2. Menerangkan (explanation) : Jika variabel data deret waktu lebih dari satu buah, maka
telaahan dilakukan untuk menentukan apakah salah satu variabel dapat menjelaskan variabel lain,
sehingga bisa dibangun sebuah model regresi (fungsi transfer) untuk keperluan analisis data deret
waktu lebih lanjut.
Tujuan dalam analisis data deret waktu
3. Perkiraan (prediction) :
Jika dimiliki sampel data deret waktu dan diinginkan perkiraan nilai data berikutnya, maka proses
peramalan harus dilakukan.
Permalan adalah sasaran utama dari analisis data deret waktu, yang prosesnya bisa berdasarkan
karakter dari komponen data atau model regresi deret waktu.
Pengertian perkiraan (prediction) dan peramalan (forecasting) beberapa penulis ada yang
membedakannya, sebab mereka berpendapat perkiraan adalah penaksiran (estimation) nilai
dengan data dengan tidak memperhatikan model hubungan (regresi) antara nilai data, tetapi
peramalan adalah proses penaksiran nilai data berdasarkan sebuah model hubungan fungsional
antar nilai data.
Tetapi kebanyakan penulis berpendapat perkiraan dengan peramalan adalah dua proses analisis
data yang sama.
Tujuan dalam analisis data deret waktu
4. Kontrol (control) :
Proses kontrol dilakukan untuk menelaah apakah model (regresi) ramalan (perkiraan) yang
ditentukan cukup baik untuk digunakan ?
Dalam statistika, sebuah model baik digunakan untuk peramalan, jika dipenuhi modelnya cocok
dan asumsinya juga dipenuhi.
Sehingga proses kontrol terhadap model perlu dilakukan untuk menelaah dipenuhi tidaknya
asumsi, kecocokan bentuk model yang dibangun, ada-tidaknya pencilan (outliers), yang
analisisnya dapat dilakukan berdasarkan karakter nilai residu atau analisis varians.
Peramalan (forecasting) :
Adalah seni dan ilmu memprediksi peristiwa-peristiwa yang akan terjadi,dengan
menggunakan data historis dan memproyeksikannya ke masa depan dengan beberapa
bentuk model matematis.
FORECASTING (PERAMALAN)
Peramalan dalam dunia bisnis adalah kegiatan atau proses
memprediksi nilai masa depan berdasarkan data masa lalu.
Kegiatan ini mencakup penggunaan data historis dengan
memproyeksikannya untuk masa depan yang
menggunakan jenis model matematis.
Forecasting sendiri merupakan bagian vital bagi setiap
organisasi bisnis dan utk setiap pengambilan keputusan
manajemen yg signifikan
Persyaratan Penggunaan
Metode Kuantitatif:
Model Asosiatif
TREND PROJECTION
(Hubungan sebab
LINIER REGRESSION ANALYSIS akibat)
CONTOH PERAMALAN
MENGGUNAKAN METODE
“MOVING AVERAGE”
Berikut adalah tahapan meramalkan data masa depan berdasarkan data masa
lalu:
1. Mengidentifikasi pola historis dari data aktual
2. Memilih model peramalan yang sesuai dengan pola historis dari data aktual
3. Melakukan analisis data berdasarkan model peramalan yang dipilih
4. Memilih model peramalan yang tepat berdasarkan MAD (Mean Absolut
Deviation) terkecil
5. Memeriksa keandalan model peramalan berdasarkan peta kontrol tracking
signal
Contoh soal moving average
Ibu Shabrina mempunyai usaha di bidang penjualan Kue Ners, ibu Shabrina ingin memperkirakan
(forecasting) berapa kue yang bisa Ibu Shabrina jual di bulan Januari 2022. Dengan data penjualan
Kue Ners selama tahun 2021 sebagai berikut
Cara menghitung moving averages di Excel dalam menyelesaikan permasalahan ibu Shabrina
sebagai berikut :
1. Input di tabel kiri nama Bulan di tahun 2021, tabel disebelahnya Indeks Waktu (t), disebelahnya
indeks waktu (t) tabel permintaan aktual (A),
2. Lakukan perhitungan untuk mencari hasil ramalan berdasarkan Moving Averages 4 periode
dan 5 periode terhadap data aktual permintaan yang ada, begitu seterusnya sampai bulan Januari
2022
3. Cara melakukan perhitungan di Excel adalah dengan mengklik tanda + di keyboard, jangan
lupa menggunakan tanda kurung di awal dan akhir perhitungan, sebagaimana gambar berikut.
Keterangan :
Bulan Indeks Waktu (t)
Permintaan Aktual (A)
Moving Averages 4 bulan
(Ft MA4)
Moving Averages 5 bulan
(Ft MA
2. Di dalam mencari nilai MAD yang terkecil dengan metode moving Average, yaitu
dengan melakukan pengurangan antara nilai permintaan aktual dengan peramalan aktual,
kemudian menjumlahkan semuanya dan dibagi dengan banyaknya periode yang
ada.
𝑴𝑨𝑫=
∑ | 𝑨 − 𝑭 𝒕 𝑴𝑨|
𝒏
Tabel : nilai absolute deviation untuk MA 4 dan MA 5
| 𝑨− 𝑭𝒕 𝑴𝑨 𝟒| | 𝑨− 𝑭𝒕 𝑴𝑨 𝟓|
Langkah-langkah didalam menghitung tracking signal moving Average 5 bulan sebagai berikut :
1. Masukkan data di kolom periode, berurutan mulai dari periode pertama sampai periode ke delapan
2. Kolom forecast berasal dari perhitungan Moving Average 5 bulan pada tabel sebelumnya.
3. Kolom Aktual (A3) berasal dari permintaan aktual yang ada, mulai dari bulan ke enam (Juni) sampai bulan ke
dua belas (Desember).
4. Kolom error berisi dari pengurangan kolom aktual dengan kolom forecast.