PERAMALAN (Forecast)

Peramalan (Forecast)Peramalan Memprediksi mengenai apa yang

akanterjadi di masa depan.

Ingat! Masa depan tidak mungkin dapat diramalkan secara tepat sempurna, hanya dapat dilakukan menggunakan pendekatan.Jika pendekatan tersebut tepat maka dilihat sebagai suatu kebetulan.

Dua macam pendekatan →- non-matematis (tidak akan dibahas lebih lanjut…)- matematis

Pendekatan...

Pendekatan secara non-matematis, contoh:- pengalaman di masa lalu- pengelihatan para ‘ahli’ (supranatural….)- kedekatan relasi- dsb…

Pendekatan secara matematis, contoh:- Analisis seri waktu (time series analysis)- Regresi (regression method)- Metode kualitatif (qualitative method)

Pendekatan...

Pendekatan secara matematis membutuhkan data lampau (masa lalu) yang bersifat relatif, antara lain dalam hal:

kebutuhan banyaknya cacah databerapa jumlahnya?sepuluh, seratus, seribu, ....

selang waktu pengambilan datasetiap berapa lama?setiap detik, jam, hari, minggu, bulan, ...

Beberapa pengertian Peramalan...

Waktu ramalan yang diinginkan, dibagi menjadi: Ramalan jangka pendek (short-range forecast) Ramalan jangka menengah (medium-range forecast) Ramalan jangka panjang (long-range forecast)

Jangka waktu ramalan di atas juga bersifat relatif,ditentukan oleh penerapan (aplikasi) apa yang akan diramal.

Pada umumnya semakin jauh masa depan yang ingin di ramal maka akan semakin sulit peramalan dilakukan.

Ramalan disini hanya mencerminkan suatu pola atau kecenderungan, sehingga sangat dimungkinkan memiliki tingkat kesalahan tertentu (forecast error) atau penyimpangan.

Contoh penerapan ramalan...

a. mengetahui pergerakan nilai saham pada pembukaan sesi siang ini

b. mengetahui keadaan cuaca besok dan lusac. mengetahui perminataan suatu barang untuk

pengiriman bulan depand. memprediksi musim tanam di suatu daerah

pertaniane. memprediksi mencairnya es di kutub

selatan akibat pengaruh pemanasan global

dan sebagainya....

Pendekatan secara matematis...

Metode analisis seri waktu (time series analysis)

Metode ini mengunakan data historis yang diakumulasikan dalam beberapa periode waktu, yang termasuk metode ini yaitu:

Metode rata-rata bergerak (moving average method)Rata-rata bergerak (moving average)Rata-rata bergerak tertimbang (weighted moving average)

Metode Penghalusan eksponensial (exponential smoothing method)→ memberikan bobot lebih kuat di data terakhir daripada data awal

Penghalusan eksponensial sederhana(simple exponential smoothing)

Penghalusan eksponensial yang disesuaikan(ajusted exponential smoothing)

Metode analisis seri waktu (time series analysis)

Rumus....Rata-rata bergerak (moving average)

Metode analisis seri waktu (time series analysis)

Rumus....Rata-rata bergerak tertimbang (weighted moving average)

Metode analisis seri waktu (time series analysis)

Contoh: diketahui data pemesanan barang (Tabel 1)BulanJanuari

Pesanan120Februari 90

Maret 100April 75Mei 110Juni 50Juli 75Agustus 130September 110OktoberNovember

90-

Hitunglah perkiraan pemesanan barang pada bulan ke-11

(november) menggunakan metode rata-rata bergerak, denganmempertimbangkan data tiga bulan dan lima bulan sebelumnya.

MA3=

MA3=

Metode analisis seri waktu (time series analysis)

Perkiraan pemesanan barang pada bulan ke-11 (november)menggunakan metode rata-rata bergerak.

→ dengan mempertimbangkan data tiga bulan sebelumnya

90 + 11 0+ 1303

=110 pesanan

→ dengan mempertimbangkan data lima bulan sebelumnya

90 + 110+ 130 + 75+ 50 5

=91 pesanan

Metode analisis seri waktu (time series analysis)

Dengan metode rata-rata bergerak dapat diperoleh perbandinmgan secara lengkap antara pemesanan barang sebenarnya (aktual) dengan perhitungan ramalan tiga bulanandan

lima bulanan

Bulan

(Ta bel 2)Pemesanan

Tiga bulanan

Lima bulanan(aktual) (ramalan) (ramalan)

Januari 120 - -Februari 90 - -Maret 100 - -April 75 103,3 -Mei 110 88,3 -Juni 50 95 99Juli 75 78,3 85Agustus 130 78,3 82September 110 85 88

Oktober 90 105 95November - 11

091

Metode analisis seri waktu (time series analysis)

Grafik Tabel 2

Metode analisis seri waktu (time series analysis)

Hitunglah perkiraan pemesanan barang pada bulan ke-11 (november) menggunakan metode rata-rata bergerak tertimbang dari referensi data tiga bulan sebelumnya, dengan setiap bobot yang telah ditentukan yaitu: 50% (Oktober), 33% (September), dan 17% (Agustus).

MA3 =0,5 X 90 + 0,33 X 110 + 0,17 X 130 =103,4 pesanan

Catatan:Pada contoh ini adalah pemesanan barang (harus utuh) makadilakukan pembulatan ke atas menjadi 104 pesanan.

Fakta-fakta:

Peramalan (forecasting) merupakan alat penting dalam pengambilan kesimpulan.

Informasi yang diserap dari masa lalu dapat digunakan sebagai dasar untuk forecasting. Kualitas informasi itu menentukan akurasi forecasting.

