2. Forecasting
Peramalan adalah teknik untuk membuat prediksi arah tren masa depan berdasarkan analisis data masa
lalu dan sekarang. Bisnis menggunakan peramalan untuk menentukan cara mengalokasikan anggaran
atau merencanakan pengeluaran yang diharapkan untuk periode waktu mendatang.
Pada dasarnya, ini adalah alat pengambilan keputusan yang membantu bisnis mengatasi dampak
ketidakpastian masa depan dengan menganalisis data dan tren historis. Ini adalah alat perencanaan yang
memungkinkan bisnis memetakan langkah mereka selanjutnya dan membuat anggaran yang diharapkan
dapat menutupi segala ketidakpastian yang mungkin terjadi.
Forecaster menggunakan data untuk metode peramalan yang dilakukan dapat diperoleh dari sumber
primer atau sumber sekunder.
Sumber primer: Sumber primer memberikan informasi tangan pertama, dikumpulkan langsung oleh
orang atau organisasi yang melakukan peramalan. Mereka biasanya mengumpulkan data dari
berbagai kuesioner, kelompok fokus atau wawancara dan, meskipun semua informasi sulit untuk
dikumpulkan dan diintegrasikan, cara langsung memperoleh data membuat sumber primer paling
dapat dipercaya.
Sumber sekunder: Sumber sekunder memberikan informasi yang telah dikumpulkan dan diproses
oleh organisasi pihak ketiga. Menerima data dengan cara yang terorganisir dan tertata membuat
proses peramalan menjadi lebih mudah.
3. Feature Forecasting
Berikut adalah beberapa fitur untuk membuat perkiraan:
1. Melibatkan peristiwa masa depan
Prakiraan dibuat untuk mengantisipasi kemungkinan masa depan, ruang lingkup, dll menjadikannya penting untuk
perencanaan produk.
2. Berdasarkan peristiwa masa lalu dan sekarang
Prakiraan didasarkan pada sudut pandang, intuisi, tebakan, serta fakta aktual, angka, dan data terkait lainnya.
Semua faktor yang membentuk perkiraan mencerminkan sampai batas tertentu apa yang terjadi dengan bisnis di
masa lalu dan apa yang mungkin terjadi di masa depan.
3. Menggunakan teknik peramalan
Sebagian besar organisasi menggunakan metode kuantitatif, khususnya dalam proses perencanaan dan
penganggaran.
4. Fitur umum Forecast :
1. Peramalan jarang sempurna (perkiraan penyimpangan).
2. Semua teknik peramalan mengasumsikan bahwa ada beberapa tingkat stabilitas dalam sistem, dan “apa yang
terjadi di masa lalu akan terus terjadi di masa depan”.
3. Peramalan untuk sekelompok item lebih akurat daripada peramalan untuk individu.
4. Keakuratan peramalan meningkat seiring bertambahnya cakrawala waktu.
Elemen forecast yang baik:
1. Tepat waktu: Batas forecast harus mencakup waktu yang diperlukan untuk mengimplementasikan kemungkinan
perubahan.
2. Dapat Diandalkan: Harus bekerja secara konsisten.
3. Akurat: Tingkat akurasi harus dinyatakan.
4. Bermakna: Harus dinyatakan dalam satuan yang bermakna. Perencana keuangan harus tahu berapa banyak dolar
yang dibutuhkan, produksi harus mengetahui berapa banyak unit yang akan diproduksi, dan penjadwal perlu
mengetahuinya mengetahui mesin dan keterampilan apa yang akan dibutuhkan.
5. Tertulis: untuk menjamin penggunaan informasi yang sama dan untuk memudahkan perbandingan dengan yang
sebenarnya hasil.
6. Mudah digunakan: pengguna harus nyaman bekerja dengan perkiraan
5. Jenis perkiraan berdasarkan waktu:
• Kisaran pendek (hari – minggu – bulan): Penjadwalan pekerjaan, penugasan kerjaRentang waktu mulai dari
beberapa hari hingga beberapa minggu. Siklus, musiman, dan tren mungkin memiliki pengaruh yang kecil.
