2.7.4 Metode-Metode Peramalan yang Digunakan Dalam Time Series
Metode yang digunakan dalam peramalan diantaranya yaitu : 1.
Metode Simple Moving Average Adalah metode Time Series yang paling sederhana. Pada metode ini
diasumsikan bahwa pola time series hanya terdiri dari komponen Average Level dan komponen Random Error.
Menurut Teguh Baroto, 2002 rumusnya sebagai berikut :
m f
f f
f f
M t
t t
t
.. ..........
3 2
1 1
Keterangan : m = adalah jumlah periode yang digunakan sebagai dasar peramalan nilai m ini bila minimal 2 dan maksimal
tidak ada ditentukan secara subjektif. = ramalan permintaan real untuk periode t.
t
f
= permintaan aktual pada periode t.
t
f 2.
Metode Weighted Moving Average Model peramalan Time Series dalam bentuk lain dimana untuk mendapatkan
tanggapan yang lebih cepat, dilakukan dengan cara memberikan bobot lebih pada data-data periode yang terbaru dari pada periode yang terdahulu.
Menurut Teguh Baroto, 2002 rumusnya sebagai berikut :
m t
m t
f c
f c
f c
t f
2 1
2 1
1
Keterangan : = ramalan permintaan real untuk periode t
t f
= permintaan aktual pada periode t ft
1
c
= bobot masing-masing data yang digunakan ,
ditentukan secara subjektif
1 c
m = jumlah periode yang digunakan untuk peramalan subjektif
3. Metode Exponential Smoothing
Adalah salah satu jenis metode peramalan Time Series yang didasarkan pada asumsi bahwa angka rata-rata baru dapat diperoleh dari angka rata-rata lama
dan data demand yang terbaru. Ada beberapa metode yang dikelompokkan dalam metode exponential
smoothing, yaitu : a.
Single Simple Exponential Smoothing b.
Double Exponential Smoothing c.
Exponential Smoothing With Linear Trend d.
Double Exponential Smoothing With Linear Trend
a. Single Simple Exponential Smoothing
Menurut Teguh Baroto, 2002 rumusnya sebagai berikut :
1
1
t t
t
f f
f
Keterangan : = perkiraan pada periode t
t
f
= suatu nilai 0 1 yang ditentukan secara subjektif
= permintaan aktual pada periode t f
= perkiraan permintaan pada periode t-1
1
t
f
b. Exponential Smoothing With Linier Trend
Merupakan sekelompok metode yang menunjukkan pembobotan menurun secara exponential terhadap nilai observasi yang lebih tua disebut sebagai
prosedur pemulusan smoothing exponential. Seperti halnya dengan rata - rata bergerak, metode pemulusan smoothing exponential terdiri atas
tunggal, ganda dan metode yang lebih rumit semuanya mempunyai sifat yang sama, yaitu nilai yang lebih baru diberi bobot yang relatif lebih besar
dibanding nilai observasi lebih lama Bentuk persamaan yang digunakan dalam menghitung ramalan dengan pemulusan exponential.
F
T + 1
= X
t
+
1 - F
t
Metode ini banyak mengurangi masalah penyimpanan data, karena tidak perlu lagi menyimpanan semua data historis atau sebagian dari padanya.
Cara lain untuk menuliskan peramalan diatas adalah dengan susunan sebagai berikut :
F
t+ m
= F
t
+ et
Dimana et adalah kesalahan ramalan nilai sebenarnya dikurangi ramalan. Makridakis, 1995.
c. Metode Double Exponential Smoothing
Menurut Teguh Baroto, 2002 rumusnya sebagai berikut : F’
t
= a + a
1
t + e
t
Dimana a , a
1
, adalah parameter proses dan e mempunyai nilai harapan dari 0. Misalnya
= 1- , sehingga :
Ft =
1 t
i t
i t
i
f f
Double exponential smoothing adalah modifikasi dari exponential smoothing, yang dirumuskan sebagai berikut :
X
t [2]
= X
t
+ X
[2] t-1
Keterangan : X
t [2]
= F’
t
= peramalan double exponential smoothing = faktor smoothing dan
=1- X
t
= F
t
d. Metode Double Exponential Smooting With Linier Trend
Peramalan dengan menggunakan metode exponential smoothing yang linier dapat dilakukan dengan perhitungan yang hanya membutuhkan 3
tiga buah nilai data dan 1 satu nilai pendekatan ini juga memberikan
timbangan bobot yang menurun untuk data atau observasi yang lebih lama. Dasar demikian dari pemulusan exponential smoothing yang linier
adalah serupa dengan rata-rata bergerak linier, karena kedua nilai pemulusan baik tunggal maupun ganda terdapat pada waktu sebelum data
sebenarnya, bila pada data itu ada trend. Disamping itu untuk menyesuaikan trend, maka nilai-nilai pelicin tunggal ditambahkan nilai-
nilai pelicin ganda. Persamaan yang dipakai dalam implementasi pemulusan exponential yang
linier adalah : S’
t
= X
1
+ 1 - S’
t-1
S”
t
= X
1
+ 1 - S”
t-1
Dimana S’
t
adalah nilai exponential smoothing tunggal dan S’
t
adalah exponential ganda.
a
t
= S’
t
+
t S
S
2S’
t
– S’
t
b
t
=
1
t S
t S
F
t-m
= a
t
+ b
t.
m Dimana m adalah periode ke depan yang diramalkan. Makridakis, 1995
4. Metode Regresi Trend Linier
Regresi linier adalah suatu pola hubungan yang berbentuk garis lurus antar suatu variabel yang diramalkan dengan satu variabel yang mempengaruhinya
atau variabel bebas. Dalam analisa deret waktu time series ini variabel bebasnya adalah waktu. Pola hubungan yang ditunjukkan dengan analisa
regresi mengasumsikan bahwa hubungan diantara dua variabel dapat dinyatakan dalam suatu garis lurus seperti yang terlihat pada Gambar 2.28.
Gambar 2.28 Model Garis Regresi Trend Linier
Y = a + b X Y
X
Rumus yang digunakan dalam metode ini adalah : Y = a + b X
a = n
Yi
- b n
Xi
b =
2 2
Xi Xi
n Yi
Xi Yi
Xi n
Dimana Y adalah variabel yang diramalkan, X adalah Variabel waktu, serta a dan b adalah parameter atau koefisien regresi. Makridakis, 1995
2.7.5 Ukuran Akurasi Hasil Peramalan
Kategori