Kegunaan metode moving average

Pengertian, Kegunaan dan sifat-sifat peramalan (peramalan) DEFINISI, PERDAGANGAN SIFAT-SIFAT (RAMALAN), PENGERTIAN REGRESI DAN KORELASI peramalan (peramalan) Pengertian Peramalan PeramalanPerkiraan (Peramalan) Peramalan adalah meramalkan, memproyeksikan, atau dilaksanakan perkiraaan taksiran terhadap berbagai kemungkinan yang akan Terjadi sebelum suatu rancana yang lebih pasti bisa dilakukan. Peramalan (peramalan) adalah seni dan ilmu untuk tujuan di masa depan. Hal ini dapat dilakukan dengan menggunakan data historis dan memproyeksikannya ke masa mendatang dengan model matematis. Hal ini bisa juga merupakan pediksi intuisi yang sedang subjektif. Hal ini pun bisa dilakukan dengan menggunakan kombinasi model matematis yang disesuakan dengan pertimbangan yang baik dari seorang manajer. Setelah mengenal beberapa teknik peramalan, anda akan melihat tidak ada satu metode tunggal yang paling unggul. Sesuatu yan berjalan dengan baik di suatu perusahaan pada suatu kondisi tertentu mungkin bisa menjadi bencana bagi organisasi lain, bahkan pada departemen yang berada di perusahaan yang sama. Selain itu, anda akan melihat dari apa yang dapat anda harapkan dari suatu peramalan. Hanya sedikit bisnis yang dapat menghindari proses peramalan dan hanya menunggu apa yang terjadi untuk kemudian mengambil kesempatan. Perencanaan yang efektif baik untuk jangka panjang maupun pendek tergantung pada peramalan permintaan untuk produk perusahaan. Peramalan (Peramalan), merupakan kegiatan memprediksi nilai variabel yang bersangkutan dari variabel tersebut atau variabel yang berhubungan. Ada dua macam metode. Metode kualitatif hanya menggunakan intuisi saja, tanpa menggunakan pendekatan matematis atau statistik. Situasi, kondisi, dan pengalaman sangat baik hasil ramalan. Metode kuantitatif dapat dibedakan menjadi dua cara yaitu metode kausal dan metode time series. Metode kausal sebagai variabel dari variabel yang lain. Metode waktu hanya. Kegunaan Peramalan Data ramalan digunakan sebagai barang, bukan merupakan angka atau bilangan yang harus digunakan begitu saja. Penggunaannya masih butuh sanggahan dari para pemakai. Hal ini disebabkan oleh karena hasil ramalan biasanya dibangun atas dasar asas-as, kalau keadaan tidak berubah seperti waktu sebelumnya. Peramalan Deret Waktu Deret waktu dibangun pada urutan titik tengah 8211 titik data yang berada dalam jarak waktu tertentu (minggu, bulanan, kuartalan, dan lain 8211 lain). Meramalkan deret data waktu yang tepat untuk masa depan saja hanya dari masa lalu dan variabel lain yang mungkin sangat bermanfaat. Menganalisis deret waktu berarti membagi data masa lalu menjadi komponen 8211 komponen 8211 komponen, kemudian memproyeksikannya ke masa depan. Deret waktu memiliki empat komponen yaitu: 1. Pola tren adalah pergerakan data sedikit demi sedikit naik atau menurun. Perubahan pendapatan, populasi, penyebaran umur, atau pandangan budaya dapat mempengaruhi pergerakan tren. 2.Pola data musiman adalah pola data yang berulang pada kurun waktu tertentu, seperti hari, mingguan, atau kuartal. 