PEMILIHAN TEKNIK PERAMALAN DAN PENENTUAN KESALAHAN PERAMALAN

A. Teknik-teknik Peramalan

Faktor utama yang mempengaruhi pemilihan teknik peramalan adalah identifikasi dan mengetahui pola dari data. Beberapa teknik peramalan yang dapat digunakan

1. Teknik peramalan untuk data stasioner Data stasioner dapat didefinisikan data yang nilai rata-ratanya tidak berubah dari waktu ke waktu atau dapat dikatakan data bersifat stabil. Seperti situasi yang berkembang ketika ada peningkatan pola data yang mempengaruhinya maka teknik ini akan relatif stabil. Teknik peramalan stasioner digunakan jika data stabil, lingkungan yg berpengaruh relatif tetap Misalnya angka kerusakan perminggu pada pemasangan bagian-bagian perakitan mesin memiliki rata-rata produksi yang sama, kumpulan penjualan produk atau layanan dalam perkembangan proses kehidupan dan jumlah hasil penjualan dari tingkat usaha yang konstan. butuh model yang sangat sederhana karena keterbatasan data, atau memudahkan dalam penjelasan dan pelaksanaan Contoh: ketika bisnis atau organisasi itu baru dan hanya sedikit data historis yang tersedia adanya asumsi tertentu sehingga data menjadi lebih stabil Contoh: mengganti pendapatan ke pendapatan perkapita atau mengganti penjualan dolar ke jumlah dolar konstan. adanya transformasi data sehingga menjadi stabil Contoh: mentransformasi rangkaian dengan menggunakan logaritma, akar kuadrat atau pembedaan.

Kelompok 2

Metode Peramalan 2011

 data adalah himpunan eror dari teknik peramalan yang dianggap cukup baik (memadai). Teknik yang bisa digunakan Nave Simple averaging Moving average Autoregressive moving average (ARMA)

2. Teknik peramalan untuk data trend Rangkaian Trend ditandai dengan adanya kecenderungan arah data bergerak naik (growth) atau turun (decline) pada jangka panjang. Dengan kata lain runtun waktu dikatakan mempunyai Trend jika nilai rata-ratanya berubah sewaktuwaktu sehingga diharapkan untuk menambah atau mengurangi selama periode untuk ramalan yang mana yang diinginkan. Teknik peramalan untuk data trend digunakan jika daya produksi yang meningkat atau kemajuan teknologi yang mendorong perubahan gaya hidup (misal: permintaan barang elektronik) Contoh: permintaan komponen elektronik, yang meningkat dengan adanya komputer dan pemakaian jalan kereta api yang menurun karena adanya pesawat terbang. pertambahan jumlah penduduk yang mendorong pada permintaan barang dan jasa. Contoh: pajak penjualan barang-barang konsumsi, permintaan konsumsi energi, dan penggunaan bahan mentah. daya beli dolar yang mempengaruhi perekonomian( inflasi ) Contoh: gaji,biaya produksi dan harga penerimaan pasar meningkat. Contoh: periode pertumbuhan dalam putaran produk baru. Teknik yang bisa digunakan Moving average

Kelompok 2

Metode Peramalan 2011

 Holt linear exponential smoothing Simple regression Growth curve Exponential Autoregressive integrated moving average

3. Teknik peramalan untuk data musiman Rangkaian musiman didefinisikan sebelumnya sebagai runtun waktu dengan pola pergantian yang berulang dari tahun ke tahun. Satu cara untuk mengembangkan peramalan musiman melibatkan pemilihan metode dekomposisi perkalian atau pembagian dan kemudian mengestimasi indeks musiman dari sejarah / histori rangkaian. Indeks ini kemudian digunakan untuk memasukkan musiman pada ramalan atau menghilangkan efek dari nilai yang diobservasi. Proses terakhir diarahkan sebagai pengaturan data musiman. Teknik peramalan untuk data musiman digunakan jika musim mempengaruhi variabel minat Contoh: konsumsi yang berhubungan dengan listrik, kegiatan musim panas dan musim dingin (seperti olaharaga: ski), pakaian, musim tanam. kalender tahunan (hari libur, hari besar) mempengaruhi variabel minat Contoh: penjualan tiket masuk obyek wisata dipengaruhi musim libur, 3 hari liburan, dan kalender sekolah. Teknik yang bisa digunakan Clasical decomposition Census X-12 Winters exponential smoothing Multiple regression Autoregressive integrated moving average