Fluktuasi acak adalah komponen data utama.
• Jangka menengah (1-2 tahun): Penjualan, produksi
• Prakiraan jarak panjang (> 2 tahun): ubah lokasi Rentang waktu biasanya lebih dari satu tahun. Diperlukan
untuk mendukung keputusan strategis tentang perencanaan produk, proses, dan fasilitas.
Langkah-langkah dalam pengembangan forecasting :
1. Tentukan tujuan forecasting.
2. Tetapkan cakrawala waktu: batas waktu, akurasi berkurang dengan durasi yang lebih pendek.
3. Pilih teknik forecasting.
4. Mengumpulkan dan menganalisis data.
5. Siapkan forecasting
6. Pantau perkiraan
6. Metode Forecast:
1. Quantitative/ Method Kuantitatif (berdasarkan data deret waktu):
Data deret waktu: urutan pengamatan waktu yang diambil secara berkala dari waktu ke waktu.
Pola yang dihasilkan dari ploting data ini adalah:
A. Trend/Tren: Pergerakan data ke atas atau ke bawah dalam jangka panjang.
B. Seasonality/Musiman: Variasi reguler jangka pendek terkait dengan kalender atau waktu.
C. Cycle/Siklus: Variasi mirip gelombang yang berlangsung lebih dari satu tahun.
D. Random variationsVariasi acak: variasi sisa setelah semua perilaku lainnya diperhitungkan.
E. Irregular variations/Variasi tidak teratur: disebabkan oleh keadaan yang tidak teratur, tidak mencerminkan tipikal
perilaku.
Naïve forecast :
Perkiraan untuk periode apa pun sama dengan nilai aktual periode sebelumnya.
• Hampir tanpa biaya
• Cepat dan mudah disiapkan (tidak perlu analisis data)
• Mudah dimengerti.
• Tidak dapat memberikan akurasi yang tinggi.
• Dapat menjadi standar untuk akurasi dan biaya
• Dapat diterapkan pada permintaan yang stabil (bergerak rata-rata), musiman, dan tren
7. Trend Projection Method
2. Menyesuaikan Persamaan Tren atau Metode Kuadrat Terkecil: Metode kuadrat terkecil
adalah teknik formal di mana garis tren dipasang dalam deret waktu menggunakan data
statistik untuk menentukan tren permintaan. Bentuk persamaan tren yang dapat
disesuaikan dengan data deret waktu dapat ditentukan dengan memplot data penjualan
atau mencoba berbagai bentuk persamaan yang paling cocok dengan data tersebut.
Setelah data diplot, itu menunjukkan beberapa tren. Jenis persamaan tren yang paling
umum adalah:
- Tren Linier: ketika data deret waktu mengungkapkan tren penjualan yang meningkat atau
linier, persamaan garis lurus berikut ini cocok: S = a + bT Dimana S = penjualan tahunan; T
= waktu (tahun); a dan b adalah konstanta.
- Tren Eksponensial: Tren eksponensial digunakan ketika data mengungkapkan bahwa total
penjualan telah meningkat selama beberapa tahun terakhir baik pada tingkat yang
meningkat atau pada tingkat yang konstan per unit waktu.
3. Metode Box-Jenkins: Metode Box-Jenkins adalah metode peramalan lain yang digunakan
untuk prediksi dan proyeksi jangka pendek. Metode ini sering digunakan dengan data
penjualan time-series stasioner. Data deret waktu stasioner adalah data yang tidak
menunjukkan tren jangka panjang. Dengan kata lain, metode Box-Jenkins digunakan
ketika data deret waktu mengungkapkan variasi bulanan atau musiman yang muncul
kembali dengan tingkat keteraturan tertentu.
