Peramalan (previsão) merupakan suatu proses perkiraan keadaan pada masa yang akan datang dengan menggunakan data di masa lalu (Adam dan Ebert, 1982). Awat (1990) menjelaskan bahwa peramalan merupakan kegiatan untuk mengetahui nilai variabel yang dijelaskan (variabel dependen) pada masa akan datang dengan mempelajari variabel independen pada masa lalu, yaitu dengan menganalisis pola dados dan melakukan ekstrapolasi bagi nilai-nilai masa datang. Metode peramalan kuantitatif dijelaskan Supranto (2000) terdiri dari metode pertimbangan, metode regresi, metode kecendrungan (método de tendência), saída de entrada de metodo, e metom ekonometrika. Metode kecendrungan (método da tendência) menggunakan suatu fungsi seperti metode regresi dengan variável X menunjukkan waktu. Tepat tidaknya peramalan ditentukan oleh kriteria yaitu berkaitan dengan bondade de ajuste yang menunjukkan bagaimana modelo peramalan dapat menghasilkan peramalan yang baik. Selain itu ada tiga kriteria yang perlu untuk dipertimbangkan, yaitu: 2) Faktor biaya peramalan dan 3) Faktor kemudahan. Penetuan ketepatan peramalan pada umumnya berdasarkan beberapa metode, yaitu nilai Sidik Ragam (F-Test), Koefisien determinasi, Kuadrat Tengah Galat (Mean Square Error (MSE), e Dan Persentase Galat (Percentage Error (PE)). Deret waktu adalah kumpulan data - Dados yang dados de merupakan historis dalam suatu periode waktu tertentu. Data yang dapat dijadikan deret waktu harus bersifat kronologis, artinya dados harus mempunyai periode waktu yang berurutan. Misalnya data penjualan suatu perusahaan antara 2006-2017, maka datanya adalah penjualan tahun 2006, tahun 2007, tahun 2008, tahun 2009, tahun 2018, dan tahun 2017. Dados runtun waktu (séries temporais) dados de merupakan eang dikumpulkan, dicatat, atau diobservasi sepanjang waktu secara berurutan. Periode waktu dapat menggunakan tahun, kuartal, bulan, minggu, hari atau Jam. Runtut waktu dianalisis untuk menemukan pola variasi masa lalu. Analisis deret waktu (análise de séries de tempo) dipakai untuk meramalkan kejadian di masa yang akan namoro Berdasarkan urutan waktu sebelumnya. Ada beberapa teknik untuk meramalkan kejadian di masa yang akan datang berdasarkan dados de karakteristik, misalnya teknik suavização, teknik siklus, dan teknik musiman. Tendência adalah pergerakan jangka panjang dalam suatu kurun waktu yang kadang-kadang dapat digambarkan dengan garis lurus atau kurva mulus. Deret waktu untuk bisnis dan ekonomi, yang terbaik adalah untuk melihat tendência (atau trend-siklus) sebagai perubahan dengan halus dari waktu ke waktu. Pada kenyataannya, anggapan bahwa trend dapat diwakili olew beberapa fungsi sederhana seperti garis lurus sepanjang periode untuk time series yang diamati jarang ditemukan. Seringkali fungsi tersebut mudah dicocokkan dengan kurva tendência pada suatu kurun waktu karena dua alasan, yaitu fungsi tersebut menyediakan beberapa indikasi arah umum diari seri yang diamati, dan dapat dihilangkan dari seri aslinya untuk mendapatkan gambar musiman lebih jelas. Ada tiga trend yang diigunakan untuk meramalkan pergerakan keadaan pada masa yang akan datang, yaitu: Sering kali dados deret waktu jika digambarkan ke dalam parcela mendekati garis luruus. Deret waktu seperti inilah yang termasuk dalam trend linier. Persa tendência linier adalah sebagai berikut: Dengan nilai a dan b diperoleh dari fórmula: Dimana Yt menunjukan nilai taksiran Y pada nilai t tertentu. Sedangkan a adalah nilai intercepta Dari Y, artinya nilai Yt akkan sama dengan a jika nilai t 0. Kemudian b adalah nilai slope. Artinya besar kenaikan nilai Yt pada setiap nilai t. Dan nilai t sendiri adalah nilai