4. Teknik peramalan untuk data siklis Efek siklis didefinisikan sebelumnya sebagai fluktuasi bergelombang disekitar Trend. Pola siklis sulit untuk dimodelkan karena pola mereka secara tipikal tidak stabil/ tetap. Fluktuasi seperti gelombang yang naikturun disekitar

Kelompok 2

Metode Peramalan 2011

Trend jarang terulang di interval waktu yang tetap dan besarnya fluktuasi cenderung bervariasi. Metode dekomposisi dapat diperluas untuk menganalisis data siklis. Akan tetapi, karena sifat yang tidak teratur dari siklus,penganalisaan komponen siklis dari rangkaian sering memerlukan penemuan kejadian yang kebetulan atau kepemimpinan indikator ekonomi. Teknik peramalan untuk data siklis digunakan jika putaran bisnis mempengaruhi variabel minat Contoh : ekonomi, pasar dan faktor persaingan. adanya pergantian selera,mode, dll Contoh : fashion,musik,makanan,dll. terjadinya perubahan dalam penduduk. Contoh : perang, kelaparan, wabah penyakit dan bencana alam adanya pergantian siklus produk Contoh : pengenalan, pertumbuhan, kematangan dan kejenuhan pasar, dan penurunan. Teknik yang bisa digunakan Clasical decompotition Economic indicator Econometrics model Multiple regression ARIMA

Pengkategorian pemilihan teknik peramalan untuk suatu data tertentu dapat dilihat pada Tabel 1.

Kelompok 2

Metode Peramalan 2011

Tabel 1. Pemilihan teknik peramalan

Method Nave Simple averages Moving averages Exponential smoothing Linear exponential smoothing Quadratic exponential smoothing Seasonal exponential smoothing Adaptive filtering Simple regression Multiple regression Classical decomposition Exponential trend model S-curve fitting Gompertz model Growth curves Census X-12 Box-Jenkins Leading indicators Econometric models Time series multiple regression Keterangan: Pola data Jangka waktu Tipe model Musiman Variabel Pattern of data ST.T.S ST ST ST T T Time horizon S S S S S S Type of model TS TS TS TS TS TS Minimal data requirements Nonseasonal 1 30 4-20 2 3 4 Seasonal

S S T C,S S T T T T S ST,T,C,S C C T,S

S S I I S I,L I.L I.L I,L S S S S I,L

TS TS C C TS TS TS TS TS TS TS C C C 10 10 10 10 24 24 30

2xs 5xs 10 10 x V 5xs

6xs 3xs

6xs

: ST = Stasioner ; T = Trend ; S=Musiman ; C=Siklis. : S = singkat (kurang dari 3 bulan) ; I= menengah ; L= panjang. : TS = runtun waktu ; C = casual ( lepas ) : s = panjang musiman : V, jumlah variabel

B. PENGUKURAN KESALAHAN PERAMALAN

Sebuah notasi matematika dikembangkan untuk menunjukkan periode waktu yang lebih spesifik karena metode kuantitatif peramalan sering kali memperlihatkan data runtun waktu. Huruf Y akan digunakan untuk menotasikan sebuah variabel runtun

Kelompok 2

Metode Peramalan 2011

waktu meskipun ada lebih dari satu variabel yang ditunjukkan. Periode waktu bergabung dengan observasi yang ditunjukkan sebagai tanda. Oleh karena itu, Yt menunjukkan nilai dari runtun waktu pada periode waktu t. Notasi matematika juga harus dikembangkan untuk membedakan antara sebuah nilai nyata dari runtun waktu dan nilai ramalan. akan diletakkan di atas sebuah nilai untuk mengindikasi bahwa hal tersebut sedang diramal. Nilai ramalan untuk Yt adalah t . Ketepatan dari teknik peramalan sering kali dinilai dengan membandingkan deret asli Y1 , Y2 , dengan deret nilai ramalan 1 ,2 ,

NOTASI DASAR PERAMALAN

Notasi peramalan dapat diringkas sebagai berikut: Yt t : nilai data time series pada periode t : nilai ramalan dari Yt

= : sisa atau kesalahan ramalan. Beberapa metode lebih ditentukan untuk meringkas kesalahan (error) yang dihasilkan oleh fakta (keterangan) pada teknik peramalan. Sebagian besar dari pengukuran ini melibatkan rata-rata beberapa fungsi dari perbedaan antara nilai aktual dan nilai peramalannya. Perbedaan antara nilai observasi dan nilai ramalan ini sering dimaksud sebagai residual. Persamaan di bawah ini digunakan untuk menghitung error atau sisa untuk tiap periode peramalan. = Dimana : et : error ramalan pada periode waktu t. Yt : nilai aktual pada periode waktu t. t : nilai ramalan untuk periode waktu t. Satu metode untuk mengevaluasi metode peramalan menggunakan jumlah dari kesalahan-kesalahan yang absolut. The Mean Absolute Deviation (MAD) mengukur ketepatan ramalan dengan merata-rata kesalahan dugaan (nilai absolut

