Naive Approach
Yaitu suatu metode peramalan yang sangat sederhana, yang hanya
menggunakan data nilai actual periode sebelumnya sebagai perkiraan di periode ini dan begitu seterusnya. Peramalan pada periode berikutnya hanya
berupa (t+1) akan sama dengan data di periode ini.
Contoh:
Moving Averages
Contoh:
Weight Moving Averages
Yaitu metode untuk menghitung data masa depan/periode mendatang dengan menjumlahkan data-data masa lampau yang telah diberikan bobotnya masing-masing, alasannya karena pengaruh data yang lebih baru akan lebih berpengaruh pada data keadaan dimasa mendatang sehingga bobot yang diberikan pada data terbaru tentunya haruslah lebih besar dari data sebelumnya. Metode ini akan efektif apabila digunakan permintaan pasar terhadap produk diasumsikan stabil sepanjang waktu.
Contoh:
Exponential Smoothing
Yaitu Suatu metode
peramalan rata-rata bergerak yang memberikan bobot secara exponential atau
bertingkat pada data-data terbarunya sehingga data-data terbaru akan
mendapatkan bobot yang lebih besar.
New forecast = Last period’s forecast + α (last period’s actual demand –
last period’s forecast)
Contoh:
Akurasi-akurasi peramalan (Common measures of error)
Model-model peramalan yang dilakukan kemudian divalidasi menggunakan
sejumlah indicator. Indicator-indicator yang umum digunakan adalah:
Mean Absolute Deviation (MAD)
Mengevaluasi metode peramalan dengan menggunakan jumlah dari
kesalahan-kesalahan yang absolute dan mengukur ketepatan ramalan dengan merata
kesalahdugaan. Metode ini berguna ketika mengukur kesalahan ramalan dalam unit
yang sama sebagai deret asli.
a. Mean Squared Error (MSE)
Untuk mengevaluasi metode peramalan masing-masing sisa dikuadratkan.
Kemudian dijumlahkan dan ditambahkan dengan jumlah observasi. Pendekatan ini
mengatur kesalahan peramalan yang besar karena kesalahan tersebut dikuadratkan,
Metode ini menghasilkan kesalahan sedang yang kemungkinan lebih baik untuk
kesalahan kecil tetapi kadang menghasilkan perbedaan besar.
a. Mean Absolute Percentage Error
Dihitung dengan menggunakan kesalahan absolute pada tiap periode dibagi
dengan nilai observasi yang nyata untuk periode itu. Kemudian merata-rata
kesalahan persentase absolute tersebut. pendekatan ini berguna ketika ukuran
atau besar variable ramalan itu penting dalam mengevaluasi ketepatan ramalan
dan metode ini mengindikasi seberapa besar kesalahan dalam meramal yang
dibandingkan dengan nilai nyata.
Exponential Smoothing with Adjustment
Contoh:
Trend Projection
Yaitu suatu metode peramalan serangkaian waktu yang sesuai dengan garis trend
terhadap serangkaian titik-titik data masa lalu, kemudian di proyeksikan
kedalam peramalan dimasa depan untuk peramalan jangka menengah dan jangka
panjang.
Rumus :
Y = a + bX
Keterangan:
y = Variable yang diprediksi
a =
Konstanta
b =
Kemiringan garis regresi
x =
Variable bebas (waktu)
dengan metode kuadrat terkecil (Metode Least Square)
Contoh:
Yaitu Variasi musiman dalam data (Seasonal variations in data):
Model musiman multiplikatif dapat
memodifikasi data trend untuk mengakomodasi variasi permintaan musiman/The multiplicative seasonal model can modify
trend data to accommodate seasonal variations in demand:
1. Mencari permintaan musiman rata-rata untuk setiap musim/Find average historical demand for each
season
2. Hitung indexs permintaan rata-rata untuk setiap musim/Compute the average demand index for each
season
3. Memperkirakan permintaan total di tahun yang akan datang/Estimate next year total demand
4. Bagilah perkiraan total permintaan ini berdasarkan indeks musiman untuk
musim itu/Divide this estimate of total
demand by the seasonal index for that season
Rumus:
Seasonal index = Average
2003-2005 monthly demand
Average
monthly demand
Contoh:
Tidak ada komentar:
Posting Komentar