TEKNIK PROYEKSI BISNIS

PERTEMUAN KE-5

METODE RATA-RATA
BERGERAK DAN
PEMULUSAN
FIFIT S. NI’MAH, M.M
 Content
01 Pengantar

02 Model Sederhana

03 Metoda Rata-rata Bergerak

04 Metoda Pemulusan Eksponensial

05 Kegunaan bagi Manajemen

 DEFINISI

Metode pengambilan keputusan adalah hal utama yang diperhatikan

01 pada tiap organisasi bisnis dan pemerintahan. Karena kita hidup dalam
lingkungan yang dipengaruhi waktu, maka alokasi waktu yang optimal
adalah menjadi tujuan utama. Salah satu cara untuk mencapai tujuan
tersebut adalah dengan meramalkan segala sesuatu dengan tepat.

Dahulu, para manajer dan atasan mengambil keputusan berdasarkan

02 intuisi dan perasaan. Kini mereka menyempurnakan dengan Teknik-
Teknik peramalan mulai dari yang sederhana sampai yang paling rumit,
 NAIVE MODEL/MODEL
SEDERHANA

Model ini adalah salah satu model yang

sangat mudah diterapkan dalam meramal
nilai variable runtut waktu. Nilai variable
pada masa yang akan dating ditentukan
hanya didasarkan pada intuisi pembuat
ramalan.
 JENIS MODEL SEDERHANA

No change forecasting model

Nilai data saat ini dari suatu runtut waktu merupakan nilai
ramalan yang baik untuk masa mendatang.

Percent change forecasting model

Nilai variable pada tahun t+1 akan meningkat atau menurun
dibandingkan dengan nilai variable pada tahun t sebesar
persentase tertentu.
Y’t+1 = (1+k)Yt
k = ramalan besaran berubahan nilai variable pada tahun t+1
 CONTOH

No change forecasting model

Kita ingin membuat ramalan mengenai besarnya
penerimaan pajak oleh pemerintah pada tahun 2023.
Penerimaan pajak oleh pemerintah tahun 2023 tidak
mengalami perubahan dibandingkan dengan tahun 2022.
jika penerimaan pajak pada tahun 2022 adalah RP.200
Triliun maka perkiraan penerimaan pajak pada tahun 2023
adalah sama dengan besarnya penerimaan pajak oleh
pemerintah pada tahun 2022, yaitu sebesar Rp.200 Triliun.
 CONTOH

Percent change model

Kita ingin membuat ramalan ramalan mengenai besarnya
penerimaan pajak oleh pemerintah pada tahun 2023
dengan ketentuan bahwa penerimaan pajak mengalami
peningkatan sebesar 10%. Jika penerimaan pajak oleh
pemerintah pada tahun 2022 adalah Rp. 200 Triliun, maka
perkiraan penerimaan pajak pada tahun 2023 adalah
sebesar (1+0,1)x200T= Rp. 220 T
METODE RATA-RATA BERGERAK
(MOVING AVERAGE)

Rata-rata bergerak adalah metode peramalan yang menghitung

rata-rata suatunilairuntut waktu dan kemudian digunakan
untuk memperkirakan nilai pada periode selanjutnya
Metode Moving Average inilebihbaikdigunakan untuk
menghitung data yang bersifat stabil atau data yang
tidakberfluktuasi dengan tajam (data yang perubahan naik dan
turunnya sangat drastis).
METODE RATA-RATA BERGERAK
(MOVING AVERAGE)

Hal ini dikarenakan data pada setiap periode diberikan bobot

yang samasehingga tidak dapat mewakilkan periode-periode
tertentu yang bersifat khusus ataupun data periode terakhir
yang biasanya dinilai sebagai data yang terbaik dalam
mengambarkan kondisi terkini.
METODE RATA-RATA BERGERAK
(MOVING AVERAGE)

Oleh karena itu, munculah Metode-metode Moving Average

yang lain untukmencoba mengatasinya, metode moving
average yang lain diantaranya adalah Metode Weighted Moving
Average (Rata-rata Bergerak Berbobot) atau disingkat dengan
WMA dan Metode Exponential Smoothing (Metode Penghalusan
Bertingkat)
METODE RATA-RATA BERGERAK
(MOVING AVERAGE)

MA=((n1+n2+n3+…))/n

MA : moving average
n1 : data periode pertama
n2 : data periode kedua
n3 : data periode ketiga, dan seterusnya
n : jumlah periode rata-rata bergerak
METODE RATA-RATA BERGERAK
(MOVING AVERAGE)

Contoh:
Dari laporan pesanan barang selama 10 bulan perusahaan A
sebagai berikut di bawah ini susunlah peramalan menggunakan
metode rata-rata bergerak 3 dan 5 bulanan

Bulan Januari Februari Maret April Mei Juni Juli Agustus

Pesanan 120 90 100 75 110 50 75 130

METODE RATA-RATA BERGERAK
(MOVING AVERAGE)

Jawab:
Rata-rata bergerak 3 bulan
MA= (120+90+100)/3=103,34 dst…

Rata-rata bergerak 5 bulan

MA=(120+90+100+75+110)/5=99 dst…
EXPONENTIAL SMOOTHING
MODEL

Model ini adalah model peramalan yang sangat terkenal.