Kelompok 2

Metode Peramalan 2011

masing-masing kesalahan). MAD paling berguna ketika orang yang menganalisa ingin mengukur kesalahan ramalan dalam unit yang sama sebagai deret asli.

1 =

| |
=1

The Mean Squared Error (MSE) adalah metode lain untuk mengevaluasi metode peramalan. Masing-masing kesalahan atau sisa dikuadratkan. Kemudian dijumlahkan dan dibagi dengan jumlah observasi. Pendekatan ini mengatur kesalahan peramalan yang besar karena kesalahan-kesalahan itu dikuadratkan. Suatu teknik yang menghasilkan kesalahan moderat mungkin lebih baik untuk salah satu yang memiliki kesalahan kecil tapi kadang-kadang menghasilkan sesuatu yang sangat besar. Berikut ini rumus untuk menghitung MSE :

1 =

( )2
=1

Ada kalanya persamaan ini sangat berguna untuk menghitung kesalahankesalahan peramalan dalam bentuk presentase daripada jumlah. The Mean Absolute Percentage Error (MAPE) dihitung dengan menggunakan kesalahan absolut pada tiap periode dibagi dengan nilai observasi yang nyata untuk periode itu. Kemudian, meratarata kesalahan persentase absolut tersebut. Pendekatan ini berguna ketika ukuran atau besar variabel ramalan itu penting dalam mengevaluasi ketepatan ramalan. MAPE mengindikasi seberapa besar kesalahan dalam meramal yang dibandingkan dengan nilai nyata pada deret. Metode MAPE digunakan jika nilai Yt besar. MAPE juga dapat digunakan untuk membandingkan ketepatan dari teknik yang sama atau berbeda dalam dua deret yang sangat berbeda dan mengukur ketepatan nilai dugaan model yang dinyatakan dalam bentuk rata-rata persentase absolut kesalahan. MAPE dapat dihitung dengan rumus sebagai berikut:

1 =

=1

| |

Kelompok 2

Metode Peramalan 2011

Ada kalanya perlu untuk menentukan apakah suatu metode peramalan bias (peramalan tinggi atau rendah secara konsisten). The Mean Percentage Error (MPE) digunakan dalam kasus ini. MPE dihitung dengan mencari kesalahan pada tiap periode dibagi dengan nilai nyata untuk periode itu. Kemudian, merata-rata kesalahan persentase ini. Jika pendekatan peramalan tak bias, MPE akan menghasilkan angka yang mendekati nol. Jika hasilnya mempunyai presentase negatif yang besar, metode peramalannya dapat dihitung. Jika hasilnya mempunyai persentase positif yang besar, metode peramalan tidak dapat dihitung. MPE dapat dihitung dengan rumus sebagai berikut:

1 =

=1

( )

Bagian dari keputusan untuk menggunakan teknik peramalan tertentu melibatkan penentuan apakah teknik ini akan menghasilkan kesalahan peramalan yang dinilai cukup kecil. Metode khusus yang digunakan dalam peramalan meliputi perbandingan metode mana yang akan menghasilkan kesalahan-kesalahan ramalan yang cukup kecil. Metode ini baik untuk memprediksi metode peramalan sehingga menghasilkan kesalahan ramalan yang relatif kecil dalam dasar konsisten.

Fungsi keempat ukuran ketepatan peramalan adalah sebagai berikut:

a) Membandingkan ketepatan dua atau lebih metode yang berbeda. b) Sebagai alat ukur apakah teknik yang diambil dapat dipercaya atau tidak. c) Membantu mencari sebuah metode yang optimal

Berikut ini contoh yang menggambarkan bagaimana cara menghitung ukuran kesalahan. Tabel 2 menunjukkan data jumlah pelanggan harian yang mensyaratkan perbaikan kerja,Yt , dan sebuah ramalan data tersebut, t , untuk Carys Chevron station. Metode peramalan yang digunakan pada sejumlah pelanggan yang dilayani
Kelompok 2 8 Metode Peramalan 2011

pada periode sebelumnya sebagai peramalan untuk periode saat ini. Perhitungan berikut digunakan untuk mengevaluasi model ini dengan menggunakan MAD, MSE, MAPE , dan MPE.