Metode peramalan bisnis yang paling klasik, yang berkaitan dengan pergerakan variabel sepanjang waktu. Metode ini membutuhkan data deret
waktu yang panjang.
didasarkan pada asumsi bahwa faktor-faktor yang bertanggung jawab atas tren masa lalu dalam variabel yang akan diproyeksikan akan terus
memainkan peran mereka di masa depan dengan cara yang sama dan pada tingkat yang sama seperti yang mereka lakukan di masa lalu saat
menentukan tren. besaran dan arah variabel.
1. Metode Grafis: Ini adalah metode statistik paling sederhana di mana data penjualan tahunan diplot pada grafik, dan garis ditarik melalui titik-titik yang diplot
ini. Garis tangan bebas digambar sedemikian rupa sehingga jarak antara titik dan garis adalah minimum. Dengan metode ini, diasumsikan bahwa penjualan
di masa depan akan mengikuti tren yang sama seperti yang diikuti oleh catatan penjualan di masa lalu. Meskipun metode grafis sederhana dan murah,
namun tidak dianggap dapat diandalkan. Ini karena perpanjangan garis tren mungkin melibatkan subjektivitas dan bias pribadi peneliti.
8. Linear regression analysis/ Analisis regresi linier:
• Membangun hubungan antara variabel dependen dan satu atau lebih variabel independen.
• Dalam analisis regresi linier sederhana hanya terdapat satu variabel bebas.
• Jika data berupa deret waktu, maka variabel bebasnya adalah periode waktu.
• Variabel dependen adalah apapun yang ingin kita ramalkan. (misalnya penjualan)
Regression Equation Persamaan Regresi
b = Delta Y / Delta X = Kemiringan
Contoh: b= 0,5
artinya untuk setiap kenaikan satu
satuan dalam X , 0,5 unit akan
meningkat di Y
Delta Y
Delta X
a
Y
X
Y = variabel dependen (contoh: Penjualan Perusahaan)
X = variabel bebas (contoh: periode waktu, penjualan perusahaan terkait lainnya)
a = perpotongan sumbu Y
b = Kemiringan garis regresi = delta Y/ delta X
Konstanta a dan b dihitung menggunakan persamaan berikut:
n ∑xy- ∑x∑y ∑x2 ∑y - ∑x∑xy
b = ---------------------------- a= -----------------------------
n ∑x2 – (∑x)2 n ∑x2 – (∑x)2
Atau,
Σy=na+bΣx a= (Σy – bΣx)/n
Σxy=aΣx+bΣx2
Setelah nilai a dan b dihitung, nilai perencanaan ke depan dari X ,
dapat dimasukkan ke dalam persamaan regresi dan nilai yang sesuai
dari Y (perkiraan) dapat dihitung.
10. Contoh: Pendaftaran Perguruan Tinggi
Pada pendaftaran perguruan tinggi daerah kecil telah tumbuh dengan mantap selama enam tahun terakhir,
sebagaimana dibuktikan di bawah. Gunakan regresi deret waktu untuk meramalkan pendaftaran siswa untuk tiga tahun
ke depan.
X (tahun ke- ) Y(Siswa)
1 2.500
2 2.800
3 2.900
4 3.200
5 3.300
6 3.400
Total 21 18.100
X2 XY
1 2.500
4 5.600
9 8.700
16 12.800
25 16.500
36 20.400
Total 91 66.500
91(18.100) -21(66.500)
6(91) – (21)2
a = ---------------------------------- = 2.387
6(66.500) -21(18.100)
6(91) – (21)2
b = ---------------------------------- = 180
Y = 2387 + 180 X
Tahun ke -7 = 2.387 + 180 (7) = 3.647 siswa
Tahun ke -8 = 2.387 + 180 (8) = 3.827 siswa
Tahun ke -9 = 2.387 + 180 (9) = 4.007 siswa
Note: Pendaftaran diharapkan meningkat 180 siswa per tahun.
11. Koefisien Korelasi (r)
Koefisien korelasi, r, menjelaskan kepentingan relatif dari hubungan antara x dan y.
Tanda r menunjukkan arah hubungan.
Nilai absolut r menunjukkan kekuatan hubungan.
