Peramalan Bisnis Metode Evaluasi Peramalan

9 tahap proses peramalanPenentuan tujuan peramalan Pemilihan teori yang relevan Pengumpulan DataAnalisis dataPengestimasian model sementara Evaluasi model dan revisi modelPenyajian ramalan sementara kepada manajer Pembuatan revisi finalPendistribusian hasil peramalan dan pemantauan

Penentuan Pola Data

Pola horisontal (H) terjadi bilamana data berfluktuasi disekitar nilai rata-rata yg konstan. Suatu produk yg penjualannya tidak meningkat atau menurun selama waktu tertentu termasuk jenis ini. Pola khas dari data horizontal atau stasioner seperti ini dapat dilihat dalam Gambar 1.1.Pola musiman (S) terjadi bilamana suatu deret dipengaruhi oleh faktor musiman (misalnya kuartal tahun tertentu, bulanan, atau hari-hari pada minggu tertentu). Penjualan dari produk seperti minuman ringan, es krim, dan bahan bakar pemanas ruang semuanya menunjukkan jenis pola ini. Untuk pola musiman kuartalan dapat dilihat Gambar 1.2.Pola siklis (C) terjadi bilamana datanya dipengaruhi oleh fluktuasi ekonomi jangka panjang seperti yang berhubungan dengan siklus bisnis. Contoh: Penjualan produk seperti mobil, baja, dan peralatan utama lainnya. Jenis pola ini dapat dilihat pada Gambar 1.3.Pola trend (T) terjadi bilamana terdapat kenaikan atau penurunan sekuler jangka panjang dalam data. Contoh: Penjualan banyak perusahaan, GNP dan berbagai indikator bisnis atau ekonomi lainnya. Jenis pola ini dapat dilihat pada Gambar 1.4.

Gambar Pola Data

Metode Mengevaluasi Peramalan

Mean ErrorMean Absolute ErrorMean Percentage ErrorMean Absolute Percentage ErrorMean Squared ErrorRoot-Mean- Squared ErrorTheils UMean ErrorMetode ini didapat dengan cara menjumlahkan nilai error lalu membaginya dengan banyak data

ME=(At Ft)/nMean Absolute Error atau Mean Absolute DeviationAkurasi peramalan akan tinggi apabila nilai-nilai MAD, mean absolute percentage error, dan mean squared error semakin kecil. MAD merupakan nilai total absolut dari forecast error dibagi dengan data. Atau yang lebih mudah adalah nilai kumulatif absolut error dibagi dengan periode.

Mean Percentage Error Dalam statistik, Mean Percentage Error (MPE) adalah rata-rata yang dihitung dari kesalahan persentase di mana peramalan model yang berbeda dari nilai yang sebenarnya dari kuantitas menjadi peramalan.

Mean Absolute Percentage Errorpengukuran akurasi dari metode untuk membangun nilai-nilai time series dipasang dalam statistik, khususnya di estimasi trend. Ini biasanya mengekspresikan akurasi sebagai persentase

Mean Squared ErrorDalam statistik, Mean Squared Error (MSE) sebuah estimator adalah nilai yang diharapkan dari kuadrat error. Error yang ada menunjukkan seberapa besar perbedaan hasil estimasi dengan nilai yang akan diestimasi. Perbedaan itu terjadi karena adanya keacakan pada data atau karena estimator tidak mengandung informasi yang dapat menghasilkan estimasi yang lebih akurat

Root Mean Squared Error The Root Mean Squared Error (RMSE) (juga disebut root mean square deviation, RMSD) adalah ukuran yang sering digunakan dari perbedaan antara nilai-nilai yang diprediksi oleh model dan nilai-nilai benar-benar diamati dari lingkungan yang sedang dimodelkan. Perbedaan-perbedaan individual juga disebut residu, dan RMSE berfungsi untuk agregat mereka menjadi ukuran tunggal daya prediksi.

Theils USuatu metode evaluasi ketepatan ramalan yang membandingkan antara metode peramalan formal dengan pendekatan naif dan juga mengkuadratkan kesalahan yang terjadi sehingga kesalahan yang besar diberikan lebih banyak bobot daripada kesalahan yang kecil. Karakteristik positif yang ditimbulkan dalam menggunakan statistik u dari Theil sebagai ukuran ketepatan adalah mengenai interpretasi yang intuitif.StatistikU dari Theil dapat lebih dimengerti dengan memeriksa interpretasinya, yaitu: - U = 1 : Metode Naif sama baiknya dengan teknik peramalan formal yang dievaluasi. - U < 1 : Teknik peramalan formal yang digunakan adalah lebih baik daripada metode Naif. Makin kecil nilai statistik U, makin baik teknik peramalan formal dibanding metode naif secara relatif. -U > 1 : Tidak ada gunanya menggunakan metode naif akan menghasilkan ramalan yang lebih baik.

Contoh KasusSuatu Perusahaan membuat laporan penjualan sepatu kulit selama setahun (selama tahun 2011). Perusahaan tersebut ingin memperkirakan berapa penjualan sepatu kulit pada bulan pertama tahun 2012? Gunakan Metode Naive Model.

Jawablah dengan Metode Naive, angka pada tanda tanya tersebutLalu mencari tingkat error yang paling rendahME (Mean Error)MAE (Mean Absolute Error)MPE (Mean Persentage Error)MAPE (Mean Absolute Persentage Error)MSE (Mean Square Error)RMSE (Root Mean Square Error)Theils U

Contoh tingkat error dengan nave satu dengan ME dan MSE

Nilai Error itu didapatkan dengan cara mengurangi A-Nave. Setelah itu kita melakukan evaluasi peramalan dengan rumus yang telah dijelaskan diatas.