Escolar Documentos
Profissional Documentos
Cultura Documentos
PENDAHULUAN
PEMBAHASAN
1. Metode Pemulusan.
Dalam model peramalan pemulusan eksponensial, apabila forecast error adalah
positif, yang berarti nilai aktual permintaan lebih tinggi daripada nilai ramalan (A-F > 0),
maka model pemulusan eksponensial akan secara otomatis meningkatkan nilai ramalan.
Sebaliknya apabila forecasts error adalah negatif, yang berarti nilai aktual permintaan lebih
rendah daripada nilai ramalan (A-F < 0), maka model pemulusan eksponensial akan secara
otomatis menurunkan nilai ramalan. Proses penyesuaian ini berlangsung terus-menerus,
kecuali apabila forecasts error telah mencapai nol. Kenyataan inilah yang mendorong
peramal (forecaster) lebih suka menggunakan model peramalan pemulusan eksponensial,
apabila pola histories dari data aktual permintaan bergejolak atau tidak stabil dari waktu ke
waktu.
Peramalan menggunakan metode pemulusan eksponensial dilakukan berdasarkan
formula berikut:
Ft = Ft-1 + (At-1 Ft-1)
dimana:
Ft = nilai ramalan untuk periode waktu ke-t
Ft-1 = nilai ramalan untuk satu periode waktu yang lalu
= koefisien pemulusan
At-1 = nilai aktual untuk satu periode waktu yang lalu
Permasalahan umum yang dihadapi apabila menggunakan model pemulusan
eksponensial adalah memilih konstanta pemulusan, , yang diperkirakan tepat. Nilai
konstanta pemulusan dapat dipilih di antara nilai 0 dan 1 karena berlaku 0 < < 1.
Bagaimanapun juga, untuk penetapan nilai yang diperkirakan tepat, dapat digunakan
panduan berikut:
Apabila pola historis dari data aktual permintaan sangat bergejolak atau tidak stabil
dari waktu ke waktu, dipilih nilai = 0,9; namun dapat juga dicoba nilai-nilai lain yang
mendekati satu.
Apabila pola historis dari data aktual permintaan cenderung stabil dari waktu ke
waktu, dipilih nilai = 0,1; namun dapat juga dicoba nilai-nilai yang lain yang mendekati
nol.
Dalam metode ini langkah pertama adalah mencari moving averages, hasilnya ditaruh
pada periode terakhir, kemudian dicari moving averages lagi dari moving averages pertama,
baru kemudian dibuat forecast. Adapun prosedur untuk membuat forecast dengan metode
double moving averages adalah sebagai berikut :
1) Menentukan moving averages yang pertama (Pengestu Subagyo, 2004 : 5)
S = Xt + Xt-1 + + Xt-n+1
n
2) Menentukan moving averages yang kedua (Pengestu Subagyo, 2004 : 5)
St = St + St-1 + + St-n+1
n
single exponential smoothing lebih cocok digunakan untuk meramalkan hal-hal yang
fluktuasoninya secara random (tidak teratur). Untuk membuat forecast dengan metode single
Ft+1= Xt + (1 - ) St
Dalam metode ini nilai bisa ditentukan secara bebas yang bisa mengurangi forecast
error, yaitu antara 0 dan 1.
5. Metode Double Exponential Smoothing.
maramalkan data yang mengalami kecenderungan trend naik. (Pengestu Subagyo, 2004 : 8).
Dalam metode ini dilakukan proses smoothing dua kali, adapun prosedur untuk membuat
St = Xt + (1 - )St-1
St = St + (1 - )St-1
3) Menentukan konstanta
at = 2St St
4) Menentukan slope
bt = 1 ( ")
5) Menentukan forecast
Ft+m = at + btm
6. Metode ARIMA.
ARIMA (Autoregressive Integreated Moving Average) pertama kali dikembangkan
oleh George Box dan Gwilym Jenkins untuk pemodelan analisis deret waktu. ARIMA
mewakili tiga pemodelan yaitu dari autoregressive model (AR), moving average (MA), serta
autoregressive dan moving average model (ARMA). Tahapan pelaksanaan dalam pencarian
metodenya yaitu :
Metode diidentifikasi menggunakan autokorelasi dan parsial autokorelasi
Metode ditafsir dan diestimasi menggunakan data masa lalu dengan menggunakan
metode kuadrat terkecil atau metode Cramer.
Pengujian dilakukan untuk mendapatkan metode yang layak dipakai untuk
penerapan peramalan.
Penerapan, yaitu peramalan nilai data deret berkala yang akan datang menggunakan
metode yang telah diuji.
7. Metode AR.
Penentuan koefisien autokorelasi parsial digunakan untuk mengukur tingkat
kedekatan antara Xt dan Xt-k apabila pengaruh dati time lag 1,2,...,k. [4]. Tujuan penggunaan
koefisien autokorelasi parsial dalam analisis data deret berkala adalah untuk membantu
penetapan metode ARIMA yang tepat untuk peramalan, khususnya untuk menentukan ordo p
dari model AR (p). Berikut ini merupakan rumus dari AR:
Xt = + 1Xt-1 + 2Xt-2 + + pXt-p + et
Keterangan:
tX : data ke-t.
: nilai suatu konstanta.
j: parameter autoregresif ke-j.
et : nilai error pada saat ke-t.
8. Metode ARMA.
Pada Metode ARMA ordo p dan q (AR(p) dan MA(q)) adalah gabungan antara
Autoregressive Model (AR) dan Moving Average (MA). Berikut ini merupakan rumus dari
ARMA:
Xt = + 1Xi-1 + 2Xt-2 + + pXt-n
, + et 1et-1 2et-2 - - qet-q
Keterangan:
Xt : data ke-t. '
: nilai konstan.
j : parameter autoregresif ke-j. te : nilai error pada saat ke-t.
j: parameter moving average ke j.