METODE KUANTITATIF, MENGGUNAKAN
BERBAGAI MODEL MATEMATIS YANG
MENGGUNAKAN DATA HISTORIES DAN ATAU VARIABLE-VARIABEL KAUSAL UNTUK
Peramalan kuantitatif hanya dapat digunakan apabila terdapat tiga kondisi sebagai berikut:
Adanya informasi tentang keadaan yang lain. Informasi tersebut dapat dikuantifikasikan
dalam bentuk data.
Dapat diasumsikan bahwa pola yang lalu
Prosedur umum yang digunakan dalam peramalan kuantitatif adalah:
1. Definisikan tujuan peramalan. 2. Pembuatan diagram pencar.
3. Pilih minimal dua metode peramalan yang dianggap sesuai.
4. Hitung parameter – parameter fungsi peramalan.
5. Hitung kesalahan setiap metode peramalan. 6. Pilih metode yang terbaik, yaitu yang memiliki
kesalahan terkecil.
Empat komponen utama yang mempengaruhi analisis ini, yaitu :
a. Pola Siklis (Cycle)
Komponen siklis ini sangat berguna dalam peramalan jangka menengah.
Pola data ini terjadi bila data memiliki
Biaya
Perkataan musim menggambarkan pola penjualan yang berulang setiap periode.
Komponen musim dapat dijabarkan ke dalam faktor cuaca, libur, atau kecenderungan
perdagangan.
Pola musiman berguna dalam meramalkan penjualan dalam jangka pendek.
Biaya
Pola data ini terjadi apabila nilai data Berfluktuasi di sekitar nilai rata-rata.
Biaya
Pola data ini terjadi bila data memiliki kecenderungan untuk naik atau turun terus menerus.
Biaya
Metode Peramalan Kuantitatif dapat
dikelompokkan dua jenis :
(1)
model seri waktu / metode deret berkala
(time series)
metode yang dipergunakan untuk menganalisis serangkaian data yang merupakan fungsi dari waktu,(2)
model / metode kausal (causal/explanatory
model),
mengasumsikan variabel yangdiramalkan menunjukkan adanya hubungan sebab akibat dengan satu atau beberapa
ANALISIS TIME SERIES MERUPAKAN HUBUNGAN
ANTARA VARIABEL YANG DICARI (DEPENDENT) DENGAN VARIABEL YANG MEMPENGARUHI-NYA (INDEPENDENT VARIABLE), YANG DIKAITKAN
DENGAN WAKTU SEPERTI MINGGUAN, BULAN, TRIWULAN, CATUR WULAN, SEMESTER ATAU TAHUN.
PERAMALAN TIME SERIES : PERAMALAN
BERDASARKAN PERILAKU DATA MASA LAMPAU UNTUK DIPROYEKSIKAN KE MASA DEPAN
DATA TIME SERIES : DATA DERET WAKTU
A. SIMPLE MOVING AVARAGE
UNTUK MENGATASI MASALAH MENGGUNAKAN
RATA-RATA SEDERHANA (SIMPLE AVERAGE)
TEKNIK MOVING AVERAGE MENGHASILKAN
PERKIRAAN MASA DEPAN DENGAN RATA-RATA PERMINTAAN SEBENARNYA HANYA UNTUK N PERIODE WAKTU TERAKHIR(N SERING PADA KISARAN 4 - 7).
SETIAP DATA YANG LEBIH DARI N, MAKA
DIABAIKAN.
NILAI YANG DIPILIH UNTUK N HARUS MENJADI
Rata-Rata Bergerak Sederhana (simple
moving averages) : bermanfaat jika
diasumsikan bahwa permintaan pasar tetap stabil :
Rata-rata Bergerak =
∑ Permintaan data n periode sebelumnya
n
Secara matematis, persamaan moving
average adalah:
F
t = Peramalan untuk periode mendatang(periode t)
n = Jumlah periode yang dirata-ratakan A t-1= Jumlah aktual periode sebelumnya
CONTOH :
PERMINTAAN BARANG X ADALAH SEBAGAI BERIKUT
PERTANYAAN : PREDIKSIKAN PERMINTAAN BARANG PADA BULAN KE 4?
BULAN JUMLAH
1 650
2 678
JAWABAN:
F4 = At-1 + At-2 + At-3 3
F4 = 720 + 678 + 650 3
PERMINTAAN LAPTOP DI KOTA MALANG ADALAH SEBAGAI BERIKUT
PERTANYAAN : PREDIKSIKAN PERMINTAAN BARANG PADA BULAN KE 6?
