subjektif dan dipengaruhi oleh emosi, pendidikan, dan
pengalaman seseorang. Karena itu, setiap hasil prakiraan dapat bervariasi.
Peramalan menggunakan metode kualitatif Bisa juga menggunakan model
statistik sebagai acuan dalam melakukan keputusan. Teknik peramalan yang
dibahas sebelumnya adalah teknik peramalan kuantitatif yang mendasarkan
perkiraan pada data numerik, seperti ukuran penjualan dalam jangka waktu
tertentu. Ketika data kuantitatif tidak dapat diperoleh, peramalan dapat dilakukan
dengan teknik peramalan kualitatif. Teknik peramalan kualitatif yang dapat
digunakan untuk tujuan ini adalah teknik survei dan jajak pendapat. Dengan cara
menggunakan teknik survei, seluruh data dapat dicari tentang berbagai
kecenderungan ekonomi yang terjadi dari berbagai sumber, seperti pedagang atau
pengguna. Mereka diminta untuk memberikan pandangan mereka tentang kondisi
yang akan diramalkan dan pengaruhnya terhadap penjualan. Misalnya, cara
membeli dari konsumen ketika ada inflasi, yaitu apakah mereka akan terus
membeli produk dalam jumlah banyak yang sama banyak atau membeli lebih
sedikit. Berdasarkan pandangan konsumen ini, berbagai Keputusan ekonomi
dapat dibuat sebelum menganggap perusahaan benar-benar melakukan
pengeluaran untuk menghasilkan produk yang dimaksud.Dalam jajak pendapat,
perusahaan dapat memperkirakan penjualan berdasarkan pendapat ahli di dalam
dan di luar perusahaan. Berdasarkan pengetahuan dan keahliannya, Ahli
memberikan penilaian atau pendapat tentang kondisi ekonomi dan memberikan
ramalannya tentang penjualan perusahaan. Misalkan para ahli berpikir bahwa
penjualan akan mengalami Beberapa metode peramalan kualitatif adalah sebagai
berikut.

a. Delphin Method

• Tentukan berapa banyak ahli yang menjadi peserta.

• Melalui kuesioner, peramalan diperoleh dari semua ahli.

• Merangkumhasilnya dan kemudian mendistribusikannya kembali ke

peserta dengan pertanyaan baru.
• Menyimpulkan kembali revisi perkiraan yang sudah ada dan kemudian
mengembangkannya dengan pertanyaan baru.
• Jika diperlukan, langkah 4 dapat diulang.

• Semua hasil akhir dibagikan kepada semua peserta.

b. Market Research.
Merupakan metode peramalan berdasarkan hasil survei pasar dilakukan oleh
pemasar pemasaran atau produk. Riset pasar dapat digunakan untuk
merencanakan produk baru atau juga meningkatkan desain produk yang ada.

c. Management Estimate.

Metode ini merupakan metode peramalan berdasarkan pertimbangan

 manajemen senior. Metode ini sangat cocok diterapkan dalam situasi yang
sangat sensitif terhadap intuisi sekelompok kecil orang yang disebabkan oleh
pengalamannya mampu memberikan pendapat yang relevan dan kritis.

d. Historycal Analogy.

Adalah teknik peramalan berdasarkan pola data masa lalu. Sebuah analogi
historis akan menjadi metode terbaik untuk penggantian produk di pasar jika
ada hubungan substitusi langsung produk di pasar.

e. Structured Group Methods.

Metode Grup Terstruktur adalah teknik peramalan berdasarkan pada proses

konvergensi pendapat ahli secara interaktif. Pada dasarnya kelompok yang
terdiri dari para ahli atau ini tidak bertemu secara teratur, secara langsung,
tetapi mereka memberikan pendapat mereka secara terpisah tanpa proses
negosiasi antara para ahli. Ini karena pengaruh antar anggota kelompok dapat
membuat opini bias. Opini bahwa berbeda secara signifikan dari para ahli lain
akan dinyatakan lagi kepada yangbersangkutan sehingga memperoleh angka
estimasi pada interval tertentu.

H. Metode Peramalan Kuantitatif

Menurut Christian Iswahyudi (2016), Metode yang didasarkan pada

penggunaan pola hubungan antara variabel yang diperkirakan dengan variabel
waktu yang merupakan deret waktu atau time series. Dan Metode peramalan yang
berdasarkan pada penggunaan analisa pola hubungan antara variabel yang
diperkirakan dengan variabel lain yang mempengaruhinya, yang bukan waktu dan
disebut causal.

a) Metode kausal.
 • Metode regresi dan korelasi.

Metode ini banyak digunakan untuk peramalan penjualan, perencanaan

laba, prediksi keadaan keuangan dan permintaan. Metode ini
membutuhkan data kuartalan dari beberapa tahun yang lalu.

• Metode ekonometrik.