tertentu yang menunjukan periode waktu. Trend Linier Positif 4. Memilih Trend Terbaik Untuk membuat suatu keputusan yang akan dilakukan di masa yang akan datang berdasarkkan deret waktu diperlukan suatu metode peramalan yang paling baik sehingga memiliki nilai kesalahan yang cenderung kecil. Terdapat beberapa cara untuk menentukan metode peramalan mana yang akan dipilih sebagai metode peramalan yang paling baik, diantaranya Mean Square Error (MSE). Untuk mencari MSE digunakan rumus sebagai berikut: Dimana nilai e adalah selisih antara nilai Y dengan peramalan (Yt). Modelo yang memiliki MSE paling kecil adalah modelo persamaan yang paling baik. metode metode peramalan dan aplikasi Metode Expnontial Smoothing Metodo exponencial suavização merupakan metode peramalan yang cukup baik untuk peramalan jangka panjang dan jangka menengah, terutama pada tingkat operatural suatu perusahaan, dalam perkembangan dasar matematis dari Alisamento de metodo (forcasting por Makridakis, hal 79-115) dapat dilihat bahwa konsep exponencial telah berkembang dan menjadi metode praktis dengan penggunaan yang cukup luas, terutama dalam peramalan bagi persedian. Kelebihan utama dari metodo exponencial suavização adalah dilihat dari kemudahan dalam operasi yang relativo relativamente, ada sedikit keraguan apakah ketepatan yang lebih baik selalu dapat dicapai dengan menggunakan (QS) Quantitatif sistem ataukah metode dekonposisi yang secara intuitif menarik, namun dalam hal ini jika diperlukan peramalan untuk Item ratusan. Menurut Makridakis, ampère do Wheelwright Mcgee dalam bukunya forcasting (hal 104). Menyatakan bahwa apabila dados yang dianalisa bersifat papelaria, maka penggunaan metode rata-rata bergerak (média móvel) atau único exponencial llopping cukup tepat akan tetapi apabila datanya menunjukan suatu tendência linier. Modelo maka yang baik untuk digunakan adalah exponencial smoothing linier dari brown atau modelo exponencial smoothing linier dari holt. Permasalahan umum yang dihadapi apabila menggunakan modelo pemulusan eksponensial adalah memilih konstanta pemulusan yang diperkirakan tepat. Adaptando-se a um número de memperkirkan nilai a yaitu antara lain: Apabila pola historis dari dados aktual permintaan sangat bergejolak atau tidak stabil dari waktu ke waktu, kita memilih nilai a mendekati 1.Biasanya di pilih nilai a 0.9 namun pembaca dapat mencoba nilai a yang lain yang mendekati 1 seperti 0,8 0,99 tergantung sejauh mana gejolak dari data itu. Apabila pola historis dari dados akual permintaan tidak berfluktuasi atau relati estabil Dari waktu ke waktu maka kita memilih nilai a yang mendekati nol, katakanlah a 0.2 0.05 0.01 tergantung sejauh mana kestabilan dados itu, semakin stabil nilai a yang dipilih harus semakin kecil menuju ke nilai nol B.2. Metode Single Exponential Smoothing Metode ini juga digunakan untuk meramalkan suatu periode ke depan. Untuk melihat persuaan metode ini dengan metode single moving average. Maka lihat kembali persamaan matematis yang digunakan pada peramalan única média móvel. Peramalan untuk periode t, persa adalah: Sedangkan persamaan matematis untuk single moving exponencial lmoble sebagai berikut: Demikian seterusnya untuk Jadi terlihat bahwa metode único móvel médio merupakan sejumlah dados semua yang ditekankan pada baru. Harga ditetapkan por 0 x 1 dan harga yang terpilih yang memberikan simpangan terkecil dari perhitungan yang ada, seperti pada metode única média móvel. Peramalan dengan exponencial smoothing juga dapat digunakan untuk meramalkan beberapa periode kedepan untuk pola dados dengan kecenderungan linier, teknik yang digunakan dikenal dengan nama Brown Parâmetro