Model deret berkala dapat digunakan dengan mudah untuk meramal. Peramalan harus
berdasarkan analisisnya pada pola data yang ada. Ada empat pola data yang lazim
dalam peramalan (Makridakis, 1999) :
Pola Horizontal
Pola Musiman
Pola Siklis
Pola Trend
Ukuran Akurasi Peramalan
Model-model peramalan yang dilakukan kemudian divalidasi menggunakan sejumlah indikator.
Indikator yang umum digunakan adalah
Mean Absolute Deviation (MAD)
Metode untuk mengevaluasi metode peramalan menggunakan jumlah dari kesalahan-kesalahan
absolut. Nilai MAD dapat dihitung dengan menggunakan rumus sebagai berikut :
( )
=
Mean Square Error (MSE)
Metode ini adalah untuk mengevaluasasi metode peramalan. Metode ini menghasilkan kesalahan-
kesalahan sedang yang kemungkinan lebih baik untuk kesalahan kecil, tetapi terkadang menghasilkan
perbedaan yang besar.
2 ( )2
= =
Mean Absolute Percentage Error (MAPE)
MAPE dihitung menggunakan kesalahan absolut pada tiap periode dibagi dengan nilai
observasi yang nyata untuk periode ini. MAPE mengindikasi seberapa besar kesalahan
dalam meramal yang dibandingkan dengan nilai nyata.
| | | |
100% 100%
= =
Tracking Signal
Tracking Signal adalah suatu ukuran bagaimana baiknya suatu peramalan
memperkirakan nilai-nilai aktual. Nilai ini dapat dihitung dengan menggunakan rumus
sebagai berikut :
=
Nilai RSFE diperoleh dari
( ).
Moving Range (MR)
Peta Moving Range dirancang untuk membandingkan nilai permintaan aktual
dengan nilai peramalan. Moving Range digunakan untuk menguji kestabilan
sistem sebab-akibat yang mempengaruhi permintaan. Rumus perhitungan peta
Moving Range adalah sebagai berikut :
= 2,66
= 2,66
= | 1 1 ( )|
| =
1
Metode Pemulusan Eksponensial Triple Satu Parameter Brown
Metode ini digunakan untuk data runtut waktu yang memiliki komponen trend dan tidak memperhitungkan komponen
musiman serta membutuhkan lebih sedikit data karena hanya satu parameter yang digunakan. (Makridakis, 1995)
menyatakan bahwa pernyataan yang dipakai dalam implementasi pemulusan eksponensial ganda satu parameter dari
Brown adalah sebagai berikut :
= + (1 )1
= + (1 )1
= + (1 )1
= 3 3 +
= 2
6 5 10 8 + 4 3
2 1
2
= 2 (
+ 2 +
1
Metode Pemulusan Eksponensial Winter
Metode Winter didasarkan pada tiga persamaan pemulusan yaitu, stasioneritas, trend dan
musiman. Untuk menganalisis metode peramalan Winters yang diterangkan kita menggunakan
paling sedikit satu data musim lengkap, untuk menentukan estimasi awal dari indeks musiman
yaitu menaksir faktor trend dari satu periode yang selanjutnya.
Pemulusan Keseluruhan
Xt
St (1 )( St 1 bt 1 )
Pemulusan Trend It l
bt (St St 1 ) (1 )bt 1
Pemulusan Musiman Xt
It (1 ) I t L
St
Nilai Ramalan
Ft m (St bt m) I t L m
Pemulusan Eksponensial Klasifikasi Pegels
Metode klasifikasi Pegels ini membantu kita dalam menyelesaikan berbagai kemungkinan model yang akan ditemui
dalam kasus-kasus peramalan. Terdapat sembilan kemungkinan model peramalan yang kesemuanya mempunyai
persamaan pemulusan eksponensial yang berbeda-beda untuk tiap model. Namun secara umum, rumus pemulusan
eksponensial dari seluruh model dapat dituliskan dengan :
St = P + (1 - )Q
Dimana nilai P dan Q berubah-ubah sesuai dengan model datanya. Rumus P dan Q untuk masing-masing model dapat
dilihat sebagai berikut :
=
= 1 1
+ = +
Studi kasus
Berikut ini adalah data pembelian dan penjualan saham oleh perusahaan
M3.inc dari tahun 1969 sampai tahun 1970 sebanyak 102 periode.
Data yang dianalisis dalam merupakan data sekunder yang diperoleh dari
link data yaitu https://datamarket.com. Berikut data harga saham
perusahaan M3.inc (lampiran 1).
Dari data di atas akan disajikan dalam
bentuk diagram sebagai berikut.
6
0
19
63
81
11
13
15
17
21
23
25
27
29
31
33
35
37
39
41
43
45
47
49
51
53
55
57
59
61
65
67
69
71
73
75
77
79
83
85
87
89
91
93
95
97
99
1
3
5
7
9
101
Berdasarkan pola dari diagram yang terlihat pada gambar di atas maka dapat
ditarik kesimpulan data mempunyai trend dan musiman yang bersifat multiplikatif.