3.Pola data Siklus adalah pola dalam data yang terjadi setiap beberapa tahun. Siklus ini biasanya terkait pada siklus bisnis dan merupakan satu hal penting dalam analisis dan perencanaan bisnis jangka pendek. Memprediksi siklus bisnis 4.Pola data variasi acak Merupakan satu titik khusus dalam data yang disebabkan oleh peluang dan situasi yang tidak lazim. Variasi acak tidak memiliki pola khusus sehingga tidak dapat di prediksi. Metode Pemulusan Eksponensial Penghalusan Eksponensial merupakan metode peramalan rata 8211 rata bergerak dengan pembobotan yang canggih, tapi masih mudah digunakan. Metode ini menggunakan pencatatan dan masa lalu yang sangat sedikit. Bentuk umum dari metode pemulusan eksponensial: Ft Ft - 1 a (Pada 8211 1 Ft82111) Ft peramalan baru Ft-1 peramalan sebelumnya Konstanta penghalusan (pembobotan) (0 a 1) At-1 Permintaan aktual periode lalu. Konsepnya tidak rumit. Prediksi terakhir untuk permintaan sama dengan prediksi lama, disesuaikan dengan sebagian deferensiasi permintaan aktual periode lalu dengan prediksi lama. 1.Single Eksponensial smoothing Metode penghalusan eksponensial orde satu sebenarnya merupakan perkembangan dari metode rata-rata bergerak (moving average) sederhana. Metode peramalan (peramalan) karena sederhana, efisian di dalam perhitungan dan perubahan ramalan, mudah disesuaikan dengan perubahan data, dan metode ketelitian ini cukup besar. 2.Double Eksponensial smoothing Metode ini akan menyesuaikan tren faktor yang ada pada pola data. Dipopulerkan oleh C. C. Holt (1957), model ini menambahkan faktor pertumbuhan (growth factor) atau faktor trend (trend factor) pada persamaan dasar dari smoothing. 3.Triple Exponential smoothing Metode ini merupakan perluasan dari metode holt. Dipopulerkan oleh musim dingin, model ini menambahkan faktor musiman pada persamaan dasar dari smoothing. Hanya beda dengan dua metode Exponential smoothing yang lalu, pada metode winter ada dua cara menghitung peramalan, secara acak atau secara multiplikatif, disini akan digunakan cara multiplikatif. 2.3.2. Menghitung Kesalahan Peramalan Seorang perencana pasti menginginkan hasil ramalan yang tepat atau paling tidak bisa memberikan gambaran yang paling mendekati rencana yang dibuatnya adalah rencana yang realistis. Ketepatan atau ketelitian inilah yang menjadi kriteria kinerja dengan metode peramalan. Ketepatan atau ketelitian ini dapat diterima sebagai kesalahan dalam peramalan. Kesalahan yang kecil memberikan arti ketelitian peramalan yang tinggi, dengan kata lain keakuratan hasil peramalan tinggi, begitu pula sebaliknya. Ada beberapa perhitungan yang biasa digunakan untuk membandingkan model peramalan yang berbeda, mengawasi peramalan, dan untuk peramalan dengan baik. Tiga dari perhitungan yang paling terkenal adalah: 1.1. Deviasi Mutlak Rerata (Mean Absolute Deviation 8211 MAD) 2.2. Kesalahan Kuadrat Rerata (Mean Square Error 8211 MSE) 3.3. Kesalahan Persen Mutlak Rerata (Mean Absolute Persentase Kesalahan - MAPE) Sifat-Sifat Peramalan sifat-sifat peramalan Peramalan yang Subyektif: Peramalan yang dibangun atas perasaan (instuisi) dari orang yangusunnya. Peramalan yang Obyektif: Peramalan yang dibangun atas data 8211 data pada masa lalu dengan menggunakan metode 8211 dalam penganalisaan data tersebut. Peramalan Kualitatif: Peramalan yang dibangun atas data kualitatif pada masa lalu, hasil peramalan tergantung pada orang yangusunnya. Peramalan Kuantitatif: Peramalan yang dibangun atas data kuantitatif pada masa lalu, hasilnya bergantung pada metode yang digunakan. REGRESI DAN KORELASI Regresi adalah suatu