Definisi:

Analisis Deret Berkala (time series analysis) adalah suatu metode kuantitatif untuk menentukan pola data masa lampau yang telah dikumpulkan secara teratur menurut urutan waktu kejadian. Pola masa lalu ini dapat digunakan sebagai dasar pertimbangan untuk forecasting di masa yang akan datang.

Perhitungan Angka Indeks Penjualan Kendaraan Bermotor Tahun 1978 - 1986

Tahun Unit Penjualan

1978 11

1979 15

1980 14

1981 16

1982 17

1983 18

1984 17

1985 21

1986 20

29

1978 1979 1980 1981 1982 1983 1984 1985 1986

Tahun

6

8

10

12

14

16

18

20

22

24

Grafik Deret Berkala Penjualan Kendaraan Bermotor

Definisi:

Deret berkala/waktu (time series) adalah data statistik yang disusun berdasarkan urutan waktu kejadian. Pengertian waktu dapat berupa tahun, kuartal, bulan, minggu, dan sebagainya.

9.2 Komponen-komponen Deret Berkala

Apabila kita mengamati Deret Berkala, maka kita akan memperoleh informasi bahwa ada 4 komponen variasi yang penting, yaitu:1. Secular Trend atau Trend (disingkat T)

2. Seasonal Variation (Variasi Musim) (disingkat S)

3. Cyclical Variation (Variasi Siklis) (disingkat C).

4. Irregular Variation (variasi tak beraturan) (disingkat I).

9.2.1 Secular Trend atau Disingkat Trend (T)

Secular Trend (Trend) adalah gerak naik, atau turun atau tetap/konstan dalam jangka panjang. Menurut gerakannya dibedakan menjadi tiga, yaitu:

1. Trend naik (Upward trend) trend biaya hidup2. Trend tetap (Constant trend) trend kapasitas perguruan tinggi

3. Trend turun (Downward trend) trend pekerja di sektor pertanian30

9.2.2 Seasonal Variation (Variasi Musim) (S)

Seasonal variation (gerak atau variasi musim) adalah gerak naik atau turun secara periodik dalam jangka waktu 1 (satu) tahun.

Berulang setiap tahun penjualan pakaian melonjak menjelang hari Lebaran. Naik atau turun secara periodik. Biasanya dinyatakan dalam persentase. Nilai persentase ini juga disebut dengan

istilah Seasonal Index. Sebagai contoh, Seasonal Index penjualan pakaian menjelang Lebaran 175% berarti volume penjualan 75% di atas keadaan normal.

Contoh:

KuartalPenjualan Kuartalan Spesifikasi Gerak Musim (%) Pola Gerak

Musim (%)1980 1981 1982 1980 1981 1982

I 60 50 55 77 65 71 71  

II 80 90 85 103 116 110 110  

III 105 100 95 135 129 123 129  

IV 65 70 75 84 90 97 90  

Rerata = 77.5 77.5 77.5       100  

Spesifikasi Gerak Musim (%) = (penjulan/rerata) * 100%

Contoh (60/77.5)*100% = 77%

(80/77.5)*100% = 103%

Pola Gerak Musim = (Spesifikasi 1980 + 1981 + 1982)/3

Contoh (77+65+71)/3 = 71%

(103+116+110)/3 = 110%

9.2.3 Cyclical Variation (Gerak Siklis) (C)

Disebut sebagai Gerak Siklis atau Business Cycle.

31

Definisi:Gerak Siklis adalah gerak naik atau turun secara periodik dalam jangka panjang, 5 tahun, 10 tahun, 15 tahun, 20 tahun, 25 tahun atau lebih.

Fakta-fakta:

Kegiatan ekonomi maupun perusahaan dapat berkembang atau menurun secara periodik dalam jangka lebih dari 1 tahun.

Tendensi timbulnya Gerak Siklis lebih banyak diakibatkan oleh kegiatan perusahaan, misalnya penjualan mobil, pembangunan gedung, perkembangan tingkat harga, dsb.

Menurut Gottfried Haberler dalam bukunya Prosperity and Depression periode Business Cycles dapat dibedakan menjadi 5 bagian, yaitu:

Masa Awal Tumbuh (Up Turn)

Masa kemakmuran (Prosperity phase)

Masa Krisis (Downturn, crisis phase)

Masa Kehancuran (Depression phase)

Masa Pembangunan Kembali (Upturn, Revival Phase).

9.2.4 Irregular Variation (Gerak Tak Beraturan) (I)

Definisi:

Irregular Variation adalah gerakan tidak teratur dan sulit diramalkan.

Fakta-fakta:

Gerakan ini selalu ada pada Time Series dan sulit dihilangkan. Gerakan ini timbul sebagai akibat adanya peperangan, bencana alam, kelaparan,

kekeringan, inflasi dan deflasi. Inflasi: suatu kenaikan umum harga rata-rata barang atau jasa selama waktu

tertentu dan akibatnya terjadi penurunan daya beli masyarakat sebanding dengan menurunnya nilai mata uang.

Deflasi: Penurunan harga rata-rata secara umum barang dan jasa selama jangka waktu tertentu.

9.3 Manfaat Analisis Deret Berkala (Time Series Analysis)

32

Membantu mempelajari data masa lampau, sehingga dapat dipelajari faktor-faktor penyebab perubahan untuk pertimbangan perencanaan di masa yang akan datang.

Untuk membantu dalam peramalan (forecasting). Membantu memisahkan faktor-faktor yang dapat mempengaruhi suatu data

(kkhususnya variasi atau gerak musim) lalu diadakan penyesuaian dengan faktor musim ini.

Membantu dan mempermudah membandingkan satu rangkaian data dengan rangkaian data yang lain.

33