2. Model Ekonometri
Metode ini didasarkan atas peramalan pada sistem persamaan regresi yang diestimasikan secara simultan. Baik untuk peramalan jangka pendek maupun
untuk jangka panjang, ketepatan peramalan dengan metode ini sangat baik. Data yang dibutuhkan untuk penggunaan metode peramalan ini adalah data
kuartalan beberapa tahun. 3.
Model Output-Input Metode ini dipergunakan untuk menyusun proyeksi trend ekonomi jangka
panjang. Model ini kurang baik ketepatajaringan neuralya untuk peramalan jangka pendek, dan sangat baik ketepatajaringan neuralya untuk peramalan
jangka panjang. Data yang digunakan untuk metode ini adalah data tahunan selama sekitar sepuluh sampai lima belas tahun.
3.8.6. Karekteristik Peramalan yang Baik
8
Sedikitnya ada empat elemen yang disebut sebagai karakteristik peramalan yaitu ketelitian accuracy, biaya cost, respon response dan kesederhanaan
simplicity. 3.
Ketelitian Sasaran pertama dalam peramalan permintaan ialah mendapatkan hasil
peramalan dengan tingkatakurasi yang tinggi. Ada dua ukuran yang digunakan dalam mengevaluasi akurasi peramalan yaitu penyimpangan bias
dan konsistensi consistency. Penyimpangan terjadi apabila hasil peramalan
8
Sinulingga, Sukaria. 2009. Perencanaan dan Pengendalian Produksi. Cetakan Pertama: Graha Ilmu. Yogyakarta. Hal: 110-113
Universitas Sumatera Utara
memperlihatkan secara terus menerus angka yang tinggi atau rendah. Konsistensi berkaitan dengan ukuran atau besarnya error.
4. Biaya
Biaya yang dibutuhkan untuk mengembangkan model peramalan serta menggunakajaringan neuralya serig cukup besar. Makin banyak item yang
akan diramalakan dan makin tinggi tingkat ketelitian yang diinginkan makin besar pula biaya yang dibutuhkan.
3. Respon Sistem peramalan haruslah stabil dalam arti hasil peramalan tidak
memperlihatkan fluktuasi yang bersifat liar karena faktor random yang berlebihan. Pada pihak lain, apabila tingkat permintaan yang sebenarnya
berubah maka peramalan juga harus menunjukkan hasil peramalan yang berubah.
4. Kesederhanaan Metode peramalan yang lebih sederhana selalu lebih diinginkan dibandingkan
dengan metode yang rumit karena akan lebih mudah dirancang, digunakan, dan dipahami. Apabila kesulitan terjadi dengan penggunaan metode yang
sederhana maka akan lebih mudah menelusuri masalah yang terkait serta melakukan perbaikannya. Namun demikina, pilihan yang terbaik ialah harus
seuai dengan sasaran penggunanya.
Universitas Sumatera Utara
3.8.7. Ukuran Akurasi Hasil Peramalan
Ukuran akurasi hasil peramalan yang merupakan ukuran kesalahan peramalan merupakan ukuran tentang tigkat perbedaan antara hasil peramalan
dengan permintaan yang sebenarnya terjadi. Ada empat ukuran yang biasa digunakan, yaitu :
1. Rata-Rata Deviasi Mutlak Mean Absolute Deviation = MAD
MAD merupakan rata-rata kesalahan mutlak selama periode teretntu tanpa memperhatikan apakah hasil peramalan lebih besar atau lebih kecil
dibandingkan dengan kenyataannya. Secara matematis MAD dirumuskan sebagai berikut :
MAD = ∑ |
|
Dimana : A = Permintaan aktual pada periode t
F
t
= Peramalan permintaan Forecast pada periode t n = Jumlah periode peramalan yang terlibat
2. Rata-Rata Kuadrat Kesalahan Mean Square Error = MSE
MSE dihitung dengan menjumlahkan kuadrat semua kesalahan peramalan pada setiap periode dan membaginya dengan jumlah periode peramalan.
Secara matematis, MSE dirumuskan sebagai berikut :
MSE = ∑
3. Rata-Rata Kesalahan Peramalan Mean Forecast Error = MFE
MFE sangat efektif untuk mengetahui apakah suatu hasil peramalan selama periode tertentu terlalu tinggi atau terlalu rendah. Bila hasil peramalan tidak
Universitas Sumatera Utara
bias, maka nilai MFE dihitung dengan menjumlahkan semua kesalahan peramalan selama periode peramalan dan membaginya dengan jumlah periode
peramalan. Secara sistematis MFE dinyatakan sebagai berikut :
MFE = ∑
4. Rata-Rata Persentase Kesalahan Absolut Mean Absolute Persentage Error =
MAPE MAPE merupakan ukuran kesalahan relatif. MAPE biasanya lebih berarti
dibandingkan MAD karena MAPE menyatakan persentase kesalahan hasil peramalan terhadap permintaan aktual selama periode tertentu yang akan
memberikan informasi persentase kesalahan terlalu tinggi atau terlalu rendah. Secara sistematis MAPE dinyatakan sebagai berikut :
MAPE = ∑ |
|
5. Standard Error of Estimate SEE
SEE = √
∑
Dimana : f = Derajat kebebasan
Untuk data Konstan, f = 1 Untuk data Linier, f = 2
Untuk data Kuardatis, f = 3 Untuk data Siklis, f = 3
Universitas Sumatera Utara
3.8.8. Verifikasi Peramalan
