Metode Peramalan

1

Metode peramalan

Kuantitatif

Metode serial waktu

Rata-rata bergerak

Sederhana

Tertimbang

Pemulusan Eksponensial

Tunggal

Linear

MusimanDekomposisi

Metode Eksplanatori

Regresi Sederhana

Regresi berganda

Kualitatif

Pendapat Eksekutif

Metode Delphi

Gab. Estimasi Salesman

Riset Pasar

2

Metode Kuantitatif

3

Metode Serial Waktu

• Adalah metode yg digunakan untuk menganalisis serangkaian data yg merupakan fungsi dari waktu.

4

Komponen Deret Waktu

• → Y = T * C * S * I• Y = variabel tak bebas• T = trend sekuler• C = pergerakan siklus• S = fluktuasi musiman• I = variasi acak

5

Moving Average

• Metode yang banyak digunakan untuk menentukan trend dari suatu deret waktu:

• MA sederhana:

MAn= n

At-n + … At-2 + At-1

6

Contoh Simple MA

7

Weighted Moving Averages

• Metode rata-rata bergerak tertimbang memprediksi dengan cara memberikan bobot kepada data n periode sebelumnya, kemudian membaginya dengan jumlah bobot.

• Bobot terbesar diberikan ke data 1 (satu) periode sebelumnya

8

Weighted Moving Averages

Misal: Untuk mendapatkan angka perkiraan dengan menggunakan metode rata-rata bergerak tertimbang n bulan, maka perkiraan data berikutnya adalah:

9

WMA =∑ (bobot untuk periode n) * (permintaan dalam periode n)

∑ bobot

Cara memberikan bobot:

Misal terdapat data permintaan seperti dalam tabel, untuk prediksi permintaan pada bulan Mei, maka pembobotannya adalah sebagai berikut :

Sehingga:

Bulan Permintaan

Bobot Periode

Januari 20

Pebruari 24 1 3 bln lalu

Maret 21 2 2 bln lalu

April 19 3 bln lalu

Mei ?

Perkiraan Mei =(3 x 19) + (2 x 21) + (1 x 24)

= 20,53 + 2 + 1

Metode Exponential Smoothing

• metode ini lebih efisien dibandingkan dengan metode moving average,

• Metode penghalusan eksponensial ini memerlukan data yang lebih sedikit dibandingkan dengan metode rata-rata bergerak, dan karena itu merupakan metode peramalan jangka pendek yang banyak dipergunakan dalam praktek.

11

Metode Single Exponential Smoothing

v

Bln PermtForecast

α = 0.10 α = 0,50 α = 0.901234…12

20211917…19

-20.0020.1019.99

…20.61

-20.0020.5019.75

…21.82

-20.0020.9019.19

…22.07 12

Metode Single Exponential Smoothing

Bulan Permintaan Forecast

α = 0.10 α = 0,50 α = 0.90JanuariFebruariMaretAprilMeiJuniJuliAgustusSeptOkt.Nov.Des.

202119172224182120232219

-20,0020,1019,9919,6919,9220,3320,1020,1920,1720,4520,61

- -

13

Bulan Permintaan a = 0.10

Forecast Error Absolute error (Error)2

JanuariFebruariMaretApril…Des.

20211917…19

-20.0020.1019.99

…20.61

-1.00-1.10-2.99

…-1.61

-1.001.102.99…

1.61

-1.001.218.94…

2.59

Bulan Permintaan a = 0.50

Forecast Error Absolute error (Error)2

JanuariFebruariMaretApril…Des.

20211917…19

-20.0020.5019.75

…21.82

-1.00-1.50-2.75

…-2.82

-1.001.502.75…

2.82

-1.002.257.56…

7.95 14

• Mean absolute error ?• Nilai error yang kecil mempunyai tingkat kesalahan yang

paling kecil sehingga forecastnya lebih tepat.

15

Metode Pemulusan Eksponensial Linear

3

342312 XXXXXX

16

Contoh

17

• Metode penghalusan eksponensial dengan konstan alfa dan beta cocok dipakai jika data permintaan memiliki fluktuasi yang cukup tinggi.

• Apabila variasi permintaan tinggi, maka sebaiknya menggunakan nilai alfa () yang cukup besar dan jika variasi itu kecil, atau permintaan relatif konstan, maka nilai alfa () relatif kecil.

• Kontanta ( ) berguna untuk melakukan penghalusan variasi akibat pengaruh trend, sedang konstanta ( β ) untuk menghaluskan pengaruh deviasi antara permintaan aktual dengan ramalannya.

18