Exponencial Smoothing langkah-langkah perhitungan untuk mendapatkan peramalan dengan metode ini adalah: nilai peramalan dengan única média móvel. Nilai média móvel média kedua. Hasil peramalan dengan, dobro, em média, pada periode kedepan. Periode kedepan yang diramalkan. B.3. Metode Double Exponential Smoothing Metode ini dikembangkan oleh Browns untuk mengatasi adanya perbedaan yang muncul antara dados aktual dan nilai peramalan apabila ada tendência pada plot datanya. Untuk itu Browns memanfaatkan nilai peramalan dari hasil single Eksponential Smothing dan Double Suavização exponencial. Perbedaan antara kedua ditambahkan pada harga Dari SES dengan demikian harga peramalan telah disesuaikan terhadap tendência pada plot datanya. B.3.1. Metode Double Expnontial Smoothing Satu Parâmetro Brown Dasar pemikiran dari pemulusan eksponensial linier dari Brown adalah serupa dengan rata-rata bergerak linier, karena kedua nilai pemulusan tunggal dan ganda ketinggalan dados dados yang sebenarnya bilamana terdapat unsur tendência. Perbedaan antara nilai pemulusan tunggal dan ganda dapat ditambahkan kepada nilai pemulusan dan disesuaikan untuk tendência. Persamaan Yang dipakai dalam implementasi pemulusan linier satu parâmetro castanho ditunjukan dibawah ini: um t S8217t (S8217t St) 2 S8217t St F t um t b t. m t 823082308230823082308230823082308230823082308230823082308230823082308230823082308230823082308230823082308230823082308230823082308230 (2,21) S t Nilai pemulusan eksponensial Tunggal S t adalah Nilai pemulusan eksponensial Ganda. M jumlah periode ke muka yang diramalkan. Ramalan m periode ke muka Agar dapat menggunakan persaan diatas, nilai S t-1 dan S t-1. Harus tersedia. Tetapi pada saat t 1, nilai-nilai tersebut tidak tersedia. Jadi, nilai-nilai ini harus ditentukan pada awal periode. Hal ini dapat dilakukan dengan hanya menetapkan S t dan S t sama dengan X t atau dengan menggunakan suatu nilai rata-rata de beberapa nilai pertama sebagai titik awal. Jenis masalah inisialisasi ini muncul dalam setiap metode pemulusan (suavização) eksponensial. Parámetro de Jika pemulusan a tidak mendekati nol, pengaruh dari proses inisialisasi ini dengan cepat menjadi kurang berarti dengan berlalunya waktu. Tetapi, jika a mendekati nol, proses inisialisasi tersebut dapat memainkan peran yang nyata selama periode waktu ke muka yang panjang. B.3.2. Metode Double Exponential Smothing Dua Parâmetro Holt Metode pemulusan eksponensial linier dari Holt dalam prinsipnya serupa dengan Brown kecuali bahwa Holt tidak menggunakan rumus pemulusan berganda secara langsung. Sebagai gantinya Holt memuluskan nilai trend dengan parâmetro yang berbeda dari parâmetro yang digunakan pada deret yang asli. Ramalan dari pemulusan eksponensial linier Holt didapat dengan menggunakan dua konstan pemulusan (dengan nialai antara 0 sampai 1) dan tiga persamaan: F t m S t b t m8230823082308230823082308230823082308230823082308230823082308230823082308230823082308230. (2.24) Dimana. Dados pemulusan pada periode t tendência pemulusan pada periode t peramalan pada periode t Diárias persas (1) menyesuaikan S t secara langsung untuk tendência periode sebelumnya yaitu b t-1 dengan menambahkan nilai pemulusan yang terakhir, yaitu S t-1. Hal ini membantu untuk menghilangkan kelambatan dan menempatkan S t ke dasar perkiraan nilai data saat ini. Kemudian persamaan meremajakan trend (2), yang ditunjukan sebagai perbedaan antara dua nilai pemulusan yang terakhir. Hal ini tepat karena jika terdapat kecenderungan di dalam data, nilai yang baru akan lebih tinggi atau lebih rentah dari pada nilai yang sebelumnya. Karena mungkin masih terdapat sedikit