Tanda r selalu sama dengan tanda b.
r dapat mengambil nilai antara –1 dan +1.
Arti beberapa nilai r:
• -1 hubungan negatif sempurna (saat x naik, y turun satu unit, dan sebaliknya)
• +1 hubungan positif sempurna (saat x naik, y naik satu unit, dan sebaliknya)
• 0 tidak ada hubungan antara x dan y
• +0.3 hubungan positif yang lemah
• -0.8 hubungan negatif yang kuat
Persamaan:
𝑟 𝑥𝑦 = =
𝑥𝑖𝑦𝑖 − 𝑛 𝑥 𝑦 𝑛 𝑥𝑖𝑦𝑖 - 𝑥𝑖 𝑦𝑖
𝑛 − 1 𝑠𝑥𝑠𝑦 𝑛 𝑥2
𝑖 − 𝑥𝑖
2 𝑛 𝑦2
𝑖 − 𝑦𝑖
2
13. Seasonalized Time Series Regression Analysis/ Analisis Regresi Deret Waktu Musiman
• Pilih kumpulan data historis yang representatif.
• Mengembangkan indeks musiman untuk setiap musim.
• Gunakan indeks musiman untuk menghilangkan musim data.
• Lakukan analisis regresi linier pada data deseasonalized.
• Gunakan persamaan regresi untuk menghitung prakiraan.
• Gunakan indeks musiman untuk menerapkan kembali pola musiman ke prakiraan.
• Analisis Regresi Rangkaian Waktu Musiman
Contoh :
Seorang analis di CPC ingin mengembangkan prakiraan pendapatan penjualan kuartalan tahun depan untuk lini CPC Komputer Epsilon.
Dia percaya bahwa 3 kuartal terakhir dari penjualan seperti dalam table mewakili penjualan tahun depan
Tahu
n
Kwartal (Rp. Juta)
1 1 7.4
1 2 6.5
1 3 4.9
1 4 16.1
2 1 8.3
2 2 7.4
2 3 5.4
2 4 18.0
Tahun ke- Kwrt 1 Kwrt 2 Kwrt 3 Kwrt 4 Total
1 7.4 6.5 4.9 16.1 34.9
2 8.3 7.4 5.4 18.0 39.1
Total 15.7 13.9 10.3 34.1 74.0
Rata-rata Kwartal 7.85 6.95 5.15 17.05 9.25
Seasonilzed Index = Rata2 Kwartal/Total Rata2 kwartal 0.849 0.751 0.557 1.843 4.00
2. Deseasonalized Data Quarterly Sales ( = actual quarter sales / seasonality index)
1. Seasonalized Indeks
Tahun ke - Kwartal 1 Kwartal 1 Kwartal 1 Kwartal 1
1 8.72 8.66 8.80 8.74
2 9.78 9.85 9.69 9.77
Perhatikan bahwa hasil tidak memiliki variasi musiman
15. Moving Average
Teknik yang rata-rata sejumlah nilai aktual terkini, diperbarui
saat nilai baru tersedia.
Dapat dihitung dengan menggunakan persamaan berikut:
Ft = MAn = Σ Ai/n
Di mana:
- Jumlah periode = n
- Nilai aktual dalam periode = Ai
- Rata-Rata Bergerak = MA
- Indeks sesuai dengan periode = i
- Prakiraan untuk periode waktu = Ft
Contoh:
MA3 mengacu pada perkiraan rata-rata bergerak tiga
periode, dan
MA5 mengacu pada lima periode perkiraan rata-rata
bergerak.
Hitung rata-rata pergerakan tiga periode untuk:
Period Demand
1 42
2 40
3 43
4 40
5 41
F6 = (43+40+41)/3 = 41.33
Jika permintaan aktual pada periode 6 ternyata 41, maka
F7 = (40+41+41)/3 = 40.67
Perhatikan bahwa: perkiraan diperbarui dengan menambahkan nilai aktual
terbaru dan membuang yang terlama)
.