Tabel 2. Perhitungan untuk metode evaluasi peramalan

Time t 1 2 3 4 5 6 7 8 9 Customer Yt 58 54 60 55 62 62 65 63 70 Forecast t 58 54 60 55 62 62 65 63 Total -4 6 -5 7 0 3 -2 7 12

error et 4 6 5 7 0 3 2 7

| et |

et2

| et | / Y t

et / Y t

16 36 25 49 0 9 4 49 188

0.074 0.1 0.091 0.l13 0 0.046 0.032 0.1 0.556

-0.074 0.1 -0.091 0.113 0 0.046 -0.032 0.1 0.162

34

1 =

=
=1

34 = 4.3 8

1 =

=1

188 = 23.5 8

1 =

=1

0.556 = = 0.0695 6.95% 8

1 =

=1

( ) 0.162 = = 0.0203(2.03%) 8

MAD mengindikasikan bahwa masing-masing ramalan disimpangkan oleh rata-rata 4.3 pelanggan. MSE = 23.5 dan MAPE = 6.95% akan dibandingkan dengan MSE dan MAPE untuk metode lain yang digunakan untuk meramalkan data ini. MPE kecil yaitu 2.03% mengindikasikan bahwa teknik ini tidak bias. Karena hasilnya mendekati nol, teknik ini tidak selamanya konsisten atau mengabaikan jumlah pelanggan yang dilayani tiap harinya.
Kelompok 2 9 Metode Peramalan 2011

C. PENENTUAN KECUKUPAN TEKNIK PERAMALAN

Sebelum meramal dengan suatu teknik tertentu kecukupannya perlu dievaluasi. Peramal harus menjawab pertanyaan berikut ini 1. apakah koefisien korelasi dari residual indikatif dari deret random? Pertanyaan ini dapat dijawab dengan memeriksa fungsi autokorelasi untuk residual. 2. apakah residual mendekati distribusi normal? Pertanyaan ini dapat dijawab dengan menganalisa histogram dari residual atau plot normal. 3. apakah semua estimasi parameter mempunyai rasio t yang signifikan? 4. apakah teknik mudah digunakan dan mudah dipahami untuk membuat kesimpulan? Persyaratan dasar pola residual adalah random diverifikasi dengan memeriksa koefisien korelasi residual. Yang di sana tidak ada koefisien autokorelasi yang signifikan. Contoh : Maggie Trymane, seorang analisis di Sears, ditugaskan untuk melakukan operasi peramalan untuk 2001. Dia mengambil data dari tahun 1955-2000 yang ditunjukkan pada Tabel 3. Pertama,Maggie mencoba meramal data menggunakan five-month moving average. Residual, selisih antara data aktual dengan data ramalan dihitung dan disimpan. Koefisien korelasi untuk residual ini disajikan pada Gambar 1. Suatu pemeriksaan dari koefisien autokorelasi mengindikasikan keduanya tidak sama dengan nol, r1 = 0.77 dan r2 = 0.63. Koefisien autokorelasi yang signifikan mengindikasikan beberapa pola pada residual. Selanjutnya, fungsi autokorelasi sendiri mempunyai pola menurun. Dengan memeriksa 10 autokorelasi sebagai suatu kelompok, statistik Q untuk 10 lag pertama adalah 72.26, jauh lebih besar di atas variabel chi-square dengan derajat bebas 10 dan =0.05 yaitu 18.3. Hipotesis bahwa 10 autokorelasi pertama konsisten untuk deret random jelas ditolak pada taraf 5%. Karena salah satu persyaratan dasar untuk suatu teknik peramalan adalah memberikan residual atau eror yang random. Maggie menjudge bahwa five-month moving average tidak cukup.

