METODE PERAMALAN

KUANTITATIF
TIME SERIES
 METODE PERAMALAN KUANTITATIF – TIME
SERIES

1. PENDAHULUAN
2. METODE RATA-RATA BERGERAK SEDERHANA /
SIMPLE MOVING AVERAGE (RBS/SMA)
3. METODE RATA-RATA BERGERAK TERBOBOT/
WEIGHTED MOVING AVERAGE (RBT/WMA)
4. METODE PENGHALUSAN EKSPONENSIAL
(EXPONENTIAL SMOOTHING)
5. METODE LEAST SQUARE – KUADRAT TERKECIL
PENDAHULUAN
Metode peramalan kuantitatif dilakukan dengan cara : membuat analisis yang rinci pada pola data yang
lalu, kemudian memproyeksikannya menjadi ramalan data untuk masa mendatang.
Tahapan-tahapan dalam metode peramalan adalah sebagai berikut :
1. Mengenali bentuk dan ukuran dari komponen-komponen data masa lalu
2. Komponen itu kemudian diproyeksikan ke masa yang akan datang.
3. Diukur/dihitung deviasi (error‘nya) semakin kecil deviasinya, semakin lebih akurat ramalannya.
 Dalam analisis Deret Waktu, kita perlu menggambarkan data
menjadi scatter diagram untuk mengetahui pola permintaan sebagai
fungsi waktu atau dengan kata lain untuk menentukan pola
pergerakan jangka panjang. Selanjutnya metode peramalan ini harus
terlebih dahulu mempertimbangkan beberapa komponen, di
antaranya :
a. Komponen Trend
b. Komponen Variasi Musiman
c. Komponen Siklikal atau Konjungtur
d. Komponen Residu atau Erratic
 Metode Deret Waktu menganalisis hubungan-hubungan
tersebut agar reliabilitas ramalan meningkat. Dalam
model klasik analisis Deret Waktu, nilai ramalan (Y)
merupakan fungsi perkalian dari komponen-komponen :
 T (Trend),
S (Seasonal),
C (Cyclical)
 dan E (Error)
a. Komponen Trend

Menunjukkan pola gerakan penurunan atau

pertumbuhan (kenaikan) jangka panjang serangkaian
data historis. Sebagai contoh, permintaan akan
mobil di Indonesia yang semakin tahun semakin
meningkat dikarenakan semakin meningkatnya
kesejahteraan keluarga di Indonesia, khususnya
masyarakat ekonomi menengah ke atas.
b. Komponen Variasi Musiman

 Komponen ini mencerminkan pengaruh pola pembelian

musiman. Sebagai contoh, penjualan payung di musim
hujan lebih besar dari pada saat musim kemarau,
permintaan pengambilan uang tabungan di Bank, musim
panenan, tahun ajaran baru (permintaan akan buku dan
seragam sekolah ) dan lebaran,
c. Komponen Siklikal (Cyclical) atau Gelombang Konjungtur

Komponen ini mungkin merupakan komponen yang paling sulit

ditentukan bila rentangan waktu tidak diketahui akibat siklus tidak dapat
ditentukan. Pengaruh siklikal pada permintaan mungkin diakibatkan
kejadian seperti pemilihan politik, perang, kondisi ekonomi, siklus bisnis
atau tekanan sosiologik. Contohnya, kenaikan dan penurunan akan
barang-barang tahan lama setiap beberapa tahun.
d. Komponen Residu atau Erratic

Komponen erratic adalah deviasi acak yang tidak dapat dijelaskan seperti
komponen lain, dan dalam jangka panjang saling menyeimbangkan satu dengan yang
lainnya. Karena alasan ini dan karena komponen erratic adalah acak, maka tidak
digunakan untuk membuat ramalan.
2.METODE RATA-RATA BERGERAK SEDERHANA / SIMPLE MOVING AVERAGE
(RBS/SMA)

Metode ini adalah metode Time Series yang paling sederhana. Data ramalan
masa mendatang adalah angka rata-rata dari data beberapa periode sebelumnya,
misalnya 2, 3, atau 4 periode sebelumnya (periode bisa mingguan, bulanan,
triwulan, semester, atau tahun).

Rumusnya F (t+1) = (Dt + Dt-1 + ….Dt-(N+1)/N

Untuk Rata-rata Bergerak 2 Periode, maka :
F3 = (12+14)/2= 13
F4 = (14+15)/2 = 14,5
F13 = (21+22)/2 = …….?

