Kegunaan Metode Gleitender Durchschnitt

Pengertian, Kegunaan dan sifat-sifat prognostiziert peramalan. DEFINISI, SIFAT-SIFAT FORECASTING RAMALAN, PENGERTIAN REGRESI DAN KORELASI. peramalan forecasting. Pengertian Peramalan. Peramalan Perkiraan Forecasting Forecasting adalah meramalkan, memproyeksikan, atau mengadakan perkiraaan Taksiran terhadap berbagai kemungkinan Yang akan terjadi sebelum Suatu Rancana yang lebih pasti dapat dilakukan Peramalan Vorhersage adalah seni dan ilmu untuk memperkirakan kejadian di masa depan Hal ini dapat dilakukan dengan melibatkan pengambilan Daten historis dan memproyeksikannya ke masa mendatang dengan suatu bentuk Modell matematis Hal ini bisa juga merupakan pediksi intuisi yang bersifat subjektif Hal ini pun Dapat dilakukan dengan menggunakan kombinasi modell matematis yang disesuakan dengan pertimbangan yang baik dari seorang manager Setelah mengenal beberapa teknik peramalan, unda akan melihat bahwa tidak ada satu metode tunggal yang paling unggul Sesuatu yan berjalan dengan baik di suatu perusahaan pada Suatu gesetzt kondisi tertentu mungkin bisa Menjadi bencana bagi Organisasi gelegen, bahkan pada Departemen Yang berada di Perusahaan Yang Sama Selain UIT, undeinem akan Melihat keterbatasan dari apa Yang dapat undeinem harapkan dari Suatu sedikit Bisnis Yang dapat menghindari proses peramalan dan hanya menunggu apa Yang terjadi untuk kemudian mengambil kesempatan Perencanaan Yang efektif Baik untuk jangka panjang maupun pendek bergantung pada peramalan permintaan untuk Produk Perusahaan Peramalan Forecasting, merupakan kegiatan memprediksi nilai-nilai sebuah variabel berdasarkan nilai Yang diketahui dari variabel tersebut atau variabel Yang berhubungan Terdapat DUA macam metode yaitu metode kualitatif dan Metode kuantitatif Metode kualität hanya menggunakan intuisi saja, tanpa menggunakan pendekatan matematis maupun statistik Situasi, kondisi, dan pengalaman peramal sangat mempengaruhi hasil ramalan Metode kuantitatif dapat dibedakan menjadi dua cara yaitu metode kausal dan metode Zeit seri Es Metode kausal mempertimbangkan nilai sebuah variabel sebagai pengaruh dari banyak variabel yang lain Sedangkan metode Zeitreihe hanya meninjau nilai sebuah variabel sebagai fungsi waktu. Kegunaan Peramalan. Data ramalan dipergunakan sebagai perkiraan, bukan merupakan suatu angka atau bilangan yang harus dipergunakan betitu saja Penggunaannya masih memerlukan Pertimbangan dari para pemakai Hal ini disebabkan oleh karena hasil ramalan biasanya didasarkan atas dasar asumsi-asumsi, kalau keadaan tidak berubah seperti waktu sebelumnya. Peramalan Deret Waktu. Deret waktu didasarkan pada urutan dari titik titik Daten yang berjarak sama dalam waktu mingguan, bulanan, kuartalan , Da lain lain Meramalkan dieet Daten waktu berarti nilai masa depan diperkirakan hanya dari nilai masa lalu dan variabel lain diabaikan walaupun variabel variabel tersebut mungkin sangat dieet waktu berarti membagi Daten masa lalu menjadi komponen komponen komponen, kemudian memproyeksikannya ke masa depan Deret waktu mem punyai empat komponen yaitu 1 Pola tren merupakan pergerakan Daten sedikit demi sedikit meningkat atau menurun Perubahan pendapatan, populasi, penyebaran Umur, atau pandangan Budaya dapat mempengaruhi pergerakan tren Daten musiman adalah pola Daten Yang berulang pada Kurun Waktu tertentu, seperti hari, mingguan, bulanan, Atau kuartal Daten Siklus adalah pola dalam Daten yang terjadi