Metode ini didasarkan atas peramalan sistem persamaan regresi yang

diestimasikan secara simultan. Metode ini sering digunakan untuk
peramalan penjualan menurut kelas produk. Metode ini membutuhkan
data 10 sampai 15 tahun yang lalu.

• Metode input – output.

Metode ini digunakan untuk menyusun proyeksi trend ekonomi jangka

panjang. Metode ini banyak digunakan untuk peramalan penjualan
sektor industri. Metode ini juga membutuhkan data 10 sampai 15 tahun
yang lalu.

b) Metode time series.

Metode ini digunakan untuk menganalisis serangkaian data yang

merupakan fungsi dari waktu. Metode ini mengasumsikan beberapa pola
yang berulang sepanjang waktu. Dengan analisis deret waktu, perubahan
data dari waktu ke waktu akan digunakan untuk meramalkan informasi yang
dibutuhkan oleh analis pada masa yang akan datang.

• Smoothing.
Metode smoothing dapat menguangi ketidakaturan musiman dari data
sebelumnya. Metode ini akan sangat tepat jika digunakan pada
peramalan jangka pendek, sedangkan kurang akurat jika digunakan
untuk jangka panjang. Berikut beberapa jenis metode smoothing:

1. Moving average.
 2. Weighted moving average.

3. Exponential smoothing

• Regresi.

Metode ini sangat tepat jika digunakan untuk peramalan jangka pendek
dan jangka panjang. Metode ini membutuhkan data tahunan. Semakin
banyak data yang dimiliki oleh analis maka semakin baik hasil yang
diperoleh.
 1. Linier

2. Kuadratik

• Dekomposisi.

Metode ini meramalkan hasil peramalan dengan menentukan kombinasi

dari fungsi yang ada. Metode ini merupakan peramalan tertua. Terdapat
beberapa pendekatan alternatif untuk mendekomposisikan suatu deret
berkala yang bertujuan untuk memisahkan semua setiap komponen.
Metode dekomposisi digunakan untuk meramalkan data deret periodik
yang menunjukkan tren dan pengaruh musiman. Metode dekomposisi
adalah metode peramalan yang menggunakan empat komponen utama
dalam meramalkan nilai masa depan. Keempat komponen tersebut
meliputi tren, musiman, siklus, dan kesalahan.

I. Akurasi Kesalahan Peramalan

Menurut Christian Iswahyudi (2016), Keakuratan dan ketepatan dari sebuah

hasil peramalan mempunyai peran penting dalam sebuah perusahaan terlepas
dari apapun proses bisnis yang ada. Kesalahan ramalan menyebabkan
perencanaan menjadi tidak akurat, sehingga kesalahan tersebut menyebabkan
resiko, dan karenanya harus diusahakan sekecil mungkin. Hasil dari peramalan
diharapkan mampu memberikan gambaran yang mendekati kenyataan di
lapangan. Ketepatan dan keakuratan tersebut dapat dinyatakan sebagai akurasi
kesalahan dalam peramalan. Keakuratan hasil ramalan dari suatu metode dapat
dihitung dengan beberapa cara yaitu:

• Deviasi rata-rata absolut (mean absolute deviation).

Deviasi rata-rata absolut yang sering disebut sebagai MAD
merupakan suatu model yang digunakan untuk mengukur kesalahan
peramalan secara keseluruhan dalam sebuah model peramalan.

• Kesalahan rata-rata kuadrat (mean square error).

Kesalahan kuadrat rata-rata atau yang bisa disebut MSE adalah

perbedaan nilai rata-rata dari perkiraan dengan yang diamati. Berikut
rumusannya, yaitu:

• Presentase kesalahan rata-rata (mean absolute percentage error).

Persentase kesalahan rata-rata absolut atau sering disebut dengan

MAPE adalah perbedaan nilai rata-rata dari apa yang diprediksi
dengan apa yang diamati dalam bentuk persentase. Masalah dengan
MAD dan MSE adalah nilainya tergantung pada besarnya elemen
nilai prediksi. Berikut rumusanya:
 DAFTAR PUSTAKA

Agustini, M. Y. (2018). Ekonomi Manajerial (Pembuatan Keputusan) Berdasar Teori

Ekonomi. Semarang: Universitas Katolik Soegijapranata. Diambil kembali dari
http://repository.unika.ac.id/id/eprint/19966
Iswahyudi, C. (2016). Pengantar Forecasting (Teknik Peramalan). Bali, Depasar:
Academia.Edu. Diambil kembali dari stikom-bali.academia.edu/ChristianIswahyud
Yudaruddin, R. (2019). Forecasting: Untuk Kegiatan Ekonomi Dan Bisnis.
Samarinda,Kalimantan Timur: RV Pustaka Horizon. Diambil kembali dari
http://www.pustakahorizon.com/2019/02/forecasting-untuk-kegiatan-ekonomidan.html'
rel='