Chapter II Peramalan Jumlah Wisatawan Mancanegara Yang Berkunjung Ke Kota Medan Tahun 2016
27
BAB 2
LANDASAN TEORI
2.1 Pengertian Peramalan
Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa
yang akan datang. Sedangkan ramalan adalah suatu situasi yang diperkirakan akan
datang. Sedangkan ramalan adalah suatu situasi atau kondisi yang diperkirakan
akan terjadi pada masa yang akan datang. Ramalan tersebut dapat didasarkan atas
bermacam-macam cara, diantaranya adalah Metode Smoothing (Pemulusan), Ratarata Bergerak Linier. Metode peramalan merupakan cara untuk memperkirakan
secara kuantitatif apa yang akan terjadi pada masa yang akan datang dengan dasar
kata yang releven pada masa lalu. Dengan kata lain metode peramalan ini
digunakan dalam peramalan yang bersifat objektif.
Peramalan adalah suatu untuk memperkirakan keadaan di masa yang akan
datang melalui pengujian keadaan di masa lalu. Dalam kehidupan sosial segala
sesuatu itu serba tidak pasti, sukar diperkirakan secara tepat. Dalam hal ini perlu
diadakan peramalan. Peramalan yang dibuat selalu diupayakan agar dapat
meminimumkan pengaruh ketidak pastian ini terhadap sebuah permasalahan.
Dengan kata lain peramalan bertujuan mendapatkan peramalan yang bisa
meminimumkan kesalahan meramal (forecat error) yang biasanya diukur dengan
mean squer error, mean absolute error, dan sebagainya.
Kegunaan peramalan terlihat pada saat pengambilan keputusan. Keputusan
yang baik adalah keputusan yang didasarkan atas pertimbangan-pertimbangan
yang akan terjadi pada waktu keputusan itu dilaksanakan.
a. Pengetahuan teknik tentang pengumpulan informasi (data) masa lalu, data
ataupun informasi tersebut bersifat kuantitatif
b. Teknik dan metode yang tetap dan sesuai dengan pola data yang telah
dikumpulkan
Universitas Sumatera Utara
28
Gambaran perkembangan pada masa lalu yang akan datang diperoleh dari
hasil analisa data yang didapat dari penelitian yang telah dilakukan.
Perkembangan pada masa depan merupakan perkiraan apa yang akan terjadi,
sehingga dapat dikatakan bahwa peramalan selalu diperlukan di dalam penelitian.
Ketetapan penelitian merupakan hal yang penting, walaupun demikian perlu
diketahui bahwa sesuatu ramalan selalu ada unsur kesalahannya, sehingga yang
perlu diperhatikan adalah usaha untuk memperkecil kesalahan dari ramalan
tersebut.
2.2 Jenis-Jenis Peramalan
Berdasarkan sifatnya, peramalan dibedakan atas dua macam yaitu:
a. Peramalan kualitatif
Peramalan kualitatif adalah peramalan yang didasarkan atas data kualitatif pada
masa lalu. Hasil peramalan yang dibuat sangat bergantung pada orang yang
menyusunnya. Hal ini penting karena hasil peramalan tersebut ditentukan
berdasarkan pemikiran yang instuisi, pendapatan dan pengetahuan serta
pengalaman penyusunnya.
b. Peramalan Kuantitatif
Peramalan kuantitatif adalah peramalan yang didasarkan atas data kuantitatif
masa lalu. Hasil peramalan yang dibuat sangat bergantung pada metode yang
dipergunakan dalam peramalan tersebut.
Baik tidaknya metode yang digunakan tergantung dengan perbedaan atau
penyimpangan antara hasil ramalan dengan kenyataan yang terjadi. Semakin kecil
penyimpangan antara hasil ramalan dengan kenyataan yang akan terjadi maka
semakin baik pula metode yang digunakan.
Peramalan kuantitatif dapat diterapkan bila terdapat kondisi berikut:
a. Tersedia informasi (data) tentang masa lalu.
b. Informasi (data) tesebut dapat dikuantitatifkan dalam bentuk data numerik.
c. Dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus
berlanjut pada masa yang akan datang.
