teknik peramalan

Teknik-teknik Peramalan

1.Regresi Linier Sederhana

Bentuk regresi yang paling sederhana dan sering digunakan meliputi hubungan linier antara dua variabel. Tujuan regresi linier adalah untuk memperoleh sebuah persamaan garis lurus yang akan meminimasi jumlah bias vertikal dari titik-titik yang terobservasi dengan garis lurus yang terbentuk.

Metode yang dipakai untuk mendapatkan persamaan tersebut disebut least squares, dan persamaan yang terbentuk adalah

y = a + bx

Dimana, y = Variabel tergantung (dependen)

x = Variabel bebas (independen)

b = Slope

a = Konstanta (nilai y pada saat x = 0)

Besarnya koefisien a dan b dihitung berdasarkan persamaan :

atau

Diketahui n : Jumlah data hasil observasi

Keakuratan perkiraan regresi tergantung pada biasan data sampel disekitar garis, semakin besar luasannya semakin kecil keakuratan perkiraannya.

Besarnya kiaasan dapat dihitung berdasarkan perkiraan satandar kesalahan s_e, sebagai berikut :

2. Simple Average

Metode simple average merupakan metode yang sesuai digunakan jika data yang tersedia tidak mengandung unsur trend dan faktor musiman. Secara sederhana metode ini menghitung rataan dari data yang tersedia sejumlah n, mengikuti persamaan berikut :

F_i+1 = Σ A_i / N

Dimana : F_i+1 : Peramalan untuk period eke i + 1

A_i : Nilai actual tahun ke – i

N : Banyaknya data

3. Moving Average

Peramalan dengan teknik moving average melakukan perhitungan terhadap nilai data yang paling baru sedangkan data yang lama akan dihapus. Nilai rata-rata dihitung berdasarkan jumlah data, yang angka rata-rata bergeraknya ditentukan dari harga 1 sampai N data yang dimiliki. Peramalan dengan teknik moving average dapat dihitung menggunakan persamaan berikut :

MA_n = Σ A_i / n

Dimana : i : Banyak data (1,2,3……N)

n : angka periode rata-rata bergerak

A_i : nilai actual tahun ke – i

4. Weighted Moving Average

Metode ini mirip dengan metode moving average, hanya saja diperlukan pembobotan untuk data paling baru dari deret berkala. Sebagai contoh data yang paling baru ditentukan bobotnya sebesar 0.4, data terbaru berikutnya berbobot 0.3, kemudian berturut-turut 0.2 dan terakhir 0.1. Dan perlu diingat bahwa jumlah bobot yang diberikan harus sama dengan 1.00. Dan bobot terberat diberikan pada data yang terbaru.

5. Centered Moving Average

Perhitungan yang digunakan pada metode ini sama dengan metode moving average. Hanya saja hasil perhitungannya diletakkan pada pertengahan periode yang digunakan untuk menghitung nilai rata-ratanya.

6. Eksponential Smoothing

Metode ini menggunakan prinsip yang sama dengan teknik moving average, hanya saja eksponensial smoothing memerlukan perhitungan yang lebih sedikit, tidak memerlukan data histories dalam jangka waktu yang lama melainkan hanya data terbaru yang dipakai untuk menghitung peramalannya.

Karakteristik smoothing dikendalikan dengan menggunakan factor smoothing α , yang bernilai antara 0 sampai dengan 1. Fungsi factor ini adalah untuk memberikan penekanan yang lebih terhadap data yang paling baru. Setiap peramalan yang baru berdasarkan pada hasil peramalan sebelumnya ditambah dengan suatu prosentase perbedaan antara peramalan dengan nilai aktualnya pada saat tersebut. Dengan demikian :

F_t = F_t-1 + α ( A_t-1 – F_t-1 )

Dimana : F_t : Peramalan periode ke-t

F_t-1 : Peramalan periode ke t-1

α : Konstanta smoothing

A_t-1 : Permintaan aktual atau penjualan untuk

periode t-1

7. Winter’s

Metode winter’s merupakan metode peramalan yang sering dipilih untuk menangani data permintaan yang mengandung baik variasi musiman maupun unsur trend. Metode ini mengolah tiga asumsi untuk modelnya : unsur konstan, unsur trend dan unsur musiman.

Ketiga komponen diatas secara kontinyu diperbarui menggunakan konstanta smoothing yang diterapkan pada data terbaru dan estimasi yang paling akhir.

Metode winter’s menggunakan model Trend Hold, yang dimulai dengan estimasi trend yang biasa :

T_t = β ( F_t – F_t-1 ) + ( 1 – β ) T_t-1

Dimana : T_t : estimasi nilai trend pada periode t

β : konstanta smoothing unsur trend

F_t : rata-rata eksponensial pada periode t

8. Single Eksponential Smoothing

Peramalan single eksponensial smoothing dihitung berdasarkan hasil peramalan ditambah dengan peramalan periode sebelumnya. Jadi, kesalahan peramalan sebelumnya digunakan untuk mengoreksi peramalan berikutnya.

Persamaannya adalah :

F_t = αA_t + ( 1-α ) F ( t-1 )

9. Eksponential Smoothing With Linear Trend

Persamaannya adalah :

F_t = αA_t + ( 1-α ) F ( t-1 ) + T ( t-1 )