Keuntungan rata-rata bergerak : Mudah digunakan dan dihitung
Kerugian: nilai rata-rata memiliki bobot yang sama. Misalnya, dalam rata-rata pergerakan sepuluh periode masing-masing memiliki bobot yang sama 1/-10, yang terlama memiliki
nilai yang sama dengan yang terbaru
16. Pemberian bobot lebih dalam menghitung perkiraan.
Contoh:
- Bobot untuk nilai saat ini = 0.40
- bobot sebelumya = 0.30
- sebelumnya = 0.20
- dan sebelumnya lagi = 0.10
- Bobot total selalu = 1.00
Pada contoh terakhir: perkiraan periode 6 akan menjadi:
F6 = 0.40 (41) + 0.30 (40) + 0.20 (43) + 0.10 (40) = 41
Jika permintaan aktual periode 5 adalah *. Prakiraan periode 6 adalah:
F7 = 0.40 (41) + 0.30 (41) + 0.20 (40) + 0.10 (43) = 41
Keuntungan: lebih mencerminkan kejadian terbaru.
Weighted moving average:
17. Forecast Error Forecast Error
1 42 - - - -
2 40 42.00 (2.00) 42.00 (2.00)
3 43 41.80 1.20 41.20 1.80
4 40 41.92 (1.92) 41.92 (1.92)
5 41 41.73 (0.73) 41.15 (0.15)
6 39 41.66 (2.66) 41.09 (2.09)
7 46 41.39 4.61 40.25 5.75
8 44 41.85 2.15 42.55 1.45
9 45 42.07 2.93 43.13 1.87
Period
Actual
Demand
= 0.10 = 0.40
Hubungan antara smoothing constant dan respons terhadap kesalahan/error :
• Exponential smoothing adalah salah satu teknik yang paling banyak
digunakan dalam peramalan.
• Kecepatan penyesuaian ramalan terhadap kesalahan ditentukan oleh
smoothing constant α.
• Semakin mendekati nilai α ke nol, semakin lambat forecast akan
merespon error semakin smoothing.
• Semakin dekat nilai α ke 1.00 , semakin besar forecast akan
merespon error less smoothing.
• Smoothing artinya nilai kurang bervariasi smooth curve
• Untuk memilih metode peramalan terbaik Hitung peramalan dan pilih
metode dengan MAD paling kecil. Jadi, langkah-langkahnya adalah:
membuat peramalan dengan berbagai metode menghitung MAD
untuk masing-masing metode dengan MAD paling sedikit adalah
yang terbaik. (dalam soal tsb) perhatikan :
1. MA3 berarti mulai dengan menghitung F4.
2. Jika F1 tidak diberikan asumsikan bahwa F1 =A1 (jika F1 diberikan, jangan gunakan
dalam perhitungan MAD di MA)
3. Dalam perhitungan MAD untuk membandingkan akurasi, gunakan periode yang
sama.
18. Exponential Smoothing:
Berdasarkan metoda Weighted averaging sebelumnya ditambah persentase ( ) dari kesalahan perkiraan.
Forecast selanjutnya = forecast sebelumnya + (Aktual – forecast sebelumnya)
Di mana (Aktual – Prakiraan sebelumnya) = kesalahan prakiraan, adalah persentase kesalahan.
Ft = Ft-1 + α (At-1 – Ft-1)
Di mana,
Ft = Prakiraan untuk periode t
Ft-1 = Prakiraan untuk periode sebelumnya
Α = konstanta pemulusan
At-1 = Permintaan aktual atau penjualan untuk periode sebelumnya.