Universitas Sumatera Utara
29
2.3 Metode Peramalan
2.3.1
Pengertian Metode Peramalan
Metode peramalan adalah suatu cara memperkirakan atau mengestimasi secara
kuantitatif maupun kualitatif apa yang akan terjadi pada masa depan, berdasarkan
data yang relevan pada masa lalu. Kegunaan metode peramalan adalah untuk
memperkirakan secara sistematis dan pragmatis atas dasar data yang relevan pada
masa lalu. Dengan demikian peramalan diharapkan dapat memberikan objektivitas
yang lebih besar.
Metode peramalan memberikan urutan dan pemecahan atas pendekatan
masalah dalam peramalan, sehingga bila digunakan pendekatan yang sama atas
permasalahan, maka akan didapat dasar pemikiran dan pemecahan yang
argumentasinya sama.
2.3.2
Jenis-Jenis Metode Peramalan
Peramalan kuantitatif dibedakan atas:
a. Metode peramalan yang didasarkan atas penggunaan analisa pola
hubungan antar variabel yang diperkirakan dengan variabel waktu
merupakan deret berkala (time series). Metode peramalan termasuk dalam
jenis ini adalah:
1. Metode pemulusan (smoothing).
2. Metode box Jenkins.
3. Metode proyek trend dengan regresi.
b. Metode peramalan yang didasarkan atas penggunaan analisa pola
hubungan antar variabel yang diperkirakan dengan variabel lain yang
mempengaruhinya, yang bukan waktunya disebut dengan metode korelasi
atau sebab akibat (metode kausal). Metode peramalan yang termasuk
dalam jenis ini adalah:
1. Metode Regresi dan Korelasi
2. Metode Ekonometri
3. Metode Input Output
Universitas Sumatera Utara
30
2.4 Metode Pemulusan (Smoothing)
Metode Pemulusan (Smoothing) adalah metode peramalan dengan mengadakan
penghalusan atau pemulusan terhadap data masa lalu yaitu dengan mengambil
rata-rata dari nilai pada beberapa periode untuk menaksir nilai pada suatu periode.
Smoothing dilakukan dengan dua cara yaitu Moving Average atau eksponensial
Smoothing.
2.4.1
Moving Average (Rata-rata bergerak)
Dengan moving averages (rata-rata bergerak) ini dilakukan peramalan dengan
mengambil
sekelompok
nilai
pengamatan,
mencari
rata-ratanya,
lalu
menggunakan rata-rata tersebut sebagai ramalan untuk periode berikutnya. Istilah
rata-rata bergerak digunakan, karena setiap kali data observasi baru tersedia, maka
angka rata-rata yang baru dihitung dan dipergunakan sebagai ramalan.
2.4.1.1 Rata-rata Bergerak Tunggal (Single Moving Average)
Menentukan ramalan dengan metode single moving averages (Spyros Makridakis,
1983:71) cukup mudah dilakukan. Bila akan menerapkan 4 bulan rata-rata
bergerak maka ramalan pada bulan Mei dihitung sebesar rata-rata dari 4 bulan
sebelumnya, yaitu bulan Januari, Februari, Maret, April. Persamaan Matematis
dari teknik ini adalah:
��+1 =
�1 + �2 +⋯+ ��
Keterangan :
�
��+1
: Ramalan untuk periode ke t +1
T
: jangka waktu rata-rata bergerak.
��
(2-1)
: Nilai riil periode ke t
Universitas Sumatera Utara
31
Metode single moving average memiliki karakteristik khusus, yaitu:
a. Untuk menentukan ramalan pada periode yang akan datang memerlukan
data historis selam jangka waktu tertentu.
b. Semakin panjang waktu moving averages, efek pelicinan semakin terlihat
dalam ramalan atau menghasilkan moving average yang semakin halus.
Artinya pada moving averages yang jangka waktunya lebih panjang,
perbedaan ramalan terkecil dengan ramalan terbesar menjadi lebih kecil.
