Kegunaan metode moving average

Média móvel dupla versus duplo Suavização exponencial Sebelumnya telah dibahas tentang teknik permalan previsão sederhana única média móvel e solo suavização exponencial. Akan tetapi pada kenyataannya banyak ditemui data time series yang memiliki tendência linier, oleh karena itu perlu suatu teknik untuk mengatasinya. Teknik permalan sederhana yang bisa mengatasinya yaitu, média dupla em movimento, e duplo suavização exponencial. Sebagai informasi, sebenarnya terdapat banyak teknik previsão kompleks yang dapat mengatasi masalah tendência linier yaitu dengan cara mentransformasikan dados agar stasioner kemudian diterapkan teknik previsão tertentu, seperti ARIMA, ARCHGARCH, dll. Grafik di bawah ini menunjukan kecenderungan omzet restoran yang memiliki tendência meningkat. Média móvel dupla Pada teknik ini dilakukan penghitungan rata-rata bergerak sebanyak dua kali kemudian dilanjutkan dengan meramal menggunakan suatu persamaan tertentu. Perhatikan tabel di atas, pada teknik ini proses mencari nilai rata-rata bergerak dilakukan sebanyak dua kali. Pada kolom Média móvel 3t baris 1 dan 2 kosong, sedangkan baris ketiga ialah nilai rata-rata dari nilai faktual omzet baris 1, 2, dan 3 (jumlah omzet bulan Juni-Agustus 2017 dibagi tiga (131130125) 3 128,667). Baris berikutunya juga dilakukan dengan cara perhitungan yang sama. Selanjutnya pada kolom Double Moving Average. Dilakukan penghitungan rata-rata bergerak dengan cara yang sama pada kolom sebelumnya. Namun, pada kolom ini yang menjadi acuan penjumlahan nilai yaitu nilai pada kolom média móvel 3t dibagi dengan periode média móvel. Misalnya, nilai 127,444 pada bulan Oktober 2017 kolom dupla média móvel diperoleh dari rata-rata bergerak bulan Juli-Oktober 2017 (128,667127126,667 dibagi 3). Lakukan penghitungan serupa pada baris-baris berikutnya hingga pada baris dados terakhir (sebelum periodeyang akan diramalkan). Pada kolom at, lakukan penghitungan dengan rumus di atas. Misalkan, angka 125,88889 pada baris bulan Oktober 2017 kolom em diperoleh dari penghitungan 2 x 126,6667 8211 127,4444. Lakukan juga pada baris-baris berikutnya. Untuk kolom bt, lakukan penghitungan juga berdasarkan rumus di atas. Ingat bahwa nilai n ialah jumlah periode yang digunakan dalam média móvel. Pada kasus ini nilai n yaitu 3. Selanjutnya hitung nilai ramalanforecast menggunakan fórmula di atas dengan nilai p1, artinya kita hanya akan meramal sebanyak satu periode kedepan saja (meramal omzet pada bulan Januari 2017). Perhatikan bahwa nilai ramalan periode selanjutnya atau t1 dihitung berdasarkan nilai em dan bt periode sekarang atau periode t. Sehingga, nilai ramalan omzet bulan Januari 2017 sebesar 157,11 juta rupiah diperoleh dari penjumlahan nilai em dan bt bulan Desember 2017 (153,88893,2222 (p1)). Selanjutnya kolom et dan et square digunakan untuk menghitung RMSE. Nilai RMSE yang didapat yaitu 3,8086. Double Exponential Smoothing Teknik ini hampir sama dengan teknik média dupla em movimento yaitu dua kali dalam melakukan penghitungan. Fórmula Fórmula Yang Digunakan antara lain: Perhatikan pada baris pertama kolom suavização exponencial (At) hingga em memiliki nilai yang sama dengan nilai omzet faktual bulan Juni 2017, nilai ini merupakan default. Selanjutnya nilai baris kedua kolom Em dihitunga menggunakan rumus di atas, em omzet bulan Juli 2017 130,600 juta diperoleh dari (w0,4) dikali nilai omzet faktual bulan Juli 2017 (130) ditambah (1-w0,6) dikali nilai Em