Contoh:
Jika forecast sebelumnya adalah 42 unit, permintaan aktual adalah 42 unit, dan α = 0.10
perkiraan akan menjadi:
Ft = 42 + 0.10 (40-42) = 41.8
Kemudian jika permintaan aktual ternyata 43, perkiraan selanjutnya adalah:
Ft = 41.8 + 0.10 (43-41.8) = 41.92
19. Akurasi keseluruhan dari setiap model peramalan rata-rata bergerak, penghalusan eksponensial, atau lainnya dapat dijelaskan
dengan membandingkan nilai yang diramal dengan nilai aktual atau nilai yang sedang diamati. Jika Ft melambangkan peramalan
pada periodetdan At melambangkan permintaan aktual pada periodet, maka kesalahan peramalannya (deviasinya)
Ukuran Akurasi Hasil Peramalan
Kesalahan peramalan = permintaan aktual–nilai peramalan = At-Ft
Perhitungan ini dapat digunakan untuk membandingkan model peramalan yang berbeda, mengawasi peramalan, dan untuk
memastikan peramalan berjalan dengan baik.
perhitungan yang paling terkenal adalah :
1. Deviasi Kesalahan rata-rata ( Mean Absolute Deviation-MAD)
2. Kesalahan mutlak rata-rata (Mean Absolute Error–MAE)
3. kesalahan kuadrat rata-rata (Mean squared error–MSE)
4. Rata-rata kesalahan ramalan (Mean Forecast Error–MFE) yang biasa dikenal dengan BIAS
5. Persentase kesalahan rata-rata secara multak (Mean Absolut Percentage Error –MAPE)
Formulasi Error :
20. 2. Metode kualitatif: (berdasarkan penilaian dan opini)
1. Jury of executives/Penilaian para Eksekutif: pendapat eksekutif tingkat tinggi
2. Sales force composite/Komposit tenaga penjualan: perkiraan dari individu penjualan ditinjau
kewajaran (mungkin cenderung membuat perkiraan), kemudian dikumpulkan.
3. Consumer market survey/Survei pasar konsumen: Menanyakan kepada pelanggan mungkin
memberikan perkiraan terbaik tetapi memang demikian lebih tinggi dalam biaya, sulit untuk diterapkan.
4. Delphi method/Metode Delphi:
(a) Bertanya kepada Panel ahli (Panel of experts queried)
(b) Pakar yang dipilih untuk berpartisipasi harus dari berbagai orang yang berpengetahuan luas berbagai
bidang (keuangan, pemasaran, produksi dll). Mereka tidak diketahui siapa pun, kecuali koordinator.
(c) Melalui kuisioner koordinator memperoleh perkiraan dari semua peserta.
(d) Koordinator merangkum hasil dan mendistribusikannya kembali kepada peserta bersama pertanyaan
baru yang sesuai.
(e) Ringkas lagi dan sempurnakan perkiraan dan kembangkan pertanyaan baru. Perbedaan antara
kualitatif dan kuantitatif
21. Metode Kualitatif Metode Kuantitatif
Digunakan saat situasi tidak jelas Digunakan dalam situasi stabil
sedikit data yang tersedia Data historis tersedia
Produk baru Produk yang sudah ada
Teknologi baru Teknologi saat ini
Melibatkan teknik matematika
Contoh: peramalan baru diperkenalkan
penjualan daring
Contoh: penjualan TV berwarna
Perbedaan antara kualitatif dan kuantitatif Metode Kualitatif
22. Forecasting Management
Overview Metoda Kuantitatif
Naïve approach
Moving average
Weighted moving average
Exponential smoothing
Trend Projection
Error Forecast
- errors-MAD, MSE, MAPE,
23. Naïve approach
Dalam pendekatan naïve forecasting data forecast adalah data actual periode sebelumnya
Berikut contoh perhitungan naïve forecasting
Sales
(Rp. Juta)
Forecast Forecast Error
Absolute Value
of Forecast
Error
Squared
Forecast Error
Percentage
Error
Absolute Value
of Percentage
Error
(Y) (Ŷ) et = Yt - Ŷt [et] et
2
et /Y [et/Y]
1 17
2 21 17 4 4 16 19.05% 19.05%
3 19 21 -2 2 4 -10.53% 10.53%
4 23 19 4 4 16 17.39% 17.39%
5 18 23 -5 5 25 -27.78% 27.78%
6 16 18 -2 2 4 -12.50% 12.50%
7 20 16 4 4 16 20.00% 20.00%
8 18 20 -2 2 4 -11.11% 11.11%
9 22 18 4 4 16 18.18% 18.18%
10 20 22 -2 2 4 -10.00% 10.00%
11 15 20 -5 5 25 -33.33% 33.33%
12 22 15 7 7 49 31.82% 31.82%
Total 5 41 179 1.19% 211.69%
Mean Forecast Error (MFE) = 0.455
Mean Absolute Error (MAE) = 3.727
Mean Squared Error (MSE) = 16.273
Mean Absolute Percentage Error (MAPE) = 0.192
Month 13 forecast = 22
Month
MFE = --------------
∑ et
n - k
MAE = --------------
∑ [ et ]
n - k
MSE = ---------------
∑ et
2
n - k
MAPE = --------------------------
∑ [ (et /Yt) x 100 ]
n - k
24. Moving Average
Proses analisa data statistik yang menangkap perubahan rata-rata dalam rangkaian data dari waktu ke waktu.