2.4.1.2 Rata-rata Bergerak Ganda (Double moving averages)
Menentukan ramalan dengan metode double moving averages sedikit lebih sulit
dibandingkan dengan single moving averages. Ada beberapa langkah dalam
menentukan ramalan dengan metode double moving averages (Spyros
Makridakis, 1983:74) , antara lain sebagai berikut :
a. Menghitung moving average / rata-rata bergerak pertama, diberi simbol ��′ ,
dihitung dari data historis yang ada. Hasilnya diletakkan pada periode
terakhir moving average pertama.
b. Menghitung moving average/rata-rata bergerak kedua, diberi simbol ��" ,
dihitung dari rata-rata bergerak kedua. Hasilnya diletakkan pada periode
terakhir moving average kedua.
c. Menentukan besarnya nilai ∝� (konstanta)
∝� = ��′ + ( ��′ - ��" )
= 2��′ - ��"
d. Menentukan besarnya nilai �� ( slope )
2
(2-2)
( ��′ - ��" )
(2-3)
��+� = ∝� + �� (m)
(2-4)
�� =
�−1
e. Menentukan besarnya forecast
m adalah jangka waktu forecast kedepan
.
Universitas Sumatera Utara
32
2.4.2
Eksponensial Smoothing
Metode eksponensial smoothing merupakan pengembangan dari metode moving
averages. Dalam metode ini peramalan dilakukan dengan mengulang perhitungan
secara terus menerus dengan menggunakan data terbaru. Setiap data diberi bobot,
data yang lebih baru diberi bobot yang lebih besar.
Dua metode dalam exponensial smoothing diantaranya single exponensial
smoothing dan double exponensial smoothing.
2.4.2.1 Single eksponensial Smoothing
metode ini adalah pengembangan dari metode moving average (MA) (Spyros
Makridakis, 1983:80) menggunakan rumus sebagai berikut:
F�+1 =
�1 +�2 +⋯+� �
�
(2-5)
Keterangan :
F�+1
X�
T
: Ramalan untuk periode ke t + 1.
: NIlai riil periode ke t.
: jangka waktu rata-rata bergerak.
Metode moving average memang mudah menghitungnya akan tetapi metode
ini memberikan bobot yang sama pada setiap data. Untuk mengatasi hal ini maka
digunakan metode single exponential smoothing. Pada metode single exponential
smoothing bobot yang diberikan pada data yang ada adalah sebesar α untuk data
yang terbaru, α(1-α) untuk data yang lama, �(1 − �)2 untuk data yang lebih lama,
dan seterusnya. Besarnya α adalah antara 0 dan 1. Semakin mendekati 1 berarti
data terbaru lebih diperhatikan. Secara matematis besarnya Peramalan adalah:
F�+1
F�+1
= α X� + ( 1 – α ) F�
(2-6)
: Ramalan untuk periode ke t+1
Universitas Sumatera Utara
33
X�
: Nilai riil periode ke t
F�
: Ramalan untuk periode ke t
Dari persamaan di atas besarnya peramalan periode yang akan datang
dijelaskan sebagai berikut:
= α X� + (1-α) F�
F�+1
= α X� + F� - α F�
F�+1
F�+1
= F� + α (X� − F� )
F�+1
= F� + α (e� )
(2-7)
(2-8)
(2-9)
Secara sederhana :
(2-10)
Dengan e� adalah kesalahan ramalan (nilai sebenarnya dikurangi ramalan) untuk
periode t.
Dengan demikian dapat dikatakan bahwa peramalan pada periode yang akan
datang adalah ramalan sebelumnya ditambah α (alpha) dikalikan dengan
kesalahan ramalan periode sebelumnya. Dalam melakukan peramalan dengan
menggunakan metode single exponential smoothing (SES), besarnya α ditentukan
secara trial dan error sampai diketemukan α yang menghasilkan forecast error
terkecil. Metode ini lebih cocok digunakan untuk meramal data-data yang
fluktuatif secara random (tidak teratur).