Keuntungan dari model ini adalah mampu melakukan koreksi
secara otomatis untuk menyesuaikan kecenderungan data dari
waktu ke waktu mengalami penurunan atau peningkatan.
EXPONENTIAL SMOOTHING
MODEL

Single parameter smoothing

Y’t+1 = α.Yt+(1- α)Y’t
Y’t+1 : nilai ramalan Y pada tahun t+1
α : konstanta smoothing yang besarnya antara 0-1
Yt : nilai Y pada tahun t
Y’t : nilai ramalan Y pada tahun t
EXPONENTIAL SMOOTHING
MODEL

Contoh:
Sebuah perusahaan mencatat penjualan (Y) selama 16 bulan
berturut-turut sebagai berikut:
a.Gunakan single parameter exponential smoothing dengan
a=0,7 untuk memperoleh ramalan penjualan
b.Hitung besarnya MSE

Bulan 1 2 3 4 5 6 7 8

Y 2 3 5 7 6 8 9 10

Bulan 9 10 11 12 13 14 15 16

Y 12 14 15 17 18 22 24 27
EXPONENTIAL SMOOTHING
MODEL

Ramalan penjualan /Y’:

Y’t+1=α.Yt+(1- α)Y’t
Y’3= 0,7.3+(1-0,7)2=2,7
Y’4=0,7.5+(1-0,7)2,7=4,31
Y’5=0,7.7+(1-0,7)4,3=6,2 dst…
Besarnya MSE = "96,2" /(16-1)= 6,413
EXPONENTIAL SMOOTHING
MODEL

Bulan 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

Y 2 3 5 7 6 8 9 10 12 14 15 17 18 22 24 27

20,
Y’ 2 2,7 4,3 6,2 6,1 7,4 8,5 9,6 11,3 13,2 14,5 16,2 17,5 23
6

e 1 2,3 2,7 -0,2 1,9 1,6 1,5 2,4 2,7 1,8 2,5 1,8 4,5 3,4 4

e² 1 5,3 7,2 0 3,8 2,5 2,2 6 7,5 3,3 6,5 3,1 20,5 11,3 16,1 96,2
EXPONENTIAL SMOOTHING
MODEL

Two parameter exponential smoothing

Untuk mengeliminasi pengaruh yang menyebabkan nilai
ramalan selalu lebih rendah daripada nilai actual digunakan
two parameter exponential smoothing, karena dengan single
peremeter exponential kecenderungan pada nilai ramalan yang
selalu lebih rendah daripada nilai aktualnya.
EXPONENTIAL SMOOTHING
MODEL

Rumus:
Y’t = α.Yt+(1- α)(Y’t-1 + bt-1) / data dihaluskan
bt =γ(Y’t-Y’t-1)+(1- γ)bt-1 / trend dihaluskan
Y’t+1 =Y’t+bt / ramalan

Dimana:
Y’t+1 : nilai ramalan Y pada tahun t+1
α, γ : konstanta smoothing yang besarnya antara 0 dan 1
Yt : nilai Y pada tahun t
bt : trend / perubahan pada periode t
Y’t : nilai ramalan Y pada tahun t
 EXPONENTIAL SMOOTHING
MODEL

Contoh:
Departemen perdagangan suatu negara mencatat nilai ekspor
(Y) selama 20 bulan terakhir sebagai berikut:
a. Gunakan two parameter exponential smoothing dengan α=0,2
dan γ=0,3 untuk memperoleh ramalan nilai ekspor
b. Hitung besarnya MSE

Bu
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
lan

Y 20 26 30 28 34 33 40 42 48 56 50 56 54 58 62 58 60 68 70 76
EXPONENTIAL SMOOTHING
MODEL
EXPONENTIAL SMOOTHING
MODEL

Y smoothed b. Besarnya MSE

Y’t = α.Yt+(1- α)(Y’t-1 + bt-1)
Y’3=0,2.Y3+(1-0,2)(Y’2+b2) MSE=682,4/(20-2)=37,91
Y’3=0,2. 30+(1-0,2)(20+6)=26,8
Y’4=0,2.28+(1-0,2)(26,8+6,24)=32,032
Y’5=0,2.34+(1-0,2)(32,03+5,94)=37,18 dst..
bt= γ(Y’t-Y’t-1)+(1- γ)bt-1
b3=0,3(Y’3-Y’2)+(1-0,3)b2
b3= 0,3(26,8-20)+(1-0,3)6=6,24
b4=0,3(32,03-26,8)+(1-0,3)6,24=5,937
b5=0,3(37,18-32,03)+(1-0,3)5,94=5,7 dst..
Y ramalan
Y’3=Y’2(smoothed)+b2=20+6=26
Y’4=Y’3+b3=26,8+6,24=33,04
Y’5=Y’4+b4=32,03+5,94=37,97
KEGUNAAN BAGI MANAJEMEN

Peramalan adalah salah satu input penting yang digunakan manajer dalam
proses pengambilan keputusan. Contohnya bisa dalam meramalkan
persediaan barang, akumulasi persediaan didasarkan pada ramalan
permintaan yang diharapkan, bagian produksi harus membuat jadwal
mengenai keperluan-keperluan tenaga kerja dan pemesanan bahan baku
untuk bulan depan atau 2 bulan berikutnya,personalia harus menetapkan
pengangkatan atau penghentian karyawan, keuangan harus Menyusun
anggaran jangka pndek untk kuartal yang akan dating.
Penggunaan metode peramalan kuantitatif adalah ketergantungan pada
data historis dan banyak aplikasi komputasi yang dapat membantu untuk
mengotomatisasikan kepekaan terhadap perubahan permintaan ataupun
permasalahan yang lain yang sedang dikaji oleh eksekutif/peramal.
KEGUNAAN BAGI MANAJEMEN

Metode rata-rata bergerak digunakan bila perlu dilakukan

penyesuaian terhadap perubahan pola-pola fluktuasi data.
Sedangkan pemulusan eksponensial Teknik peramalan ini
digunakan untuk system persediaan yang terdiri atas
jumlah yang besar atau ribuan barang. Teknik ini juga
dapat dilakukan untuk peramalan jangka pendek.