setiap beberapa tahun Siklus ini biasanya terkait pada siklus bisnis dan merupakan satu hal penting dalam analisis dan perencanaan bisnis jangka pendek Memprediksi siklus bisnis Daten variasi acak Merupakan Satu Titik khusus dalam Daten yang disebabkan oleh peluang dan situasi Yang tidak lazim Variasi acak tidak memiliki pola khusus sehingga tidak dapat di prediksi. Metode Pemulusan Eksponensial. Penghalusan Eksponensial merupakan metode peramalan rata rata bergerak dengan pembobotan yang canggih, tetapi masih mudah digunakan Metode ini menggunakan pencatatan dan masa lalu yang sangat sedikit. Bentuk umum dari Metode Pemulusan eksponensial. Ft Ft - 1 a Bei 1 Ft 1.Ft peramalan baru Ft-1 peramalan sebelumnya ein Konstanta penghalusan pembobotan 0 a 1 At-1 Permintaan tatsächliche periode lalu. Konsepnya tidak rumit Prediksi terakhir untuk permintaan sama dengan prediksi lama, disesuaikan dengan Sebagian deferensiasi permintaan aktual periode lalu dengan prediksi lama Eksponensial glättung Metode penghalusan eksponential orde satu sebenarnya merupakan perkembangan dari metode rata-rata bergerak gleitende durchschnittliche sederhana Metode ini dipengaruhi secara luas di dalam peramalan prognose karena sederhana, efisian di dalam perhitungan dan perubahan ramalan, mudah disesuaikan Dengan Perubahan Daten, Dan Ketelitian Metode Ini Cukup Besar Eksponensial Glättung Metode Ini Akan Menyesuaikan Faktor Trend Yang Ada Pada Pola Daten Dipopulerkan Oleh CC Holt 1957, Modell ini menambahkan Faktor pertumbuhan Wachstumsfaktor atau faktor Trend Trend Faktor pada persamaan dasar dari Glättung Exponentielle Glättung Metode ini Merupaka N perluasan dari metode holt Dipopulerkan oleh Winter, Modell ini menambahkan Faktor saisonale pada persamaan dasar dari glättung Hanya berbeda dengan dua metode exponentielle Glättung yang lalu, pada metode Winter ada dua cara perhitungan prognose, yakni secara additiv atau secara multiplikatif, disini akan digunakan cara multiplikatif 2 3 2 Menghitung Kesalahan Peramalan seorang perencana tentu menginginkan hasil perkiraan ramalan Yang tepat atau paling tidak dapat memberikan gambaran yang paling mendekati sehingga rencana Yang dibuatnya merupakan rencana Yang realistis Ketepatan atau ketelitian inilah Yang Menjadi kritéria Leistung Suatu metode peramalan Ketepatan atau ketelitian tersebut dapat dinyatakan sebagai Kesalahan dalam peramalan Kesalahan yang kecil memberikan arti ketelitian peramalan yang tinggi, dengan kata lain keakuratan hasil peramalan tinggi, begitu pula sebaliknya Ada beberapa perhitungan yang biasa digunakan untuk membandingkan modell peramalan yang berbeda, m Engawasi peramalan, dan untuk memastikan peramalan dengan baik Tiga dari perhitungan yang paling terkenal adalah 1 1 Deviasi Mutlak Rerata Mittlere Absolute Abweichung MAD 2 2 Kesalahan Kuadrat Rerata Mittlerer Platz Fehler MSE 3 3 Kesalahan Persen Mutlak Rerata Mittlerer Absoluter Prozentsatz Fehler - MAPE. Sifat-Sifat Peramalan. sifat-sifat peramalan. Peramalan yang Subyektif Peramalan Yang Didasarkan Atas Perasaan Instuisi Dari Orang Yang Menyusunnya. Peramalan Yang Obyektif Peramalan Yang Didasarkan Atas Daten Daten pada masa lalu dengan menggunakan Metode Metode dalam penganalisaan Daten tersebut. Peramalan Kualitatif Peramalan Yang Didasarkan atas Daten kualitatif Pada masa lalu, hasil peramalan tergantung pada orang yang menyusunnya. Peramalan Kuantitatif Peramalan Yang didasarkan atas Daten kuantitatif