kerandoman. Maka hal ini dihilangkan oleh pemulusan g (gama) tendência pada periode akhir (S t S t-1), dan menambahkannya dengan taksiran tendência sebelumnya dikalikan (1- g). Jadi persamaan diatas dipakai untuk meremajakan tendência. Akhirnya persamaan (3) digunakan untuk peramalan ke muka. Tendência. B t, dikalikan dengan jumlah periode kedepan yang diramalkan, m dan ditambahkan pada nilai dasar S t. B.4. Metode Triple Exponential Smoothing Metode ini dapat digunakan untuk dados yang bersifat atau mengandung musiman. Metode ini adalah metode yang digunakan dalam pemulusan tendência dan musiman. Metode inverno didasarkan atas tiga persamaan pemulusan yaitu satu untuk papelaria, tendência, dan musiman. Hal ini serupa dengan metode holt dengan satu persamaan tambahan untuk mengatasi musiman. Persamaan dasar untuk metode inverno adalah sebagai berikut: L Panjang musiman. B Komponen tendência I Faktor penyesuaian musiman Ramalan untuk n período eke depan. 2.1.1. Aspek Umum dari Metode Pemulusan Kelebihan utama dari penggunaan metode pemulusan (Suavização) yang luas adalah kemudahan dan ongkos yang rentah. Ada sedikit keraguan apakah ketetapan yang lebih baik selalu dapat di capai dengan menggunakan metode autororegresi atau pola rata-rata bergerak yang lebih canggih. Namun demikian, jika diperlukan ramalan untuk item, seperti dalam banyak kasus sistem persedian (inventori), maka metode pemulusan seringkali merupakan satu-satunya metode yang dapat dipakai. Dalam hal keperluan peramalan yang besar, maka suatu yang kecil dan mantap itu lebih berarti. Sebagai contoh, menyimpan empat nilai sebagai ganti dari tiga nilai untuk setiap item dapat menjadi sangat berarti bagi keseluruhan item sebulan. Desarmando itu, waktu komputer yang diperlukan untuk melakukan perhitungan yang penting harus disediakan pada tingkat yang layak, dan alasan ini, metodo pemulusan eksponensial lebih disukai dari pada metode rata-rata bergerak dan metode dengan jumlah parâmetro yang sedikit lebih disukai dari pada yang lebih banyak. Metode último Square Pengertian. Análise tendência merupakan suatu metodo analisis yang ditujukan untuk melakukan suatu estimasi atau peramalan pada masa yang akan datang. Untuk melakukan peramalan dengan baik maka dibutuhkan berbagai macam informasi (dados) yang cukup banyak dan diamati dalam periode waktu yang relativo cukup panjang, sehingga dari hasil analisis tersebut dapat diketahui sampai berapa besar fluktuasi yang terjadi dan faktor-faktor apa saja yang mempengaruhi terhadap perubahan tersebut . Secara teoristis, dalam analisis séries temporais yang paling menentukan adalah kualitas atau keakuratan dari informasi atau data-data yang diperoleh serta waktu atau periode dari data-data tersebut dikumpulkan. Jika dados yang dikumpulkan tersebut semakin banyak maka semakin baik pula estimasi atau peramalan yang diperoleh. Sebaliknya, jika dados yang dikumpulkan semakin sedikit maka hasil estimasi atau peramalannya akan semakin jelek. Metode Least Square. Metode yang digunakan untuk analisis séries temporais adalah Metode Garis Linier Secara Bebas (Método da mão livre), Metode Setengah Rata-Rata (método semi-médio), Metode Rata-Rata Bergerak (método médio móvel) de Metode Kuadrat Terkecil (método mínimo). Dalam hal ini akan lebih dikhususkan untuk membahas analisis séries temporais dengan metode kuadrat terkecil yang dibagi dalam dua kasus, yaitu kasus data genap dan kasus data ganjil. Secara umum persamaan garis linier dari analisis série temporal adalah. Y a b X. Keterangan. Y adalah variabel yang dicari trendnya dan X adalah variabel waktu (tahun). Sedangkan untuk mencari nilai konstanta (a) parâmetro dan (b) adalah. A Y N dan b XY X2 Contoh Kasus Data Ganjil: Tabel. Volume Penjualan Barang X (dalam 000 unit) Tahun 1995 sampai dengan 2003 Untuk mencari nilai a dan b adalah sebagai berikut: a 2.460 9 273,33 dan b 775 60 12,92 Persamaan garis liniernya adalah. Y 273,33 12,92 X. Dengan menggunakan persamaan tersebut, dapat diramalkan penjualan pada tahun 2018 adalah. Y 273,33 12,92 (untuk tahun 2018 nilai X adalah 11), sehingga. Y 273,33 142,12 415,45 artinya penjualan barang X pada tahun 2018 diperkirakan sebesar 415.450 unidade Contoh Kasus Data Genap: Tabel. Volume Penjualan Barang X (dalam 000 unit) Tahun 1995 sampai dengan 2002 Untuk mencari nilai a dan b adalah sebagai berikut: a 2.150 8 268,75 dan b 1.220 168 7,26 Persamaan garis liniernya adalah. Y 268,75 7,26 X. Berdasarkan persamaan tersebut untuk meramalkan penjualan pada tahun 2008 adalah. Y 268,75 7,26 (untuk tahun 2008 nilai X adalah 19), sehingga. Y 268,75 137,94 406,69 artinya penjualan barang X pada tahun 2008 diperkirakan sebesar 406,69 atau 406,690 unidade. Elain dengan menggunakan metode tersebut di atas, juga dapat dipakai dengan metode sebagai berikut: Tabel. Volume Penjualan Barang X (dalam 000 unit) Tahun 1995 sampai dengan 2002 Untuk mencari nilai a dan b adalah sebagai berikut: a 2.150 8 268,75 dan b 610 42 14,52 Persamaan garis liniernya adalah. Y 268,75 14,52 X. Berdasarkan persamaan tersebut untuk meramalkan penjualan pada tahun 2008 adalah. Y 268,75 14,52 (untuk tahun 2008 nilai X adalah 9), sehingga. Y 268,75 137,94 406,69 artinya penjualan barang X pada tahun 2008 diperkirakan sebesar 406.690 unidade. Para Arin, Untuk Y dan X itu adalah dados mentah, misalnya mencari tendência kunjungan maka Y nya adalah periode waktu (misal tiap bulan dalam 1 tahun) dan X nya jumlah pengunjung (misalnya per bulan). Setelah itu baru bisa dimasukkan dalam analisis tendência Kalau dicermati rumus tendência sama dengan rumus regresi sederhana (untuk mencari nilai a dan b). Karena jumlah X di trend sama dengan nol maka jika dimasukkan dalam rumus regresi maka jadi rumus tendência. Artinya, untuk mencari nilai a dan b pada tendência bisa menggunakan rumus regresi, tapi sebaliknya rumus tendência tidak dapat diaplikasikan dalam regresi, karena dalam regresi jumlah X tidak sama dengan nol saya lg skripsi mas, cuma blom ngerti menjelaskan nilai x itu secara lengkap, cuma Itung2annya saya ngerti, nah dosen saya minta menjelaskan nilai x itu dengan sedetail2nya. Dosennya nyuruh saya tiap x harus dijelaskan dari mana asalnya ,, gimana ya mas slamet menjelaskan x berasal darimana, malah dosen saya nyuruh tiap bulan x nya harus dijelasin. Para Iqbalbo, karena jumlah dados X-nya genap maka nilai 0 berada antara bulan Juni dan Juli, sehingga bulan Juni dinilai -1 dan bulan Juli dinilai 1. jarak antara bulan Juni dgn Juli atau jarak -1 dgn 1 adalah 2, maka seterusnya harus Loncat 2. Maka bulan Mei dinilai -3, abril -5 dst. Kalau bulan Agustus dinilai 3 de setembro dinilai 5 dst. Jadi untuk nilai X desinstalando totalnya 0 juga harus konsisten loncat 2. mas slamet8230 itu cara mencari x (variável waktu) gimana jujur saya masih bingung kok tau2 dapet nilai -4, -3 mohon penjelasannya mas .. terimaksih Para Iqbaldo, untuk mencari nilai X Pada analisis tendência kata kuncinya adalah jika nilai X dijumlahkan maka hasilnya 0. Dados do relatório jumlah tahun ganjil maka tahun yang ditengah nilainya 0, tahun sebelumnya -1 trus -2 dst, sedang tahun sesudahnya 1 trus 2 dst. Kalau dados jumlah tahun genap lihat contoh diatas. Buku Statistika Deskriptif email: ssantoso0219yahoo. co. id Post navigation Komisi Gratis
No comments:
Post a Comment