omzet bulan Juni 2017 (131), atau secara matematis ditulis 0,4 x 130 (1-0,4) x 131 130,600 (juta rupiah). Kemudian lakukan penghitungan serupa pada baris-baris berikut. Setelah itu, lakukan penghitungan nilai suavização exponencial dupla (At) menggunakan rumus di atas. Cara penghitungannya sama dengan suavização exponencial (At), tapi melibatkan data hasil penghitungan At. Nilai At omzet bulan Juli 2017 (130,840) diperoleh dari hasil 0,4 x 130,600 (1-0,4) x 131). Begitupun dengan penghitungan pada baris berikutnya sama. Mencari nilai em dan bt sama seperti teknik média móvel dupla. Hanya saja pada bt, dikalikan dengan perbandingan penimbang w1-w. Ikuti rumus di atas untuk mencari nilai em dan bt. Kemudian, lakuka n peramalan previu sesuai rumus yang ada. Hasil ramalan periode t1 yaitu penjumlahan nilai em dan bt (p1) periode t. Nilai p1 karena pada kasus ini hanya ingin dicari nilai ramalan satu periode kedepan. Ramalan omzet bulan Januari 2017 yaitu (atdes.2017152,260) (btdes.2017 (p1) 2,024 (1)) 154,2833 (juta rupiah). Kemudian carilah nilai RMSE berdasarkan nilai et dan et square. Nilai RMSE dengan metodo duplo alívio exponencial yaitu 3,133. Jika dibandingkan antara metodo, média dupla em movimento, e dupla sublimação exponencial. Maka metode dupla exponencial liso lebih baik untuk meramalkan karena memiliki nilai RMSE (3,133) yang lebih kecil dari nilai RMSE metodo, média dupla em movimento (3,8086). Demikian, mohon koreksinya demi kebenaran isi materi di atas. Sumber lengkapnya dapat dibaca pada Enders, Walter. 2004. Edição Econométrica Aplicada Segunda Edição. Nova Jersey: Willey. Dan Yulianto, M. A. 2017. Dasar-dasar Operation Research untuk Pengambilan Keputusan: Edisi Kedua. Jakarta: Sekolah Tinggi Ilmu Statistik. Pengertian, Kegunaan dan sifat-sifat previsão (peramalan) DEFINISI, PREVISÃO SIFAT-SIFAT (RAMALAN), PENGERTIAN REGRESI DAN KORELASI peramalan (previsão) Pengertian Peramalan PeramalanPerkiraan (Previsão) Previsão adalah meramalkan, memproyeksikan, atau mengadakan Perkiraaan taksiran terhadap berbagai kemungkinan yang akan terjadi sebelum suatu rancana yang lebih pasti dapat dilakukan. Peramalan (previsão) adalah seni dan ilmu untuk memperkirakan kejadian di masa depan. Hal ini dapat dilakukan dengan melibatkan pengambilan dados historis dan memproyeksikannya ke masa mendatang dengan suatu bentuk modelo matematis. Hal ini bisa juga merupakan pediksi intuisi yang bersifat subjektif. Hal ini chatice dapat dilakukan dengan menggunakan kombinasi modelo matematis yang disesuakan dengan pertimbangan yang baik dari seorang gerente. Setelah mengenal beberapa teknik peramalan, anda akan melihat bahwa tidak ada satu metode tunggal yang paling unggul. Sesuatu yan berjalan dengan baik di suatu perusahaan pada suatu set kondisi tertentu mungkin bisa menjadi bencana bagi organisasi lain, bahkan pada departemen yang berada di perusahaan yang sama. Selain itu, anda akan melihat keterbatasan dari apa yang dapat anda harapkan dari suatu peramalan. Hanya 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. Metodo kualitatif 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 séries temporais. Metode kausal mempertimbangkan nilai sebuah variabel sebagai pengaruh dari banyak variabel yang lain. Sedangkan metode séries temporais hanya meninjau nilai sebuah variabel sebagai fungsi waktu. Kegunaan Peramalan Dados ramalan dipergunakan sebagai perkiraan, bukan merupakan suatu angka atau bilangan yang harus dipergunakan