pada masa lalu, hasilnya tergantung pada metode yang digunakan. REGRESI DAN KORELASI. Regresi merupakan suatu alat ukur yang juga dapat digunakan untuk mengukur ada atau tidaknya korelasi Antarvariabel SEDANGK Ein Korelasi merupakan teknik analisis yang termasuk dalam salah satu teknik pengukuran asosiasi hubungan maßnahmen von assoziation.3 1 Defenisi Peramalan Forecasting. Peramalan atau prognose adalah merupakan suatu fungsi bisnis yang berusaha memperkirakan penjualan dan pengunaan produkt sehingga produk-produk itu dapat dibuat dalam kuantitas yang tetap Gaspersz, 2001 Tujuan dari peramalan adalah untuk menentukan jumlah permintaan produk pada masa yang akan datang Adapun kegunaan dari peramalan adalah Hendra Kusuma, 2001.1 Menentukan besarnya ekspansi pabrik.2 Menentukan rencana jangka menengah produk yang ada dan dibuat dengan fasilitas yang ada.3 Untuk menentukan rencana Jangka pendek.3 1 1 Macam-macam Peramalan. Ada berapa macam tipe peramalan yang digunakan Adapun tipe-tipe dalam peramalan adalah sebagai berikut Jay Heizer, 2005.1 Times Series Model. Metode Zeitreihe adalah metode peramalan secara kuantitatif dengan menggunakan waktu sebagai dasar peramalan. 2 Causal Model. Metode peramala N yang menggunakan hubungan sebab-akibat sebagai asumsi, yaitu bahwa apa yang terjadi di masa lalu akan terulang pada saat ini.3 Urteilale Modell. Bila Zeitreihe dan causal Modell bertumpu pada kuantitatif, pada urteilend mencakup untuk memasukkan faktor-faktor kuantitatif subjektif ke dalam Metode peramalan Secara khusus berguna bilamana faktor-faktor subjektif yang diharapkan menjadi sangat penting bilamana daten kuantitatif yang akurat sudah diperoleh.3 1 2 Klasifikasi Peramalan. Klasifikasi peramalan merupakan identitas dari peramalan itu sendiri Peramalan memiliki dua klasifikasi peramalan diantaranya sebagai berikut Jay Heizer, 2005.1 Peramalan Berdasarkan teknik penyelesaiannya, yang terdiri dari. a Teknik peramalan secara kualitatif. Peramalan yang melibatkan pendapat pribadi, pendapat ahli, metode Delphi penelitian pasar dan lain-lain Bertujuan untuk menggabungkan seluruh informasi yang diperoleh secara logika, unbasiert sistematis yang dihubungkan dengan faktor interesse pengambil Keputusan Beberapa teknik kualitatif yang sering dipergunakan adalah. b Marktforschung. c Panel Consensus. d Visionary Forecast. f Management Estimate. g Strukturierte Gruppe Methoden. B Teknik peramalan secara kuantitatif. Digunakan pada saat Daten masa lalu cukup tersedia Beberapa teknik kuantitatif yang sering dipergunakan. a Time Series model.2 Peramalan berdasarkan pengelompokkan Horizont waktu. a Peramalan jangka panjang, yaitu peramalan Yang jangka Waktu peramalan Lebih dari 24 bulan, misalnya peramalan Yang diperlukan dalam kaitannya dengan anggaran produksi. b Peramalan jangka Menengah, yaitu peramalan Yang jangka Waktu peramalan antara 3-24 bulan, misalnya peramalan untuk perencanaan penjualan, perencanaan dan anggaran produksi. c peramalan jangka pendek, yaitu peramalan Yang jangka Waktu peramalan Kurang dari 3 bulan, misalnya peramalan dalam hubungannya dengan perencanaan pembelian Material, penjadwalan Kerja dan penugasan. Komponen Utama Yang Mempengaruhi penjualan masa lampau. a Kecenderun Gan Trend Td Kejadian Luar Biasa Erratische Ereignisse E.3 2 Metode Peramalan Yang Digunakan. Perhitungan Peramalan Dapat Dicari Dengan Beberapa Metode Yaitu Metode Weigthed Moving Durchschnitt WMA, Metode Single