alat ukur yang juga dapat digunakan untuk mengukur ada atau tidaknya isi antarvariabel. SEDANGKAN Korelasi adalah teknik analisis yang termasuk dalam salah satu teknik pengukuran (hubungan asosiasional) .3.1. Defenisi Peramalan (Peramalan) Peramalan atau ramalan ini merupakan suatu fungsi bisnis yang memungkinkan penjualan dan pengunaan produk jadi produk-produk itu dapat dibuat dalam kuantitas yang tetap (Gaspersz, 2001). Tujuan dari peramalan adalah untuk menentukan jumlah permintaan produk pada masa yang akan datang. Adapun kegunaan dari peramalan adalah (Hendra Kusuma, 2001): 1. Menentukan besar perluasan pabrik 2. Menentukan rencana kerja yang ada dan dibuat dengan fasilitas yang ada. 3. Untuk menentukan rencana jangka pendek. 3.1.1 Macam-macam Peramalan Ada berapa jenis peramalan yang digunakan. Adapun tipe-tipe dalam peramalan adalah sebagai berikut (Jay Heizer, 2005): 1. Times Series Model Metode time series adalah metode peramalan secara kuantitatif dengan menggunakan waktu sebagai dasar peramalan. 2. Causal Model Metode peramalan yang menggunakan hubungan sebab-akibat sebagai asas, yaitu apa yang terjadi di masa lalu akan terulang pada saat ini. 3. Judgemental Model Bila deret waktu dan model kausal bertumpu pada kuantitatif, pada judgmental mencakup untuk faktor faktor-faktor kuantitatif ke dalam metode peramalan. Secara khusus berguna bilamana faktor-faktor subjektif yang diharapkan sangat penting bilamana data kuantitatif yang akurat sudah menghasilkan. 3.1.2 Klasifikasi Peramalan Klasifikasi peramalan merupakan identitas dari peramalan itu sendiri. Peramalan memiliki dua rahasia peramalan sebagai berikut (Jay Heizer, 2005): 1. Peramalan berdasarkan teknik penyelesaiannya, yang terdiri dari: a. Teknik peramalan secara kualitatif Peramalan yang sedang aktif, kata ahli, metode penelitian. Bertujuan untuk mengirim semua informasi yang tidak terkait dengan faktor. Beberapa teknik kualitatif yang sering digunakan adalah: b) Riset Pasar c) Konsensus Panel d) Prakiraan Visioner f) Perkiraan Manajemen g) Metode Kelompok Terstruktur b. Teknik peramalan secara kuantitatif pada saat data masa lalu cukup tersedia. Beberapa teknik kuantitatif yang sering digunakan: a) Model Time Series 2. Peramalan berdasarkan pengelompokkan horizon waktu: a. Peramalan jangka panjang, yaitu peramalan yang jangka waktu peramalan lebih dari 24 bulan, misalnya peramalan yang diperlukan dalam pengalamannya dengan anggaran produksi. B. Peramalan siang, yaitu peramalan yang jangka waktu peramalan antara 3-24 bulan, misalnya peramalan untuk perencanaan penjualan, perencanaan dan anggaran produksi. C. Peramalan jangka pendek, yaitu peramalan yang jangka waktu peramalan kurang dari 3 bulan, misalnya peramalan dalam pengertian dengan perencanaan pembelian, penjadwalan kerja dan penugasan. Komponen utama yang sedang berkembang masa lampau: a. Kecenderungan Trend (T) d. Kejadian Luar Biasa Peristiwa Tidak menentu (E) 3.2. Metode peramalan yang bisa dihitung dengan metode. Metode. Berikut ini adalah penjabaran dari masing-masing metode. 3.2.1 Metode Weigthed Moving Average (WMA) Metode Weigthed Moving Average atau rata-rata bergerak terbobot ini lebih responsif terhadap perubahan (Gaspersz, 2004). Rumus perhitungan dengan metode WMA: Untuk mengetahui kecepatan dari model peramalan Weigthed Moving Average. Kita bisa mengetahui dengan cara membuat. Model Weigthed Moving Average ini biasanya akan menjadi efektif. Data yang relatif stabil dari waktu ke waktu dan tidak menunjukkan kecenderungan (trend). 