begitu 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 8211 titik dados yang berjarak sama dalam waktu (mingguan, bulanan, kuartalan, dan lain 8211 lain). Meramalkan deret data waktu berarti nilai masa depan diperkirakan hanya dari nilai masa lalu dan variável lain diabaikan walaupun variabel 8211 variabel tersebut mungkin sangat bermanfaat. Menganalisis deret waktu berarti membagi dados masa lalu menjadi komponen 8211 komponen 8211 komponen, kemudian memproyeksikannya ke masa depan. Deret waktu mempunyai empat komponen yaitu: 1. Pola trem merupakan pergerakan dados sedikit demi sedikit meningkat atau menurun. Perubahan pendapatan, populasi, penyebaran umur, atau pandangan budaya dapat mempengaruhi pergerakan tren. 2.Pola dados musiman adalah pola dados yang berulang pada kurun waktu tertentu, seperti hari, mingguan, bulanan, atau kuartal. 3.Pola dados Siklus adalah pola dalam dados 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 4.Pola dados variasi acak Merupakan satu titik khusus dalam dados 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 8211 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 (A 8211 1 Ft82111) Ft peramalan baru Ft-1 peramalan sebelumnya a Konstanta penghalusan (pembobotan) (0 a 1) Período de Permintaan Período real lalu. Konsepnya tidak rumit. Prediksi terakhir untuk permintaan sama dengan prediksi lama, disesuaikan dengan sebagian deferensiasi permintaan aktual periode lalu dengan prediksi lama. 1.Alinhamento Eksponensial único Metode penghalusan eksponential orde satu sebenarnya merupakan perkembangan dari metodo rata-rata bergerak (média móvel) sederhana. Metode ini dipengaruhi secara luas di dalam peramalan (previsão) karena sederhana, efisian di dalam perhitungan dan perubahan ramalan, mudah disesuaikan dengan perubahan dados, dan ketelitian metode ini cukup besar. 2.Double Epsponensial smoothing Metode ini akan menyesuaikan factor tendência yang ada pada pola dados. Dipopulerkan oleh C. C. Holt (1957), modelo ini menambahkan factor pertumbuhan (fator de crescimento) atau faktor tendência (fator de tendência) pada persamaan dasar dari suavização. 3.Triple Suavização exponencial Metodo ini merupakan perluasan dari metode holt. Dipopulerkan oleh inverno, modelo ini menambahkan fator sazonal pada persamaan dasar dari suavização. Hanya berbeda dengan dua metode Suavização exponencial yang lalu, pada metode inverno ada dua cara previsão perhitungan, aditivo de Yakni Secara 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 kriteria desempenho 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 modelo peramalan yang berbeda, mengawasi peramalan, dan untuk memastikan peramalan dengan baik. Tiga dari perhitungan yang paling terkenal adalah: 1.1. Deviasi Mutlak Rerata (Desvio Médio Absoluto 8211 MAD) 2.2. Kesalahan Kuadrat Rerata (erro quadrado médio 8211 MSE) 3.3. Kesalahan Persen Mutlak Rerata (erro médio de porcentagem absoluta - 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 data 8211 dados pada masa lalu dengan menggunakan metode 8211 metode dalam penganalisaan data tersebut. Peramalan Kualitatif: Peramalan yang didasarkan atas dados kualitatif pada masa lalu, hasil peramalan tergantung pada orang yang menyusunnya. Peramalan Kuantitatif: Peramalan yang didasarkan atas dados 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. SEDANGKAN Korelasi merupakan teknik analisis yang termasuk dalam salah satu teknik pengukuran asosiasi hubungan (medidas de associação).