Kelompok 2

10

Metode Peramalan 2011

Tabel 3. Data Maggie Tahun Yt 1955 1956 1957 1958 1959 1960 1961 1962 1963 1964 1965 1966 3307 3556 3601 3721 4036 4134 4268 4578 5093 5716 6357 6769 Tahun 1967 1968 1969 1970 1971 1972 1973 1974 1975 1976 1977 1978 Yt 7296 8178 8844 9251 10006 10991 12306 13101 13639 14950 17224 17946 Tahun 1979 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 Yt 17514 25195 27357 30020 35883 38828 40715 44282 48440 50251 53794 55972 Tahun 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 Yt 57242 52345 50838 54559 34925 38236 41296 41322 41071 40937

Fungsi autokorelasi untuk MA residual

1.0 0.8 0.6

Autocorrelation

0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0 1 2 3 4 5 Lag 6 7 8 9 10

Gambar 1. Fungsi autokorelasi untuk five-month moving average

Kelompok 2

11

Metode Peramalan 2011

Fungsi autokorelasi untuk Holt residual

1.0 0.8 0.6

Autocorrelation

0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0 1 2 3 4 5 Lag 6 7 8 9 10

Gambar 2. Fungsi autokorelasi untuk Holt residual Sekarang Maggie mencoba menggunakan Holts linear exponential smoothing. Fungsi autokorelasi untuk deret residual yang dilakukan dengan teknik ini ditunjukkan pada Gambar 2. Pemeriksaan koefisien autokorelasi

mengindikasikan bahwa hanya lag 3 yang mempunyai koefisien korelasi 0.34 tidak sama dengan nol ( pada taraf 5% ). Statistik Q untuk 10 waktu lag juga diperiksa. Nilai LBQ = 7.63 pada output minitab kurang dari nilai chi-square dengan derajat bebas 8 dan = 5% yaitu 15.5 (pada kasus ini derajat bebas sama dengan jumlah lag yang diuji dikurangi jumlah parameter pada model linear exponential smoothing yang telah disesuaikan dengan data). Meskipun residual autokorelasi pada lag 3 bisa dikatakan besar, sebagai suatu kelompok 10 lag pertama residual autokorelasi tidak seperti itu untuk suatu deret random yang lengkap. Maggie memutuskan untuk menggunakan Holts linear exponential smoothing sebagai model yang

mungkin untuk meramalkan pendapatan operasi pada tahun 2001 untuk Sears.

D. Kesimpulan 1. Beberapa teknik yang dapat digunakan a) teknik yang dapat digunakan untuk data stasioner adalah Nave, Simple averaging,Moving average, Autoregressive moving average (ARMA).

Kelompok 2

12

Metode Peramalan 2011

b) teknik yang dapat digunakan untuk data trend adalah Moving average, Holt linear exponential smoothing, Simple regression, Growth curve, Exponential, Autoregressive integrated moving average. c) teknik yang dapat digunakan untuk data musiman adalah Clasical decomposition, Census X-12, Winters exponential smoothing, Multiple regression, Autoregressive integrated moving average. d) teknik yang dapat digunakan untuk data siklis adalah Clasical decompotition, Economic indicator, Econometrics model, Multiple regression, ARIMA.

2. Ada empat ukuran peramalan sebagai berikut a) Mean Absolute Deviation (MAD) MAD digunakan untuk mengukur ketepatan nilai dugaan model yang dinyatakan dalam bentuk rata-rata absolute kesalahan. b) Mean Squared Error (MSE) MSE digunakan untuk mengukur ketepatan nilai dugaan model yang dinyatakan dalam rata-rata kuadrat dari kesalahan c) Mean Absolute Percentage Error (MAPE) MAPE digunakan untuk mengukur ketepatan nilai dugaan model yang dinyatakan dalam bentuk rata-rata persentase absolute kesalahan

d) Mean Percentage Error MPE digunakan untuk menentukan metode peramalan mana yang bias (peramalan tinggi atau rendah). Jika peramalan mendekati tak bias, MPE akan menghasilkan angka yang mendekati nol. 3. Semakin kecil nilai-nilai MAPE, MAD, MSE, MPE maka semakin kecil nilai kesalahannya. Oleh karena itu, dalam menetapkan model yang akan digunakan dalam peramalan, pilihlah model dengan nilai MAPE, MAD, MSE, MPE yang paling kecil. 4. Fungsi MAD, MSE, MAPE, MPE adalah sebagai berikut: a) Membandingkan ketepatan dari dua atau lebih metode yang berbeda. b) Sebagai alat ukur apakah teknik yang diambil dapat dipercaya atau tidak. c) Membantu mencari sebuah model optimal.
Kelompok 2 13 Metode Peramalan 2011

DAFTAR PUSTAKA

Hanke, John E.1992. Business Forecasting.Edisi ke-8. New Jersey: Pearson Education International. Santoso, Singgih.2009.Business Forecasting Metode Peramalan Bisnis Masa Kini dengan Minitab dan SPSS, PT Elex Media Komputindo, Jakarta. http://ririez.blog.uns.ac.id/

Kelompok 2

14

Metode Peramalan 2011