3.2.1 Metode Single Exponential Smoothing (SES) Model peramalan ini bekerja hampir sama dengan alat thermostat. Dimana selisih galat ramalan (ramalan kesalahan) adalah positif, yang berarti secara aktual lebih tinggi dari pada ramalan (A8211Fgt0), maka model pemulusan eksponensial akan secara otomatis meningkatkan ramalan. Muhammad muhammad muhammad muhammad muhammad muhammad muhammad muhammad muhammad muhammad muhammad muhammad muhammad muhammad muhammad muhammad muhammad muhammad muhammad muhammad muhammad muhammad muhammad muhammad. Proses ini berlangsung terus - terus, kecuali galat ramalan telah mencapai nol. Kenyataan inilah yang mendorong peramal (peramal) lebih suka menggunakan model peramalan pemulusan eksponensial, data pola aktual data aktual permintaan bergejolak atau tidak stabil dari waktu ke waktu. Rumus perhitungan dengan metode Single Exponential Smoothing (Gaspersz, 2004): F t nilai ramalan untuk periode waktu ke-t F t-1 ramalan untuk satu periode waktu yang lalu, t-1 A t-1 aktual untuk satu periode waktu yang Lalu, t-1 a konstanta pemulusan (smoothing constant) Permasalahan umum yang menggunakan model pemulusan eksponensial adalah memilih konstanta pemulusan a. Yang tepat. Nilai konstanta pemroses bisa dipilih di antara 0 dan 1, karena berlaku: 0 lt a lt 1. untuk menentukan nilai yang tepat, kita bisa menggunakan panduan berikut: 1. Jika pola historis dari data aktual permintaan sangat berbeda atau Tidak stabil dari waktu ke waktu, kita memilih satu yang mendekat satu. Cara memilih satu 0,9 namun pembaca bisa mencoba nilai yang satu, katakanlah: a 0,8 0,95 0,99, dan lain-lain, tergantung pada kecepatan gejolak dari data itu. Semakin bergejolak, sebuah yang dipilih harus semakin tinggi menuju ke satu. 2. Jika pola historis dari data aktual permintaan tidak berfluktuasi atau relatif stabil dari waktu ke waktu, kita memilih nilai yang sedang nol. Yang dipilih nol, katakanlah: a 0,2 0,15 0,05 0,01, dan lain-lain, tergantung pada apa kestabilan dari data itu . Semakin stabil, sebuah yang dipilih harus semakin kecil menuju ke nol. Untuk mengetahui seberapa jauh dari model peramalan berdasarkan pemulusan eksponensial harus menggunakan peta pelacakan dan perbandingan apakah nilai ramalan itu sudah sesuai atau sesuai dengan pola historis dari data aktual permintaan. 3.2.1 Metode Regresi Linier Regresi linier adalah suatu metode populer untuk berbagai macam masalah. Untuk peramalan time series, rumus regresi linier cocok digunakan bila pola data adalah trend. Rumus perhitungan regresi linier adalah sebagai berikut: 3.3. Teori Ukuran Akurasi Peramalan. Berikut ini adalah macam-macam ukuran peramalan berserta penjabarannya (Gaspersz, 2004). 