Contoh Moving Average 3 Periode atau MA3
Ft = MAn = Σ Ai/n
Sales (Rp.
Juta)
Forecast Forecast Error
Absolute Value
of Forecast
Error (MAD)
Squared
Forecast
Error
Percentage
Error
Absolute Value
of Percentage
Error
(Y) (Ŷ) et = Yt - Ŷt [et] et
2
et /Y [et/Y]
1 39
2 44
3 40
4 45 41 4 4 16 8.89% 8.89%
5 38 43 -5 5 25 -13.16% 13.16%
6 43 41 2 2 4 4.65% 4.65%
7 39 42 -3 3 9 -7.69% 7.69%
8 44 40 4 4 16 9.09% 9.09%
9 40 42 -2 2 4 -5.00% 5.00%
10 42 41 1 1 1 2.38% 2.38%
11 41 42 -1 1 1 -2.44% 2.44%
12 40 41 -1 1 1 -2.50% 2.50%
Total -1 23 77 -5.78% 55.80%
Mean Forecast Error (MFE) = (0.091)
Mean Absolute Error (MAE) = 2.091
Mean Squared Error (MSE) = 7.000
Mean Absolute Percentage Error (MAPE) = 0.051
Month 13 forecast = 41
Month
MFE = --------------
∑ et
n - k
MAE = --------------
∑ [ et ]
n - k
MSE = ---------------
∑ et
2
n - k
MAPE = --------------------------
∑ [ (et /Yt) x 100 ]
n - k
25. Weighted Moving Average
Memberikan bobot actual data sebelumnya untuk melakukan forecast
Contoh menggunakan metoda moving average 4 periode (MA4) dengan pembobotan masing period sbb (Total bobot harus 1):
- Periode ke-4 (0.40), Periode ke-3 (0.30), Periode ke-2 (0.20), Periode ke-1 (0.10)
F5 = 0.40 (Y4) + 0.30 (Y3) + 0.20 (Y2) + 0.10 (Y1) = 41
Sales
(Rp. Juta)
Forecast
Forecast
Error
Absolute
Value of
Forecast
Error
(MAD)
Squared
Forecast
Error
Percentag
e Error
Absolute
Value of
Percentag
e Error
(Y) (Ŷ) et = Yt - Ŷt [et] et
2
et /Y [et/Y]
1 39
2 44
3 40
4 45
5 38 42 -4 4 16 -10.53% 10.53%
6 43 43 0 0 0 0.00% 0.00%
7 39 42 -3 3 9 -7.69% 7.69%
8 44 42 2 2 4 4.55% 4.55%
9 40 41 -1 1 1 -2.50% 2.50%
10 42 42 0 0 0 0.00% 0.00%
11 41 41 0 0 0 0.00% 0.00%
12 40 43 -3 3 9 -7.50% 7.50%
Total -9 13 39 -23.67% 32.76%
Mean Forecast Error (MFE) = (0.818)
Mean Absolute Error (MAE) = 1.182
Mean Squared Error (MSE) = 3.545
Mean Absolute Percentage Error (MAPE) = 0.030
Month 13 forecast = 41
Month
MFE = --------------
∑ et
n - k
MAE = --------------
∑ [ et ]
n - k
MSE = ---------------
∑ et
2
n - k
MAPE = --------------------------
∑ [ (et /Yt) x 100 ]
n - k
26. Exponential smoothing
• Kecepatan penyesuaian ramalan terhadap kesalahan ditentukan oleh smoothing constant α.