Exponential Glättung SES, Dan Metode Regresi Liner Berikut Ini Adalah Penjabaran Dari Masing-Masing Metode .3 2 1 Metode Weilthed Moving Average WMA. Metode Weilthed Moving Durchschnittlich atau rata-rata bergerak terbobot ini lebih reagiert terhadap perubahan Gaspersz, 2004 Rumus perhitungan dengan metode WMA. Untuk mengetahui sejauh mana keandalan dari model peramalan Weilthed Moving Durchschnittlich kita dapat mengetahui dengan cara Membran-Tracking-Signal membangun peta kontrol Modell Weigthed Moving Durchschnitt ini biasanya akan menjadi efektif apabila pola Daten bersifat relatif stabil dari waktu ke waktu dan tidak menunjukkan kecenderungan trend.3 2 1 Metode Einzelne exponentielle Glättung SES. Model peramalan ini bekerja hampir serupa dengan alat Thermostat dimana Apabila galat ramalan prognose fehler adal ah positif, Yang berarti nilai Aktual permintaan Lebih tinggi dari pada nilai ramalan AF 0, maka Modell pemulusan eksponensial akan Secara otomatis meningkatkan ramalan Sebaliknya apabila Galat ramalan Prognosefehler adalah negatif, Yang berarti nilai Aktual permintaan Lebih rendah dari pada nilai ramalan AF 0, maka Modell pemulusan eksponensial akan secara otomatis menurunkan ramalan Proses penyesuaian ini berlangsung terus-menerus, kecuali galat ramalan telah mencapai nol Kenyataan inilah yang mendorong peramal prognostik lebih suka menggunakan modell peramalan pemulusan eksponensial, apabila pola historis dari daten aktuell permintaan bergejolak atau tidak stabil dari waktu ke Waktu Rumus perhitungan dengan metode Einzelne exponentielle Glättung Gaspersz, 2004.F t nilai ramalan untuk periode waktu ke-tF t-1 nilai ramalan untuk satu periode waktu yang lalu, t-1.A t-1 nilai aktual untuk satu periode waktu yang lalu , T-1.a konstanta pemulusan Glättung constant. Permasalahan umum yang diha Dapi apabila menggunakan modell pemulusan eksponensial adalah memilih konstanta pemulusan ein yang diperkirakan tepat Nilai konstanta pemulusan ein dapat dipilih di antara nilai 0 dan 1, karena berlaku 0 a 1 Bagaimanapun juga untuk penetapan nilai ein yang diperkirakan tepat, kita dapat menggunakan panduan berikut.1 Apabila Pola historis dari Daten aktueller Permintaan sangat berbeda atau tidak stabil dari waktu ke waktu, kita memilih nilai ein yang mendekati satu Biasanya dipilih nilai a 0,9 namun pembaca dapat mencoba nilai-nilai ein yang lain mendekati satu, katakanlah a 0,8 0, 95 0,99, dan lain-lain, tergantung pada sejauh mana gejolak dari daten itu Semakin bergejolak, nilai ein yang dipilih harus semakin tinggi menuju ke nilai satu.2 Apabila pola historis dari Daten aktuelles permintaan tidak berfluktuasi atau relatif stabil dari waktu ke waktu , Kita memilih nilai ein yang mendekati nol Biasanya dipilih nilai ein 0,1 namun pembaca dapat mencoba nilai-nilai ein yang lain yang mendekati nol, katakanlah a 0,2 0 , 15 0,05 0,01, dan lain-lain, tergantung pada sejauh mana kestabilan dari daten itu Semakin stabil, nilai ein yang dipilih harus semakin kecil menuju ke nilai nol Untuk mengetahui sejauh mana keandalan dari modell peramalan berdasarkan pemulusan eksponensial harus menggunakan peta Kontrol tracking signal dan membandingkan apakah nilai-nilai ramalan itu telah menggambarkan atau sesuai dengan pola historis dari daten aktuell permintaan.3 2 1 Metode Regresi Linier. Regresi linier adalah suatu metode populer untuk berbagai macam permasalahan Untuk peramalan Zeitreihe, Formel regresi linier