Universitas Sumatera Utara
34
2.4.2.2 Double Exponential Smoothing
Pada metode ini proses penentuan ramalan dimulai dengan menentukan
besarnya alpha secara trial dan error (Spyros Makridakis, 1983:74). Sedangkan
tahap-tahap dalam menentukan ramalan adalah sebagai berikut:
a. Menentukan Smoothing pertama (��′ )
(2-11)
b. Menentukan Smoothing kedua (��" )
(2-12)
��′
′
= α X� + (1-α) ��−1
��"
"
= α��′ + (1-α) ��−1
��
= ��′ + (��′ − ��" )
c. Menentukan besarnya konstanta (�� )
= 2��′ − ��"
(2-13)
d. Menentukan besarnya slope (�� )
(2-14)
e. Menentukan besarnya forecast (��+� )
(2-15)
��
=
�
1−�
(��′ − ��" )
��+� = �� + ���
Dengan m adalah jumlah periode ke depan yang diramalkan.
2.5 Menghitung Kesalahan Ramalan
Hasil proyeksi yang akurat adalah forecast yang bias meminimalkan kesalahan
meramal (forecast error) (Spyros Makridakis, 1983:66). Besarnya forecast
error dihitung dengan mengurangi data riil dengan besarnya ramalan.
Error (E)
Keterangan:
��
= �� -��
(2-16)
= data riil periode ke-i
��
= ramalan periode ke-i
Dalam menghitung forecast error digunakan:
a. Percentage error (PE)
Percentage error merupakan Kesalahan dari suatu peramalan,
PE
=�
�� −��
��
�×100
(2-17)
Universitas Sumatera Utara
35
dengan:
��
= nilai ramalan periode ke-t
n
= banyaknya data
= nilai data ke periode ke-t
��
b. Absolute Percentage Error (APE)
Absolute Percentage Error adalah kesalahan persentase absolute.
APE
�� −��
=�
��
�x100
(2-17)
c. Mean Percentage Error
Mean Percentage Error adalah persentase rata-rata kesalahan absolute.
MPE =
� −�
∑� � � ��100
(2-18)
MPE =
∑��=1 ��
(2-19)
��
�
�
d. Mean Absolute Percentage Error (MAPE)
Mean Absolute Percentage Error merupakan nilai tengah kesalahan
persentase absolute dari suatu peramalan.
MAPE =
MPE =
∑|��� |�100
�
∑��=1 ���
�
(2-20)
(2-21)
Universitas Sumatera Utara
BAB 2
LANDASAN TEORI
2.1 Pengertian Peramalan
Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa
yang akan datang. Sedangkan ramalan adalah suatu situasi yang diperkirakan akan
datang. Sedangkan ramalan adalah suatu situasi atau kondisi yang diperkirakan
akan terjadi pada masa yang akan datang. Ramalan tersebut dapat didasarkan atas
bermacam-macam cara, diantaranya adalah Metode Smoothing (Pemulusan), Ratarata Bergerak Linier. Metode peramalan merupakan cara untuk memperkirakan
secara kuantitatif apa yang akan terjadi pada masa yang akan datang dengan dasar
kata yang releven pada masa lalu. Dengan kata lain metode peramalan ini
digunakan dalam peramalan yang bersifat objektif.
Peramalan adalah suatu untuk memperkirakan keadaan di masa yang akan
datang melalui pengujian keadaan di masa lalu. Dalam kehidupan sosial segala
sesuatu itu serba tidak pasti, sukar diperkirakan secara tepat. Dalam hal ini perlu
diadakan peramalan. Peramalan yang dibuat selalu diupayakan agar dapat
meminimumkan pengaruh ketidak pastian ini terhadap sebuah permasalahan.
Dengan kata lain peramalan bertujuan mendapatkan peramalan yang bisa
meminimumkan kesalahan meramal (forecat error) yang biasanya diukur dengan
mean squer error, mean absolute error, dan sebagainya.
Kegunaan peramalan terlihat pada saat pengambilan keputusan. Keputusan
yang baik adalah keputusan yang didasarkan atas pertimbangan-pertimbangan
yang akan terjadi pada waktu keputusan itu dilaksanakan.
a. Pengetahuan teknik tentang pengumpulan informasi (data) masa lalu, data
ataupun informasi tersebut bersifat kuantitatif
b. Teknik dan metode yang tetap dan sesuai dengan pola data yang telah
dikumpulkan
Universitas Sumatera Utara
28
Gambaran perkembangan pada masa lalu yang akan datang diperoleh dari
hasil analisa data yang didapat dari penelitian yang telah dilakukan.