BULAN JUMLAH
1 820
2 775
3 680
4 655
Dari laporan pesanan barang selama 10 bulan perusahaan A sebagai berikut :Perusahaan A
menginginkan menghitung suatu rata-rata bergerak 3 bulanan dengan bobot 50 % untuk data bulan Oktober, 33% untuk data bulan september dan 17 % untuk data bulan Agustus.
Bobot-bobot tersebut mencerminkan keinginan perusahaan bahwa
Error = Riil – Ramalan
Ada 3 perhitungan, yaitu:
1. Deviasi Rata-rata Absolut (Mean Absolute Deviation– MAD).
2. Kesalahan Rata-rata Kuadrat (Mean Squared Error– MSE).
At= Permintaan aktualperiode ke-t Ft = Nilai peramalan periode ke-t n = Jumlah periode t
MAD yang ideal adalah nol (=0),
yang berarti tidak ada kesalahan
peramalan.
Semakin besar hasil nilai MAD,
menunjukkan model yang
BULAN PENJUALAN FORECASTING ERROR
4 655 758.33 -103.33 103.33 5 620 703.33 -83.33 83.33 6 600 651.67 -51.67 51.67 7 575 625.00 -50.00 50.00
MAD =
Merupakan selisih kuadrat antara nilai yang diramalkan dan yang diamati
At= Permintaan aktualperiode ke-t Ft = Nilai peramalan periode ke-t n = Jumlah periode t
BULAN PENJUAL
4 655 758.33 -103.33 103.33 10677.78 5 620 703.33 -83.33 83.33 6944.44 6 600 651.67 -51.67 51.67 2669.44 7 575 625.00 -50.00 50.00 2500.00
MSE =
Masalah yang terjadi dengan MAD dan MSE
adalah bahwa nilai kesalahan tergantung pada besarnya unsur yang diramal, jika
unsurnya dalam satuan ribuan, maka nilai kesalahan bisa menjadi sangat besar.
MAPE digunakan untuk menghindari masalah
tersebut, yang dihitung sebagai rata-rata
diferensiasi absolut antara nilai yang diramal dan aktual, yang dinyatakan dalam
At= Permintaan aktualperiode ke-t Ft = Nilai peramalan periode ke-t n = Jumlah periode t
BULAN PENJUAL
MAPE =
Pada teknik ini dilakukan penghitungan
Ft= At-1+ At-2+….+ At-n n
F’t= F’t -1+ F’t -2+….+ F’t -n n
at = 2Ft- F’t
bt = 2 (Ft- F’t) n-1
Ŷt+p= at+ bt(p)
Bulan (t) Omzet
(Yt) Moving Ave. 3t(Ft)
Double Moving
Average (F’t) Nilai at Nilai bt
Forcast a+b(p);
p=1 Juni 2011 131 – – – – –
Juli 2011 130 – – – – –
Agustus 2011 125 1,286,666,667 – – – –
September 2011 126 127 – – – –
Oktober 2011 129 1,266,666,667 1,274,444,444 1,258,889 -0,77778 –
Nopember 2011 132 129 1,275,555,556 1,304,444 1,444,444 1,251,111
Desember 2011 130 1,303,333,333 1,286,666,667 132 1,666,667 1,318,889
Januari 2012 132 1,313,333,333 1,302,222,222 1,324,444 1,111,111 1,336,667
Februari 2012 139 1,336,666,667 1,317,777,778 1,355,556 1,888,889 1,335,556
Maret 2012 137 136 1,336,666,667 1,383,333 2,333,333 1,374,444
April 2012 137 1,376,666,667 1,357,777,778 1,395,556 1,888,889 1,406,667
Mei 2012 140 138 1,372,222,222 1,387,778 0,777778 1,414,444
Juni 2012 143 140 1,385,555,556 1,414,444 1,444,444 1,395,556
Juli 2012 143 142 140 144 2 1,428,889
Agustus 2012 141 1,423,333,333 1,414,444,444 1,432,222 0,888889 146
September 2012 143 1,423,333,333 1,422,222,222 1,424,444 0,111111 1,441,111
Oktober 2012 148 144 1,428,888,889 1,451,111 1,111,111 1,425,556
Nopember 2012 152 1,476,666,667 1,446,666,667 1,506,667 3 1,462,222
Desember 2012 152 1,506,666,667 1,474,444,444 1,538,889 3,222,222 1,536,667