cocok digunakan bila pola Daten adalah Trend Rumus perhitungan regresi linier adalah sebagai berikut.3 3 Teori Ukuran akurasi Peramalan. Ukuran akurasi Secara Umum Yang dipergunakan untuk peramalan Berikut ini adalah macam-macam ukuran peramalan berserta penjabarannya Gaspersz, 2004.3 3 1 Mittelwert Absolute Deviation. Rata-rata Penyimpangan absolut merupakan penjumlahan kesalahan prakiraan tanpa menghiraukan tanda a Ljabarnya dibagi dengan banyaknya daten yang diamati, yang dirumuskan sebagai berikut. Rata-rata kesalahan kuadrat MSE, mittlere quadratische fehler memperkuat pengaruh angka-angka kesalahan besar, tetapi memperkecil angka kesalahan prakiraan yang lebih kecil dari satu unit.3 3 2 Mittlerer Absoluter Prozentsatz Fehler. Rata-rata persentase kesalahan kuadrat merupakan pengukuran ketelitian dengan cara-cara persentase kesalahan absolut, MAPE menunjukkan rata-rata kesalahan absolut prakiraan dalam bentuk persentasenya terhadap Daten aktualnya. Pada setiap peramalan, Tracking-Signal terkadang digunakan untuk melihat apakah nilai-nilai yang dihasilkan berada Didalam atau diluar batas-batas pengendalian dimana nilai-nilai tracking signal itu bergerak antara -4 sampai 4 Tracking signal yang memiliki nilai MAD terkecil maka aakan dibuat peta Umzugsgebiet berdasarkan MAD tersebut. Peta Moving Range dirancang untuk membandingkan nilai permintaan aktual dengan nilai peramalan Dengan Kata lain, dapat melihat Daten permint Aan aktualen dan membandingkannya dengan nilai peramalan pada periode yang sama Peta tersebut dikembangkan ke periode yang akan datang hingga dapat membandingkan Daten peramalan dengan permintaan aktual Peta Moving Range digunakan untuk pengujian kestabilan sistem sebab-akibat yang mempengaruhi permintaan Rumus perhitungan peta Umzugsgebiet adalah sebagai berikut Jay Hezier, 2005.Pada peta Moving Range jika ditemukan satu titik yang berada diluar batas kendali pada saat peramalan diverifikasi maka harus ditentukan apakah daten harus diabaikan atau mencari peramalan baru Jika ditemukan sebuah titik berada diluar batas kendali maka harus diselidiki penyebabnya Penemuan itu mungkin saja membutuhkan penyelidikan Yang ekstensif Jika semua titik berada di dalam batas kendali, diasumsikan bahwa peramalan permintaan yang dihasilkan telah cukup baik Jika terdapat titik yang berada di luar batas kendali, jelas bahwa peramalan yang didapat kuran baik dan harus direvisi Kegunaan peta Umzug Range Yang Pertama ialah untuk melakukan verifikasi hasil peramalan Least Square terdahulu Dalam kasus-kasus tersebut, jika peta Umzugsbereich menunjukkan keadaan diluar kriteria kendali, maka hal itu berarti ada daten yang tidak berasal dari sistem sebab-akibat yang sama dan harus dibuang Fungsi peramalan pun harus diulangi Lagi. Single Moving Average Metode Rata-rata Bergerak Tunggal. Single Moving Durchschnittliche Metode Rata-rata Bergerak Tunggal. Single Moving Durchschnittliche Metode Rata-rata Bergerak Tunggal. Metode einzigen gleitenden durchschnittlichen merupakan metode yang mudah penghitungannya Tujuan utama dari penggunaan metode ini adalah untuk menghilangkan Atau mengurangi acakan zufälligkeit dalam deret waktu Metode einzigen gleitenden Durchschnitt mula-mula memisahkan unsur tren siklus dari Daten dengan menghitung rata-rata bergerak yang jumlah unsurnya sama dengan panjang musiman Nilai rata-rata baru dapat dihitung dengan membuang nilai observasi yang paling lama dan memasukkan nilai