2.2.9. Metode yang Digunakan dalam Time Series
1. Single Exponential Smoothing
Formula untuk metode Single Exponential Smoothing SES adalah Baroto, 2002 :
1
ˆ 1
ˆ
t t
t
f f
f
dimana :
t
fˆ = perkiraan permintaan pada periode t = suatu nilai 0 1 yang ditentukan secara subyektif
t
f = permintaan actual pada periode t
1
ˆ
t
f = perkiraan permintaan pada periode t-1
Metode SES mengasumsikan peramalan permintaan untuk setiap periode ke depan selalu sama.
2. Weighted Moving Average
Formula metode Meighted Moving Average adalah Baroto, 2002 :
m t
m t
t
f c
f c
f c
t f
2 2
1 1
ˆ dimana :
t
fˆ = ramalan permintaan real untuk periode t
t
f = permintaan actual pada periode t
1
c = bobot masing-masing data yang digunakan
1
1
c , ditentukan
secara subyektif m = jumlah periode yang digunakan untuk peramalan subyektif
Pada metode WMA peramalan permintaan untuk setiap periode mendatang diasumsikan sama.
3. Double Exponential Smoothing
Formula metode Double Exponential Smoothing adalah Baroto, 2002 :
t t
e t
a a
F
1
dimana :
1
, a a
o
adalah parameter proses dan e mempunyai nilai harapan dari 0 dan sebuah variasi
2 e
.
Misalkan
1
1 1
2 2
... f
f f
f F
t t
t t
t
Persamaaan diatas dapat pula ditulis ulang sebagai :
1 1
t i
t t
i t
f f
F
Double Exponential Smoothing adalah modifikasi dari Single Exponential Smoothing yang dirumuskan sebagai berikut :
1
2 2
t
X Xt
Xt
dimana :
2
Xt = F’t = peramalan double exponential smoothing
= faktor smoothing dan
1 Xt = Ft
4. Winter’s
Metode peramalan Winter’s digunakan untuk suatu data yang berpola musiman. Baroto,2002
Formulasi untuk metode Winter’s adalah :
t t
C t
a a
t .
1 ,
2.2.10. Pola Permintaan
Dalam peramalan time series perlu diketahui dulu pola komponen time series. Pola permintaan dapat diketahui dengan membuat “Scatter Diagram”, yaitu
pengeplotan data historis selama interval waktu tertentu. Dalam time series terdapat empat jenis pola permintaan Baroto, 2002 :
1. Pola trend
Pola trend adalah bila data permintaan menunjukan pola kecenderungan gerakan penurunan atau kenaikan jangka panjang. Bila data berpola trend,
maka metode peramalan yang sesuai adalah metode regresi linier, single eksponential smoothing atau double eksponential smoothing.
Gambar 2.2 Trend Component Pola Trend 2.
Pola musiman Bila data yang kelihatan berfluktuasi, namun fluktuasi tersebut akan
terlihat berulang dalam suatu interval waktu tertentu, maka data tersebut berpola musiman. Metode peramalan yang sesuai dengan pola musiman
adalah metode winter sangat sesuai, moving average, atau weight moving everage.
Gambar 2.3 Seasonal Component Pola Musiman 3.
Pola siklikal Pola siklikal adalah bila fluktuasi permintaan secara jangka panjang
membentuk pola sinusoid atau gelombang atau siklus. Metode yang sesuai bila data berpola siklikal adalah metode moving average, weigh moving
average, dan eksponential smoothing.
Gambar 2.4 Cyclical Component Pola Siklis 4.
Pola eratikrandom Pola eratik random adalah bila fluktuasi data permintaan dalam jangka
panjang tidak dapat digambarkan oleh ketiga pola lainnya. Fluktuasi permintaan bersifat acak atau tidak jelas. Tidak ada metode peramalan
yang direkomendasikan untuk pola ini. Hanya saja tingkat kemampuan seorang analis peramalan sangat menentukan dalam pengambilan
kesimpulan mengenai pola data.
Gambar 2.5 Random Component Pola Acak
2.2.11. Verifikasi dan Pengendalian Peramalan Moving Range Chart=MRC
Kategori