• Semakin mendekati nilai α ke nol, semakin lambat forecast akan merespon error semakin smoothing.
• Semakin dekat nilai α ke 1.00 , semakin besar forecast akan merespon error less smoothing.
• Smoothing artinya nilai kurang bervariasi smooth curve
• Contoh Data menggunakan nilai α = 0.20 Ft = Ft-1 + α (At-1 – Ft-1)
Sales
(Rp. Juta)
Forecast
Forecast
Error
Absolute
Value of
Forecast
Error (MAD)
Squared
Forecast
Error
Percentage
Error
Absolute
Value of
Percentage
Error
(Y) (Ŷ) et = Yt - Ŷt [et] et
2
et /Y [et/Y]
1 17
2 21 17.00 4.00 4.00 16.00 19.05% 19.05%
3 19 17.80 1.20 1.20 1.44 6.32% 6.32%
4 23 18.04 4.96 4.96 24.60 21.57% 21.57%
5 18 19.03 (1.03) 1.03 1.07 -5.73% 5.73%
6 16 18.83 (2.83) 2.83 7.98 -17.66% 17.66%
7 20 18.26 1.74 1.74 3.03 8.70% 8.70%
8 18 18.61 (0.61) 0.61 0.37 -3.38% 3.38%
9 22 18.49 3.51 3.51 12.34 15.97% 15.97%
10 20 19.19 0.81 0.81 0.66 4.05% 4.05%
11 15 19.35 (4.35) 4.35 18.94 -29.01% 29.01%
12 22 18.48 3.52 3.52 12.38 15.99% 15.99%
Total 10.9247763 28.5597296 98.8045374 35.86% 147.43%
= 0.2 Mean Forecast Error (MFE) = 0.993
Mean Absolute Error (MAE) = 2.596
Mean Squared Error (MSE) = 8.982
Mean Absolute Percentage Error (MAPE) = 13.40%
Month 13 forecast = 19.18
Month
MFE = --------------
∑ et
n - k
MAE = --------------
∑ [ et ]
n - k
MSE = ---------------
∑ et
2
n - k
MAPE = --------------------------
∑ [ (et /Yt) x 100 ]
n - k
27. Trend Projection
Metode peramalan bisnis yang berkaitan dengan pergerakan variabel sepanjang waktu. Metode ini membutuhkan data deret waktu
yang panjang. Didasarkan pada asumsi bahwa faktor-faktor yang bertanggung jawab atas tren masa lalu dalam variabel yang akan
diproyeksikan akan terus memainkan peran mereka di masa depan dengan cara yang sama dan pada tingkat yang sama
Year Time Period Sales X
2
XY
(X) (Y)
2001 1 450 1 450
2002 2 495 4 990
2003 3 518 9 1,554
2004 4 563 16 2,252
2005 5 584 25 2,920
Total 15 2,610 55 8,166
2006 6 623
y = a + b x
b =
a =
ў = 522
b = 33.60
a = 421.20
Y6 = 622.80
∑ − 𝑥 𝑦
∑ 2 − 𝑥 2
𝑦 − 𝑥
28. Materi Test
Sales (Rp. Juta) Qty Manpower
(X) (Y)
2011 2.00 1.00
2012 3.00 3.00
2013 2.50 4.00
2014 2.00 2.00
2015 3.50 1.00
Year
Tugas :
1. Bilamana Target Sales Rp. 6 Juta, Berapa Jumlah Manpower yang harus
disiapkan
2. Bila Manpower di siapkan sebanyak 6 Orang berapa forecast penjualan
dengan metoda trend linier