Perkembangan pada masa depan merupakan perkiraan apa yang akan terjadi,
sehingga dapat dikatakan bahwa peramalan selalu diperlukan di dalam penelitian.
Ketetapan penelitian merupakan hal yang penting, walaupun demikian perlu
diketahui bahwa sesuatu ramalan selalu ada unsur kesalahannya, sehingga yang
perlu diperhatikan adalah usaha untuk memperkecil kesalahan dari ramalan
tersebut.
2.2 Jenis-Jenis Peramalan
Berdasarkan sifatnya, peramalan dibedakan atas dua macam yaitu:
a. Peramalan kualitatif
Peramalan kualitatif adalah peramalan yang didasarkan atas data kualitatif pada
masa lalu. Hasil peramalan yang dibuat sangat bergantung pada orang yang
menyusunnya. Hal ini penting karena hasil peramalan tersebut ditentukan
berdasarkan pemikiran yang instuisi, pendapatan dan pengetahuan serta
pengalaman penyusunnya.
b. Peramalan Kuantitatif
Peramalan kuantitatif adalah peramalan yang didasarkan atas data kuantitatif
masa lalu. Hasil peramalan yang dibuat sangat bergantung pada metode yang
dipergunakan dalam peramalan tersebut.
Baik tidaknya metode yang digunakan tergantung dengan perbedaan atau
penyimpangan antara hasil ramalan dengan kenyataan yang terjadi. Semakin kecil
penyimpangan antara hasil ramalan dengan kenyataan yang akan terjadi maka
semakin baik pula metode yang digunakan.
Peramalan kuantitatif dapat diterapkan bila terdapat kondisi berikut:
a. Tersedia informasi (data) tentang masa lalu.
b. Informasi (data) tesebut dapat dikuantitatifkan dalam bentuk data numerik.
c. Dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus
berlanjut pada masa yang akan datang.
Universitas Sumatera Utara
29
2.3 Metode Peramalan
2.3.1
Pengertian Metode Peramalan
Metode peramalan adalah suatu cara memperkirakan atau mengestimasi secara
kuantitatif maupun kualitatif apa yang akan terjadi pada masa depan, berdasarkan
data yang relevan pada masa lalu. Kegunaan metode peramalan adalah untuk
memperkirakan secara sistematis dan pragmatis atas dasar data yang relevan pada
masa lalu. Dengan demikian peramalan diharapkan dapat memberikan objektivitas
yang lebih besar.
Metode peramalan memberikan urutan dan pemecahan atas pendekatan
masalah dalam peramalan, sehingga bila digunakan pendekatan yang sama atas
permasalahan, maka akan didapat dasar pemikiran dan pemecahan yang
argumentasinya sama.
2.3.2
Jenis-Jenis Metode Peramalan
Peramalan kuantitatif dibedakan atas:
a. Metode peramalan yang didasarkan atas penggunaan analisa pola
hubungan antar variabel yang diperkirakan dengan variabel waktu
merupakan deret berkala (time series). Metode peramalan termasuk dalam
jenis ini adalah:
1. Metode pemulusan (smoothing).
2. Metode box Jenkins.
3. Metode proyek trend dengan regresi.
b. Metode peramalan yang didasarkan atas penggunaan analisa pola
hubungan antar variabel yang diperkirakan dengan variabel lain yang
mempengaruhinya, yang bukan waktunya disebut dengan metode korelasi
atau sebab akibat (metode kausal). Metode peramalan yang termasuk
dalam jenis ini adalah:
1. Metode Regresi dan Korelasi
2. Metode Ekonometri
3. Metode Input Output
Universitas Sumatera Utara
30
2.4 Metode Pemulusan (Smoothing)
Metode Pemulusan (Smoothing) adalah metode peramalan dengan mengadakan
penghalusan atau pemulusan terhadap data masa lalu yaitu dengan mengambil
rata-rata dari nilai pada beberapa periode untuk menaksir nilai pada suatu periode.
Smoothing dilakukan dengan dua cara yaitu Moving Average atau eksponensial
Smoothing.
