METODE-METODE
PERAMALAN BISNIS
METODE PERAMALAN
BISNIS
DERET WAKTU (Time Series Model):
KUADRATIK
WEIGHT MOVING AVERAGE
EXPONENSIAL SMOOTHING
DERET WAKTU
Deret Waktu atau Metode Constant
untuk Peramalan.
Terdapat 4 pola:
Pola Horizontal
Pola Musiman
Pola Siklis
Pola Horizontal
Pola ini terjadi bila data berfluktuasi
di sekitar rata-ratanya.
Produk yang penjualannya tidak
Pola Musiman
Pola musiman terjadi bila nilai data
dipengaruhi oleh faktor musiman
(misalnya kuartal tahun tertentu,
Pola Siklis
Pola ini terjadi bila data dipengaruhi
oleh fluktuasi ekonomi jangka
Pola Trend
Pola
Trend
terjadi bila ada kenaikan
MOVING AVERAGE
Model rata-rata bergerak menggunakan sejumlah data
aktual permintaan yang baru untuk membangkitkan nilai ramalan untuk permintaan di masa yang akan datang.
metode rata-rata bergerak akan efektif diterapkan
apabila permintaan pasar terhadap produk diasumsikan stabil sepanjang waktu.
Metode rata-rata bergerak terdapat dua jenis, rata-rata
bergerak tidak berbobot (Unweight Moving Averages) dan rata-rata bobot bergerak (Weight Moving Averages).
Model rata-rata bobot bergerak lebih responsif terhadap
EXPONENTIAL
SMOOTHING
Pola data yang tidak stabil atau
perubahannya besar dan bergejolak
umumnya menggunakan model
pemulusan eksponensial (
Exponential
Smoothing Models
).
Metode
Single Exponential Smoothing
lebih cocok digunakan untuk
REGRESI
Model analisis Regresi Linier adalah
suatu metode populer untuk
berbagai macam permasalahan.
Menurut Harding (1974) dua variabel
Rumus Regresi Linier
Keterangan:
Y = hasil
peramalan
n = periode
a = perpotongan
dengan sumbu
tegak
b = menyatakan
slope
atau
UKURAN AKURASI
PERAMALAN
Model-model peramalan yang dilakukan
kemudian divalidasi menggunakan sejumlah
indikator.
Indikator-indikator yang umum digunakan
adalah:
Rata-rata penyimpangan absolut (Mean Absolute
Deviation)
Rata-rata kuadrat terkecil (Mean Square Error) Rata-rata persentase kesalahan absolut (Mean
Absolute Percentage Error)
Mean Absolute Deviation
(MAD)
Metode untuk mengevaluasi metode
peramalan menggunakan jumlah dari
kesalahan-kesalahan yang absolut.
Mean Absolute Deviation
(MAD)
mengukur ketepatan ramalan dengan
merata-rata kesalahan dugaan (nilai
absolut masing-masing kesalahan).
MAD berguna ketika mengukur kesalahan
Mean Square Error
(MSE)
Mean Squared Error (MSE) adalah metode lain
untuk mengevaluasi metode peramalan.
Masing-masing kesalahan atau sisa dikuadratkan.
Kemudian dijumlahkan dan ditambahkan dengan
jumlah observasi.
Pendekatan ini mengatur kesalahan peramalan
yang besar karena kesalahan-kesalahan itu
dikuadratkan.
Metode itu menghasilkan kesalahan-kesalahan
sedang yang kemungkinan lebih baik untuk
Mean Absolute Percentage
Error
(MAPE)
Mean Absolute Percentage Error
(MAPE) dihitung
dengan menggunakan kesalahan absolut pada
tiap periode dibagi dengan nilai observasi yang
nyata untuk periode itu. Kemudian, merata-rata
kesalahan persentase absolut tersebut.
Pendekatan ini berguna ketika ukuran atau besar
variabel ramalan itu penting dalam
mengevaluasi ketepatan ramalan.
MAPE mengindikasi seberapa besar kesalahan
Tracking Signal
Tracking Signal adalah suatu ukuran bagaimana baiknya
suatu peramalan memperkirakan nilai-nilai aktual.
Tracking signal yang positif menunjukan bahwa nilai
aktual permintaan lebih besar daripada ramalan
Sedangkan tracking signal yang negatif berarti nilai
aktual permintaan lebih kecil daripada ramalan.
Tracking signal disebut baik apabila memiliki RSFE yang
rendah, dan mempunyai positive error yang sama
banyak atau seimbang dengan negative error, sehingga pusat dari tracking signal mendekati nol.
Tracking signal yang telah dihitung dapat dibuat peta
Moving Range
(MR)
Peta
Moving Range
dirancang untuk
membandingkan nilai permintaan aktual dengan
nilai peramalan.
Data permintaan aktual dibandingkan dengan
nilai peramal pada periode yang sama.
Peta tersebut dikembangkan ke periode yang
akan datang hingga dapat dibandingkan data
peramalan dengan permintaan aktual.
Peta
Moving Range
digunakan untuk pengujian
kestabilan sistem sebab-akibat yang
