• Tidak ada hasil yang ditemukan

3031e metode peramalan kuantitatif

N/A
N/A
Protected

Academic year: 2017

Membagikan "3031e metode peramalan kuantitatif"

Copied!
37
0
0

Teks penuh

(1)
(2)

METODE KUANTITATIF, MENGGUNAKAN

BERBAGAI MODEL MATEMATIS YANG

MENGGUNAKAN DATA HISTORIES DAN ATAU VARIABLE-VARIABEL KAUSAL UNTUK

(3)

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

(4)

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.

(5)

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

(6)

Biaya

(7)

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.

(8)

Biaya

(9)

Pola data ini terjadi apabila nilai data Berfluktuasi di sekitar nilai rata-rata.

Biaya

(10)

Pola data ini terjadi bila data memiliki kecenderungan untuk naik atau turun terus menerus.

Biaya

(11)

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 yang

diramalkan menunjukkan adanya hubungan sebab akibat dengan satu atau beberapa

(12)

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

(13)

DATA TIME SERIES : DATA DERET WAKTU

(14)

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

(15)

Rata-Rata Bergerak Sederhana (simple

moving averages) : bermanfaat jika

diasumsikan bahwa permintaan pasar tetap stabil :

Rata-rata Bergerak =

Permintaan data n periode sebelumnya

n

(16)

Secara matematis, persamaan moving

average adalah:

F

t = Peramalan untuk periode mendatang

(periode t)

n = Jumlah periode yang dirata-ratakanA t-1= Jumlah aktual periode sebelumnya

(17)

CONTOH :

PERMINTAAN BARANG X ADALAH SEBAGAI BERIKUT

PERTANYAAN : PREDIKSIKAN PERMINTAAN BARANG PADA BULAN KE 4?

BULAN JUMLAH

1 650

2 678

(18)

JAWABAN:

F4 = At-1 + At-2 + At-3 3

F4 = 720 + 678 + 650 3

(19)

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

(20)
(21)

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

(22)
(23)

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).

(24)

At= Permintaan aktualperiode ke-t Ft = Nilai peramalan periode ke-t n = Jumlah periode t

(25)

MAD yang ideal adalah nol (=0),

yang berarti tidak ada kesalahan

peramalan.

Semakin besar hasil nilai MAD,

menunjukkan model yang

(26)

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

(27)

MAD =

(28)

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

(29)

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

(30)

MSE =

(31)

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

(32)

At= Permintaan aktualperiode ke-t Ft = Nilai peramalan periode ke-t n = Jumlah periode t

(33)

BULAN PENJUAL

(34)

MAPE =

(35)

Pada teknik ini dilakukan penghitungan

(36)

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)

(37)

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

Referensi

Dokumen terkait

Metode yang di gunakan untuk mengetahui kebutuhan energi pada gardu induk sungai raya ini menggunakan Metode Time Series dengan menggunakan waktu sebagai

Salah metode dalam analisis data runtun waktu adalah dengan menggunakan system peramalan Fuzzy Time Series, system ini menangkap pola dari data yang telah lalu

Metode yang digunakan untuk lagkah model fuzzy table look-up scheme adalah: (1) mendefinisikan himpunan fuzzy dari data runtun waktu ( time series) menggunakan

Metode yang digunakan untuk lagkah model fuzzy table look-up scheme adalah: (1) mendefinisikan himpunan fuzzy dari data runtun waktu (time series) menggunakan fungsi keanggotaan

Tingkat kesalahan dari hasil peramalan permintaan daging sapi nasional menggunakan metode multifactors high order fuzzy time series model diperoleh nilai AFER

Sehingga digunakanlah metode fuzzy time series, dimana metode fuzzy time series tersebut merupakan gabungan konsep logika fuzzy dengan peramalan time series yang dapat menyelesaikan

Analisis data time series dapat dilakukan untuk melakukan perkiraan data time series, apabila sudah mempunyai hasil pencatatan dan pengamatan dalam periode tertentu, periode waktu

Analisis Data Runtun Waktu Untuk Peramalan Penjualan Sepeda Motor Di Indonesia Menggunakan Metode Fuzzy Time Series Dengan Logika Cheng Dan Fuzzy Time Series Dengan Logika Ruey Chyn