2.4.1
Moving Average (Rata-rata bergerak)
Dengan moving averages (rata-rata bergerak) ini dilakukan peramalan dengan
mengambil
sekelompok
nilai
pengamatan,
mencari
rata-ratanya,
lalu
menggunakan rata-rata tersebut sebagai ramalan untuk periode berikutnya. Istilah
rata-rata bergerak digunakan, karena setiap kali data observasi baru tersedia, maka
angka rata-rata yang baru dihitung dan dipergunakan sebagai ramalan.
2.4.1.1 Rata-rata Bergerak Tunggal (Single Moving Average)
Menentukan ramalan dengan metode single moving averages (Spyros Makridakis,
1983:71) cukup mudah dilakukan. Bila akan menerapkan 4 bulan rata-rata
bergerak maka ramalan pada bulan Mei dihitung sebesar rata-rata dari 4 bulan
sebelumnya, yaitu bulan Januari, Februari, Maret, April. Persamaan Matematis
dari teknik ini adalah:
��+1 =
�1 + �2 +⋯+ ��
Keterangan :
�
��+1
: Ramalan untuk periode ke t +1
T
: jangka waktu rata-rata bergerak.
��
(2-1)
: Nilai riil periode ke t
Universitas Sumatera Utara
31
Metode single moving average memiliki karakteristik khusus, yaitu:
a. Untuk menentukan ramalan pada periode yang akan datang memerlukan
data historis selam jangka waktu tertentu.
b. Semakin panjang waktu moving averages, efek pelicinan semakin terlihat
dalam ramalan atau menghasilkan moving average yang semakin halus.
Artinya pada moving averages yang jangka waktunya lebih panjang,
perbedaan ramalan terkecil dengan ramalan terbesar menjadi lebih kecil.
2.4.1.2 Rata-rata Bergerak Ganda (Double moving averages)
Menentukan ramalan dengan metode double moving averages sedikit lebih sulit
dibandingkan dengan single moving averages. Ada beberapa langkah dalam
menentukan ramalan dengan metode double moving averages (Spyros
Makridakis, 1983:74) , antara lain sebagai berikut :
a. Menghitung moving average / rata-rata bergerak pertama, diberi simbol ��′ ,
dihitung dari data historis yang ada. Hasilnya diletakkan pada periode
terakhir moving average pertama.
b. Menghitung moving average/rata-rata bergerak kedua, diberi simbol ��" ,
dihitung dari rata-rata bergerak kedua. Hasilnya diletakkan pada periode
terakhir moving average kedua.
c. Menentukan besarnya nilai ∝� (konstanta)
∝� = ��′ + ( ��′ - ��" )
= 2��′ - ��"
d. Menentukan besarnya nilai �� ( slope )
2
(2-2)
( ��′ - ��" )
(2-3)
��+� = ∝� + �� (m)
(2-4)
�� =
�−1
e. Menentukan besarnya forecast
m adalah jangka waktu forecast kedepan
.
Universitas Sumatera Utara
32
2.4.2
Eksponensial Smoothing
Metode eksponensial smoothing merupakan pengembangan dari metode moving
averages. Dalam metode ini peramalan dilakukan dengan mengulang perhitungan
secara terus menerus dengan menggunakan data terbaru. Setiap data diberi bobot,
data yang lebih baru diberi bobot yang lebih besar.
Dua metode dalam exponensial smoothing diantaranya single exponensial
smoothing dan double exponensial smoothing.
2.4.2.1 Single eksponensial Smoothing
metode ini adalah pengembangan dari metode moving average (MA) (Spyros
Makridakis, 1983:80) menggunakan rumus sebagai berikut:
F�+1 =
�1 +�2 +⋯+� �
�
(2-5)
Keterangan :
F�+1
X�
T
: Ramalan untuk periode ke t + 1.
: NIlai riil periode ke t.
: jangka waktu rata-rata bergerak.