3.3.1 Mean Mutlak Deviasi Rata-rata penyimpangan absolut merupakan penjumlahan kesalahan prakiraan tanpa menghiraukan tanda aljabarnya dibagi dengan banyaknya data yang diamati, yang dirumuskan sebagai berikut: Rata-rata kesalahan kuadrat (kuat, mean square error) menguatkan angka-angka kesalahan besar , Yang lebih kecil dari satu unit. 3.3.2 Mean Absolute Persentase Kesalahan Rata-rata persentase kesalahan kuadrat adalah ukuran ketelitian dengan cara-cara persentase kesalahan absolut, (MAPE) menunjukkan rata-rata kesalahan absolut prakiraan dalam bentuk persentasenya terhadap data aktualnya. Pada setiap peramalan, tracking signal yang digunakan untuk melihat apakah nilai yang dihasilkan berada di dalam atau di luar batas-batasnya dimana sinyal trafik itu bergerak antara -4 sampai 4. Pelacakan sinyal yang memiliki nilai MAD maka akan membuat tampilan bergerak Kisaran berdasarkan MAD tersebut. Peta Moving Range dirancang untuk membandingkan permintaan aktual dengan nilai peramalan. Dengan kata lain, bisa melihat data permintaan aktual dan membandingkannya dengan nilai peramalan pada periode yang sama. Peta yang dikembangkan ke dalam yang akan datang bisa dapat membandingkan data peramalan dengan permintaan aktual. Peta Moving Range digunakan untuk menguji kestabilan sistem sebab-akibat yang sedang berkembang permintaan. Rumus perhitungan peta rentang bergerak adalah sebagai berikut (Jay Hezier, 2005): Pada peta Moving Range jika ditemukan satu titik yang berada di bawah batas pada saat peramalan diverifikasi maka harus ditentukan apakah data harus diabaikan atau dicari peramalan baru. Jika ditemukan sebuah titik yang berada di bawah batas maka harus diselidiki penyebabnya. Penemuan itu mungkin saja membutuhkan penyelidikan yang ekstensif. Jika semua titik berada di dalam batas kendali, diasumsikan itu peramalan permintaan yang dihasilkan sudah cukup baik. Jika ada titik yang berada di luar batas, jelaslah peramalan yang didapat kuran baik dan harus direvisi. Kegunaan peta Moving Range yang pertama kali untuk melakukan verifikasi hasil peramalan Least Square terdahulu. Dalam kasus-hal tersebut, jika memetakan Moving Range menunjukkan keadaan di bawah kendali, maka hal itu berarti ada data yang tidak berasal dari sistem sebab-akibat yang sama dan harus dibuang. Fungsi peramalan pun harus diulangi lagi. Double Moving Average vs Double Exponential Smoothing Sebelumnya telah dibahas mengenai teknik permalan ramalan sederhana single moving average dan single exponential smoothing. Akan semakin banyak ditemui data deret waktu yang memiliki trend linier, oleh karena itu perlu suatu teknik untuk mengatasinya. Teknik permasi sederhana yang bisa mengatasinya yaitu double moving average dan double exponential smoothing. Informasi, sebenarnya banyak banyak teknik ramalan kompleks yang dapat mengatasi masalah tren linier yaitu dengan cara mentransformasikan data agar stasioner kemudian dilakukan teknik ramalan tertentu, seperti ARIMA, ARCHGARCH, dll. Grafik di bawah ini menunjukkan kecenderungan omzet restoran yang memiliki tren meningkat. Double Moving Average Pada teknik ini dilakukan penghitungan rata-rata bergerak sebanyak dua kali kemudian dilanjutkan dengan meramal menggunakan suatu persamaan tertentu. Tabel di atas, pada teknik ini proses mencari rata - rata bergerak dilakukan sebanyak dua kali. Pada kolom Moving Average 3t baris 1 dan 2 kosong, sedangkan baris ketiga adalah rata - rata dari nilai faktual omzet baris 1, 2, dan 3 (jumlah omzet bulan Juni - Agustus 2011 dibagi tiga (131130125) 3 128,667). Baris berikutunya juga dilakukan dengan cara perhitungan yang sama. Selanjutnya pada kolom Double Moving Average. Dilakukan penghitungan rata-rata dengan cara yang sama pada kolom sebelumnya. Namun, pada kolom ini