Untuk rata-rata bergerak 3 periode, maka :

F4 = (12+14+15)/3 = 13,67
F5 = (14+15+16)/3 = …..?
F13 = (21+22+19) / 3 = ……?
3. METODE RATA-RATA BERGERAK TERBOBOT/ WEIGHTED
MOVING AVERAGE (RBT/WMA)

Rata-rata Bergerak Terbobot menggunakan bobot untuk tiap data

lampau untuk periode terdekat bisasnya bobotnya lebih besar daripada
periode sebelumnya. Notasi yang digunakan adalah α, β dan seterusnya.
 Untuk RBT 2 periode maka bobot untuk data periode terdekat adalah
α (misalnya 0,6), sedangkan untuk periode sebelumnya adalah (1 – α),
misalnya (1 – 0,6 = 0,4).
 Bila untuk untuk RBT 3 periode maka bobot untuk data periode
terdekat adalah α (misalnya 0,5), bobot untuk data periode
sebelumnya adalah β (misalnya 0,3), dan bobot data periode
sebelumnya lagi adalah (1 – α – β), misalnya (1 – 0,5 – 0,3 = 0,2).
Jadi untuk :
N = 2  F3 = 0,6 x D2+ 0,4 x D1
= 0,6 x 14 + 0,4 x 12
= 8,4 + 4,8
= 13,2
F13 = 0,6 x 22 + 0,4 x 21
= 13,2 + 8,4
= 21,6
N = 3  F4 = 0,5 x 15 + 0,3 x 14 + 0,2 x 12
= 7,5 + 4,2 + 2,4
= 14,1
F13 = 0,5 x 22 + 0,3 x 21 + 0,2 x 19
= 11 + 6,3 + 3, 8
= 21,1
4.METODE PENGHALUSAN EKSPONENSIAL
(EXPONENTIAL SMOOTHING)
   Exponential Smoothing adalah suatu tipe teknik peramalan Rata-rata Bergerak
yang melakukan penimbangan terhadap data masa lalu dengan cara eksponensial
sehingga data paling akhir mempunyai bobot atau timbangan lebih besar dalam Rata-
rata Bergerak. Persamaan ramalan Exponential Smoothing adalah :
= +α(- )
Dengan keterangan sebagai berikut :
= ramalan untuk periode sekarang (t)
= ramalan yang dibuat untuk periode terakhir (t – 1)
= Smoothing Constant ( 0 α
= permintaan nyata periode terakhir
  Untuk
menggambarkan metode ini anggap bahwa permintaan jangka
panjang akan suatu produk adalah relative stabil dan α (Smoothing
Constant) sebesar 0,05.
Contoh :
Anggap ramalan bulan terkahir () sebesar 1.050 unit. Bila permintaan
nyata 1000, dan bukan 1.050 unit, ramalan untuk bulan ini akan sebesar :
 
= +α(- )
= 1.050 + 0,05 (1.000 – 1.050)
= 1.047,5 unit
5. METODE LEAST SQUARE – KUADRAT TERKECIL

Kuadrat terkecil adalah salah satu metode yang paling luas

digunakan untuk menentukan persamaan trend data karena metode ini
menghasilkan apa yang secara matematik digambarkan sebagai “line
of best fit”.
Garis trend ini mempunyai sifat-sifat :
 Penjumlahan seluruh deviasi vertical titik-titik data terhada garis =
nol
 Penjumlahan seluruh kuadrat deviasi vertical data historic dari garis
adalah minimum.
 Garis melalui rata-rata X dan Y.
Untuk persamaan linier, garis trend dicari dengan
penyelesaian simultan nilai a dan b pada dua persamaan
normal berikut :
Bila titik tengah data sebagai tahun dasar, maka ∑ x
= 0 dan dapat dihilangkan dari kedua persamaan di
atas, dan menjadi :

Dimana :
Y = Ramalan
X = Data
N = jumlah data
a & b = konstanta
Pemberian kode sangat mudah dilakukan. Bila ada sejumlah periode waktu ganjil, titik tengah periode waktu ditentukan sebagai X = 0, sehingga jumlah plus dan minus akan sama dengan nol.

Prosedur pemberian kode tersebut adalah sebagai berikut :

Tetapi bila jumlah data adalah genap, prosedur pemberian kode adalah :
Sebagai contoh perhitungan, kita gunakan data dalam Tabel II.5 berikut yaitu data
penjualan produk KLM perusahaan AIRON..
Dengan menggunakan persamaan
Kuadrat Terkecil di atas, kita dapat
menghitung :
Jadi, persamaan peramalan dalam bentuk Y = a + bX
adalah :
Y = 89 + 0,6 X
Ramalan untuk kuartal 1 tahun 1985 adalah sebesar
99,2 unit dengan perhitungan :
Y = 89 + 0,6 (17)
= 99,2
Terima kasih…