Observasi baru Rata-rata berggerak inilah yang kemu Dian dijadikan ramalan untuk periode yang akan datang Adapun pendekatan yang dapat digunakan adalah Dimana Ft 1 peramalan pada periode t 1 X1 nilai aktual t jumlah observasi rata-rata bergerak Contoh Selaku manajer garmen, Anda ingin melakukan peramalan tingkat permintaan jaket Anda pada tahun 2013 Adapun Daten Masa lampau untuk tingkat permintaan jaket adalah dalam ribuan pcs Tahun 1 2001 386 pcs Tahun 2 2002 340 pcs Tahun 3 2003 390 pcs Tahun 4 2004 368 Stück Tahun 5 2005 425 Stück Tahun 6 2006 440 Stück Tahun 7 2007 410 Stk. Tahun 8 2008 466 Stk Tahun 9 2009 330 Stk. Tahun 10 2010 350 Stk. Tahun 11 2011 375 Stk. Tahun 12 2012 380 Stk. Jika menggunakan rata-rata bergerak tiga bulanan maka cara penghitungan untuk periode 13 tahun 2013 adalah jika ingin melakukan peramalan pada periode 14 tahun 2014 maka daten yang Digunakan untuk melakukan rata-rata bergerak dari periode kedua sampai keempat, yaitu dan demikian seterusnya jika melakukan peramalan permintaan untuk periode berikutnya Apabila menggu Nakan rata-rata bergerak lima bulanan maka cara penghitungan untuk periode 13 dan 14 tahun 2013, 2014 adalah dengan cara merata-rata lima daten, yaitu. dan demikian seterusnya jika melakukan peramalan permintaan untuk periode berikutnya c Einzelne exponentielle Glättung Pemulusan Eksponensial Tunggal Metode ini menunjukkan Adanya karakteristik dari pemulusan Daten dengan menambahkan suatu faktor yang sering disebut dengan konstanta pemulusan glättung konstant dengan simbol alpha Pemulusan eksponensial salam bentuk sederhana tidak memperhitungkan pengaruh tren sehingga nilai sangat kecil dan dapat dihilangkan Nilai rendah cocok pada permintaan produkt yang stabil tanpa tren atau variasi siklikal Sedangkan Nilai tinggi untuk perubahan-perubahan yang sesungguhnya cenderung terjadi karena lebih tanggap terhadap permintaan yang fluktuatif Nilai tinggi ini digunakan pada analisis Daten pada pengenalan produk baru, kampanye promosi, antisipasi terhadap resesi, dan juga sesuai bagi industri paka Ian jadi yang memerlukan tanggapan yang cepat Metode einzigen exponentiellen Glättung ini dapat didekati dengan rumus dimana Xt nilai aktual terbaru Ft peramalan terakhir Ft 1 peramalan untuk periode yang akan datang konstanta pemulusan. Contoh Selaku manajer garmen, Anda ingin melakukan peramalan tingkat permintaan jaket Anda pada bulan Januari dan Februari 2013 Adapun Daten masa lampau untuk tingkat permintaan jaket adalah dalam ribuan pcs Bulan 1 386 Stück Bulan 7 410 Stück Bulan 2 340 Stück Bulan 8 466 Stück Bulan 3 390 Stück Bulan 9 330 Stück Bulan 4 368 Stück Bulan 10 350 Stück Bulan 5 425 Stück Bulan 11 375 Stück Bulan 6 440 Stück Bulan 12 380 Stück Tabel 8 Rekapitulasi Permintaan Jaket Dan Perhitungan Dengan Metode Single Exponential Glättung Periode Bulan Daten permintaan Nilai ramalan dengan konstanta pemulusan 0,2 Januari 2012 386 Februar 340 F13 0,2 386 1- 0,2 386 386 Maret 390 F14 0,2 340 1-0,2 386 376,8 April 368 F15 0,2 390 1-0,2 376,8 379,44 Mei 425 F16 0,2 368 1-0, 2 379,44 377,152 Juni 440 F17 38 6,722 Juli 410 F18 397,377 Agustus 466 F19 399,901 September 330 F20 413,121 Oktober 350 F21 396,497 November 375 F22 387,197 Desember 380 F23 384,758 Jadi dari peramalan dengan menggunakan metode einzelne exponentielle glättung dapat diketahui bahwa tingkat permintaan jaket pada Januar 2013 adalah sebanyak 386 000 pcs dan pada Februar 2013 sebesar 376 800 Stk.