yang menjadi acuan penjumlahan nilai pada kolom moving average 3t dibagi dengan periode moving average. Misalnya, nilai 127.444 pada bulan Oktober 2011 kolom double moving average dari rata-rata pergerakan bulan Juli-Oktober 2011 (128,667127126,667 dibagi 3). Lakukan penghitungan serupa pada baris-baris berikutnya sampai pada baris data terakhir (sebelum periodeyang akan diramalkan). Pada kolom di, lakukan penghitungan dengan rumus di atas. Misalkan, angka 125.88889 pada baris bulan Oktober 2011 kolom pada hasil penghitungan 2 x 126,6667 8211 127,4444. Lakukan juga pada baris-baris berikutnya. Untuk kolom bt, lakukan penghitungan juga berdasarkan rumus di atas. Ingatlah jumlah waktu yang digunakan dalam moving average. Pada kasus ini adalah n yaitu 3. Selanjutnya hitung ramalan forecast menggunakan rumus di atas dengan nilai p1, kami hanya akan meramal sebanyak satu periode kedepan saja (meramal omzet pada bulan Januari 2013). Nilai wajar aktiva dan tingkat bunga. Harga saham penjumlahan pada dan bt bulan Desember 2012 (153,88893,2222 (hal)). Selanjutnya kolom et dan et square digunakan untuk menghitung RMSE. Nilai RMSE yang didapat yaitu 3,8086. Teknik pemulusan eksponensial ganda ini sama dengan teknik double moving average yaitu dua kali dalam melakukan penghitungan. Formula-formula yang digunakan antara lain: pada baris pertama kolom eksponensial smoothing (At) sampai dengan memiliki nilai yang sama dengan nilai omzet faktual bulan Juni 2011, ini merupakan default. Selanjutnya di baris pertama kolom di dihitunga menggunakan rumus di atas, pada omzet bulan Juli 2011 130,600 juta hasil dari (w0,4) dikali nilai omzet faktual bulan Juli 2011 (130) ditambah (1-w0,6) dikali on omzet bulan Juni 2011 (131), atau secara matematis ditulis 0,4 x 130 (1-0,4) x 131 130,600 (juta rupiah). Kemudian lakukan penghitungan serupa pada baris-baris berikut. Setelah itu, lakukan penghitungan double eksponensial smoothing (at) menggunakan rumus di atas. Cara penghitungannya sama dengan eksponensial smoothing (At), tapi melibatkan data hasil penghitungan at. Nilai Pada omzet bulan Juli 2011 (130.840) hasil dari hasil 0,4 x 130,600 (1-0,4) x 131). Begitupun dengan penghitungan pada baris berikutnya sama. Mencari nilai di dan bt sama seperti teknik moving average ganda. Hanya saja pada bt, dikalikan dengan perbandingan penimbang w1-w. Ikuti kompetisi di atas untuk mencari di dan bt. Kemudian, lakuka n peramalan ramalan sesuai rumus yang ada. Hasil ramalan periode t1 yaitu penjumlahan on dan bt (p1) periode t. Nilai p1 karena pada kasus ini hanya ingin dicari ramalan satu periode kedepan. Ramalan omzet bulan Januari 2013 (atdes.2012152,260) (btdes.2011 (p1) 2,024 (1)) 154,2833 (juta rupiah). Kemudian susun RMSE berdasarkan nilai et dan et square. Nilai RMSE dengan metode double eksponensial smoothing yaitu 3,133. Jika dibandingkan antara metode double moving average dan double eksponensial smoothing. Metode yang lebih kecil dari rata - rata RMSE double moving average (3,8086). Demikian, mohon koreksinya demi kehati-hatian isi materi di atas. Sumber lengkapnya dapat dibaca pada Enders, Walter. 2004. Terapan Econometric Time Series Edisi Kedua. New Jersey: Willey. Dan Yulianto, M. A. 2011. Dasar-dasar Operasi Penelitian untuk Pengambilan Keputusan: Edisi Kedua. Jakarta: Sekolah Tinggi Ilmu Statistik.