Metode moving average memang mudah menghitungnya akan tetapi metode
ini memberikan bobot yang sama pada setiap data. Untuk mengatasi hal ini maka
digunakan metode single exponential smoothing. Pada metode single exponential
smoothing bobot yang diberikan pada data yang ada adalah sebesar α untuk data
yang terbaru, α(1-α) untuk data yang lama, �(1 − �)2 untuk data yang lebih lama,
dan seterusnya. Besarnya α adalah antara 0 dan 1. Semakin mendekati 1 berarti
data terbaru lebih diperhatikan. Secara matematis besarnya Peramalan adalah:
F�+1
F�+1
= α X� + ( 1 – α ) F�
(2-6)
: Ramalan untuk periode ke t+1
Universitas Sumatera Utara
33
X�
: Nilai riil periode ke t
F�
: Ramalan untuk periode ke t
Dari persamaan di atas besarnya peramalan periode yang akan datang
dijelaskan sebagai berikut:
= α X� + (1-α) F�
F�+1
= α X� + F� - α F�
F�+1
F�+1
= F� + α (X� − F� )
F�+1
= F� + α (e� )
(2-7)
(2-8)
(2-9)
Secara sederhana :
(2-10)
Dengan e� adalah kesalahan ramalan (nilai sebenarnya dikurangi ramalan) untuk
periode t.
Dengan demikian dapat dikatakan bahwa peramalan pada periode yang akan
datang adalah ramalan sebelumnya ditambah α (alpha) dikalikan dengan
kesalahan ramalan periode sebelumnya. Dalam melakukan peramalan dengan
menggunakan metode single exponential smoothing (SES), besarnya α ditentukan
secara trial dan error sampai diketemukan α yang menghasilkan forecast error
terkecil. Metode ini lebih cocok digunakan untuk meramal data-data yang
fluktuatif secara random (tidak teratur).
Universitas Sumatera Utara
34
2.4.2.2 Double Exponential Smoothing
Pada metode ini proses penentuan ramalan dimulai dengan menentukan
besarnya alpha secara trial dan error (Spyros Makridakis, 1983:74). Sedangkan
tahap-tahap dalam menentukan ramalan adalah sebagai berikut:
a. Menentukan Smoothing pertama (��′ )
(2-11)
b. Menentukan Smoothing kedua (��" )
(2-12)
��′
′
= α X� + (1-α) ��−1
��"
"
= α��′ + (1-α) ��−1
��
= ��′ + (��′ − ��" )
c. Menentukan besarnya konstanta (�� )
= 2��′ − ��"
(2-13)
d. Menentukan besarnya slope (�� )
(2-14)
e. Menentukan besarnya forecast (��+� )
(2-15)
��
=
�
1−�
(��′ − ��" )
��+� = �� + ���
Dengan m adalah jumlah periode ke depan yang diramalkan.
2.5 Menghitung Kesalahan Ramalan
Hasil proyeksi yang akurat adalah forecast yang bias meminimalkan kesalahan
meramal (forecast error) (Spyros Makridakis, 1983:66). Besarnya forecast
error dihitung dengan mengurangi data riil dengan besarnya ramalan.
Error (E)
Keterangan:
��
= �� -��
(2-16)
= data riil periode ke-i
��
= ramalan periode ke-i
Dalam menghitung forecast error digunakan:
a. Percentage error (PE)
Percentage error merupakan Kesalahan dari suatu peramalan,
PE
=�
�� −��
��
�×100
(2-17)
Universitas Sumatera Utara
35
dengan:
��
= nilai ramalan periode ke-t
n
= banyaknya data
= nilai data ke periode ke-t
��
b. Absolute Percentage Error (APE)
Absolute Percentage Error adalah kesalahan persentase absolute.
APE
�� −��
=�
��
�x100
(2-17)
c. Mean Percentage Error
Mean Percentage Error adalah persentase rata-rata kesalahan absolute.
MPE =
� −�
∑� � � ��100
(2-18)
MPE =
∑��=1 ��
(2-19)
��
�
�
d. Mean Absolute Percentage Error (MAPE)
Mean Absolute Percentage Error merupakan nilai tengah kesalahan
persentase absolute dari suatu peramalan.
MAPE =
MPE =
∑|��� |�100
�
∑��=1 ���
�
(2-20)
(2-21)
Universitas Sumatera Utara