METODE PERAMALAN KUANTITATIF

1. METODE PERAMALAN KUANTITATIF Pertemuan 4 dan 5

2. Peramalan Kuantitatif Peramalan yang didasarkan atas data kuantitatif pada masa lalu. Hasil peramalan yang dibuat sangat tergantung pada metode yang digunakan. Dengan metode yang berbeda akan diperoleh hasil peramalan yang berbeda.

3. Yang perlu diperhatikan dari penggunaan metode-metode tersebut adalah: Baik tidaknya metode yang dipergunakan sangat ditentukan oleh perbedaan atau penyimpangan antara hasil peramalan dengan kenyataan yang terjadi. Metode yang baik adalah metode yang memberikan nilai-nilai perbedaan atau penyimpangan yang paling sedikit.

4. 3 hal yang diperlukan dalam peramalan kuantitatif, yaitu: Adanya informasi tentang keadaan yang lalu. Informasi tersebut dapat dikuantifikasikan. Dapat diasumsikan bahwa pola yang lalu akan berkelanjutan pada masa yang akan datang.

5. Metode peramalan kuantitatif dibedakan menjadi 2, yaitu: Metode deret waktu (Time Series Methods), yaitu metode peramalan yang didasarkan atas penggunaan analisis pola hubungan antara variabel yang akan diramalkan dengan variabel waktu yang merupakan deret waktu. Misal, metode smoothing, Box-Jenkins, proyeksi trend dengan regresi, dll. Metode sebab akibat (Causal Methods), yaitu metode peramalan yang didasarkan atas penggunaan analisis pola hubungan antara variabel yang akan diramalkan dengan variabel lain yang mempengaruhinya, yang bukan waktu. Misal, metode regresi dan korelasi, metode ekonometri, dsb.

6. 3 MACAM METODE PEMULUSAN: Metode Sederhana (Naïve Model) Digunakan untuk membuat model-model yang sederhana yang menganggap bahwa periode yang baru saja berlalu adalah alat peramalan yang baik untuk meramalkan keadaan di masa datang. Metode Rata-rata (Average Model) Dikembangkan berdasarkan rata-rata bobot pengamatan. Metode Pemulusan (Smoothing Model) Didasarkan pada nilai rata-rata serial data masa lalu secara eksponensial

7. Gambaran peramalan: Periode yang diramalkan Anda disini Data masa lalu t Yt-3, Yt-2, Yt-1 Yt

8. Kaitan Pola Data dengan beberapa Metode Peramalan

9. Metode Sederhana (Naïve Model) model peramalan yang paling sederhana yang menganggap bahwa pengamatan pada periode waktu yang baru saja berlalu adalah alat peramalan yang terbaik untuk meramalkan keadaan di masa datang. 1. Model sederhana untuk data stasioner 2. Model sederhana untuk data trend 3. Model sederhana untuk data musiman

12. Y lag 1 periode

13. Y lag 2 periode

14. Jadi, Dari dua hasil perhitungan Y lag 1 periode dan Y lag 2 periode, terlihat bahwa koefisien otokorelasi dari data time series tersebut mendekati nol setelah 2 periode. Hal ini mengindikasikan bahwa data time series tersebut merupakan data yang stasioner. Catatan: untuk data time series yang tidak stasioner maka koefisien-koefisien tersebut secara signifikan tidak sama dengan nol untuk beberapa periode waktu.

15. Karena data time series penjualan tersebuit diindikasikan merupakan data stasioner, maka: • Peramalan untuk kuartal pertama tahun 1993 adalah Yt+1 (topi) = Yt adalah Y25 (topi) = Y24 = 650 • Kesalahan peramalan yang terjadi pada periode ke-25 adalah e25 = Y25 - Y25 (topi) = 850 – 650 = 200 • Peramalan untuk kuartal kedua tahun 1993 adalah Y26 (topi) = Y25 = 850 • Kesalahan peramalan yang terjadi pada periode ke-26 adalah e26 = Y26 - Y26 (topi) = 600 – 850 = -250 • Dst.

16. Jika dilihat dari gambar grafik titik terlihat bahwa data tidak hanya stasioner tetapi mengikuti suatu trend (penjualan meningkat dari waktu ke waktu) • Sehingga model stasioner perlu dimodifikasi menjadi: • Yt+1 (topi) = Yt + (Yt - Yt-1)

17. Diperoleh hasil peramalan: • Y25 (topi) = Y24 + (Y24 - Y23) • Y25 (topi) = 650 + (650- 400) = 900 • Kesalahan peramalan: • e25 = Y25 - Y25 (topi) = 850 – 900 = -50

18. Bila diamati, data time series penjualan juga terdapat variasi musiman, di aman penjualan pada kuartal keempat umumnya lebih besar dari penjualan pada kuartal-kuartal yang lain. Sehingga, diindikasikan juga bahwa terdapat pola musiman, sehingga model dapat disesuaian, yaitu:

19. Diperoleh hasil peramalan: • Y25 (topi) = 750 + 12,5 = 762,5 • Kesalahan peramalan: • e25 = Y25 - Y25 (topi) = 850 – 762,5 = 87,5

20. Measuring Forecasting Error …  MSE/MSD (mean squared error)  rata-rata kuadrat kesalahan (residual atau error). MAD (mean absolute deviation)  ukuran kesalahan peramalan dalam unit ukuran yang sama dengan data aslinya. MAPE(mean absolute percentage error) persentase kesalahan absolut rata-rata. MPE (mean percentage error) persentase kesalahan rata-rata.

21. Menghitung MSE unt 3 model tsb.

22. Dari hasil tersebut terlihat bahwa: • MSE untuk model stasioner = 29074,1 • MSE unt model trend = 49423,1 • MSE unt model musiman = 7466,03 • Kesimpulan model peramalan terbaik untuk data time series penjualan adalah model sederhana (Naïve model) untuk musiman, karena MSE terkecil.

23. Metode Rata-Rata (Average Methods) 1. Rata-rata Sederhana (Simple Averages) 2.Rata-rata Bergerak (Moving Averages) Untuk data stasioner Untuk data stasioner

24. Metode Rata-rata Sederhana

25. Metode Rata-rata Bergerak